我把 n8n 交给 Claude Code Skill，它还会自己修 bug

翔宇工作流100个原创 Skill 第 11 期凌晨 11 点，第 4 次点击「Execute Workflow（执行工作流）」，红色报错。又崩了。如果你用过 n8n，这个场景一定不陌生：打开编辑器，面对空白画布，不知道从哪个节点开始拖。好不容易连了一串节点，运行报错。改了参数，又报错。改来改去，时间就这么没了。我也踩过这些坑。我是一个效率强迫症患者——任何重复超过三次的事情，都想让机器去干。后来我做了一件事：把整个 n8n 工作流的构建过程，封装成了一个 AI Skill（技能模块）。现在，我只需要用一句话描述需求，AI 就能自动完成从需求分析到部署上线的全部 10 个步骤。不是生成一段代码让你手动粘贴，而是直接在你的 n8n 实例上创建、验证、部署一个能跑的工作流。手动搭工作流就像手写汇编（Assembly，最底层的编程语言）——能跑，但你的时间不值钱吗？认真想一下：你上一次花在调试 n8n 表达式上的时间，值多少钱？读完这篇文章，你能拿到：一套结构化的 10 步构建框架，理解 AI 怎么系统性地构建工作流；一种「Skill 即流水线」的思维模型，把任何复杂任务拆成可执行步骤；文末还有一个可直接复刻的超级提示词，复制给 Claude Code 就能从零搭建这整套系统。本文导航（全文约 6500 字，阅读约 15 分钟）Skill 是什么（2 分钟）为什么让 AI 来搭工作流（2 分钟）10 步全自动流水线拆解（3 分钟）实战案例：Gemini 图片生成器（2 分钟）底层设计与迁移场景（1 分钟）跟官方 AI Builder 对比（1 分钟）常见卡点和解决思路（1 分钟）一键复刻（附完整提示词）先搞清楚：什么是 Skill？在开始之前，我们得先对齐一个概念。Skill 是 Claude Code 的能力扩展模块。 你可以把它理解成「一本写给 AI 的操作手册」。打个比方：你新招了一个实习生，TA 很聪明但什么都不会。你要让 TA 独立完成一项工作，不是每次都口头教一遍，而是写一份标准操作流程（工作流），TA 照着做就行。Skill 就是这份 工作流。只不过它的读者不是人，而是 AI。但 Skill 不只是 工作流。它是纳瓦尔说的那种「代码杠杆」——写一次，复用无限次，还能分享给所有人。一个人写了一套 Skill，等于雇了一个永远不会离职、不会忘记流程、还能持续进化的专家团队。这才是 AI 编程的真正杠杆点：你不是在写代码，你是在训练一个永不停歇的专家。★🎯 打个比方如果 Claude Code 是一个万能实习生，Skill 就是你给 TA 的岗位培训手册。手册写得越详细，TA 干活越靠谱。Skill 是写给 AI 的操作手册说一个真实场景。上周有人找我做一个「收到 Typeform 表单 → 用 AI 分析内容 → 写入 Notion 数据库 → 发送 Slack 通知」的工作流。以前我大概需要 40 分钟：查节点文档、写表达式、调试报错、绑定凭据。用 Skill，我在终端敲了一句话描述需求，去倒了杯咖啡，回来工作流已经部署好了。那它跟 n8n 是什么关系？n8n 是一个开源的工作流自动化平台，你可以在上面用拖拽节点的方式搭建各种自动化流程——比如「收到新邮件 → 提取内容 → 写入数据库 → 发送通知」。它有 400 多个官方节点，覆盖了市面上大部分常用服务。问题在于：n8n 虽然强大，但手动搭建工作流依然很痛苦。你需要知道用哪些节点、怎么配置参数、表达式语法怎么写、凭据怎么绑定……对新手来说，光是搞清楚这些就够喝一壶了。不管你是独立开发者还是运维工程师，不管你的 n8n 上跑着 3 个工作流还是 300 个——手动搭建的痛苦是一样的。所以我做了一个 Skill，让 AI 来干这些苦活。AI 不是来替代你的，是来替代你最不想干的那部分。为什么要用 AI 来搭工作流？你可能会想：AI 搭的东西质量能行吗？反过来想：搭工作流需要什么？记住 400 多个节点的配置细节、表达式语法、版本兼容性、凭据绑定规则……这些恰好是 AI 的强项——大量记忆 + 精确匹配 + 不犯低级错误。人类擅长的是判断「做什么」。AI 擅长的是执行「怎么做」。让对的角色干对的事，效率才能最大化。你可能会说：「但 AI 又不懂我的业务逻辑。」没错。所以 Step 03 是方案讨论——AI 提方案，你拍板。AI 不替你做决策，但它替你干决策之后的所有苦活。这才是人机协作的正确姿势。你可能还会问：n8n 不是已经有官方的 AI Workflow Builder 了吗？为什么还要自己做一个 Skill？官方 AI Builder（AI 构建器）只管「生成」，不管「验证」。 它能帮你生成一个工作流，但不会告诉你这个工作流能不能跑。节点配置有没有错？凭据绑了没有？社区节点装了没有？这些都得你自己检查。而且官方 AI Builder 是黑盒（看不到内部逻辑），Skill 是白盒（逻辑完全透明）。Skill 的每一步逻辑都写在 Markdown 文件里，你可以随时查看、修改、优化。觉得验证环节不够严格？改 step08。觉得搜索策略太保守？改 step02。你掌握完整的控制权。白盒胜过黑盒，可控胜过便捷。你敢把核心业务流程交给一个你看不见源码的黑盒吗？还有一点：Skill 能沉淀团队知识。你团队踩过的坑、总结的最佳实践、积累的架构模式，都可以写进 Skill 的 reference/（参考资料）目录。下一次构建时，AI 会自动调用这些知识。这是一个持续进化的知识库。Reddit 上有一位 n8n 深度用户分享了他的经验：与其一次性让 AI 生成整个工作流，不如分块构建、逐段验证。这恰好就是我这个 Skill 的设计思路——10 步流水线，每一步都有明确的输入输出和验证条件。Delivery Hero（全球最大的外卖平台之一）靠一个 n8n 工作流每月节省 200 小时。StepStone 在生产环境运行着 200 多个关键工作流。当工作流的规模达到这个量级，手动维护已经不现实了。工具是用来驯服的，不是用来伺候的。如果你花在「配置工具」上的时间比「使用工具」还多——那工具在驯服你。人类判断做什么，AI 执行怎么做

10 步全自动构建流水线：完整拆解

现在进入核心部分。这个 Skill 把 n8n 工作流的构建拆成了 10 个步骤，分为三个阶段。准备阶段：从一句话到确定方案（Step 01-04）Step 01：需求获取

。 AI 会问你 6 个问题——你想自动化什么流程？触发方式是什么？需要哪些外部服务？预期的输入输出是什么？这一步的关键不是「问问题」，而是把模糊的需求翻译成结构化的配置。比如你说「我想做一个收到表单提交后自动发邮件的工作流」，AI 会翻译成：触发方式是 Form Trigger（表单触发器），核心节点是 Email Send（邮件发送），数据流是表单输入 → 数据处理 → 邮件发送。所有配置保存到 JSON（一种结构化数据格式）文件，支持断点恢复（中途中断后从上次停的地方继续）。Step 02：互联网检索。 AI 执行三轮 Brave 搜索，然后用 WebFetch（网页抓取工具）深度抓取高价值原文，接着调用 n8n-mcp 的节点搜索和模板搜索工具，交叉验证。为什么要搜索互联网？因为 n8n 的生态在快速迭代。目前已经有 8462 个社区模板。本地知识库再全，也赶不上互联网的更新速度。而且如果社区已经有高度匹配的模板，AI 会推荐「使用模板」的快速路径，直接跳到凭据配置，省掉中间的设计和构建环节。Step 03：方案讨论。 AI 把检索结果整理成方案摘要，展示给你确认。这是整个流水线中唯一需要你介入的步骤。★📝 记住这个Step 03 是整个流水线的「关卡」。确认之前，一切都可以调整。确认之后，AI 全速推进。Step 04：知识库查询。 根据确认的方案，AI 从本地知识库中提取需要的节点配置、架构模式和代码模板。知识分三层：第一层是节点目录（540 多个节点的快速索引），第二层通过 MCP（模型上下文协议）工具获取完整属性定义，第三层是深度参考文档。三层架构做到了按需加载——只读当前步骤需要的信息，不浪费 token（AI 的计量单位）。到这里，准备工作完成了。AI 已经知道你要什么、搜过了互联网、确认了方案、查好了知识库。接下来，它要开始真正动手了。执行阶段：从蓝图到可运行工作流（Step 05-08）Step 05：架构设计。 输出一份完整的设计稿 design.md，包括节点清单、连接关系、表达式定义和 Code（代码）节点逻辑。这份文档是工作流的「蓝图」——先设计再构建，设计阶段发现问题的修复成本远低于部署后。Step 06：工作流构建。 AI 根据设计稿，调用 n8n API 在你的 n8n 实例上创建工作流。如果用到了社区节点，还会通过 REST API（一种标准网络接口）检查安装状态，未安装则自动安装。Step 07：凭据配置。 凭据就是「通行证」——你的工作流要访问 Gmail、Slack、数据库这些外部服务，就需要出示对应的通行证。AI 通过 REST API 扫描节点、识别需求、查询已有凭据、创建缺失凭据、绑定到对应节点。Step 08：验证修复。 这是整个 Skill 中最硬核的步骤（379 行指令文件）。AI 调用验证工具检查工作流。如果有错误，进入修复循环：第 1 轮尝试内部修复；第 1.5 轮社区节点诊断；第 2 轮起触发互联网搜索；第 3.5 轮用测试数据实际跑一遍。最多 10 轮。如果还修不好，输出终止报告和可行替代方案。手动调试 n8n 工作流的错误，是大多数人放弃的原因。这个验证修复循环就是为了接住这个痛点。★🔬 底层原理验证修复循环的本质是：快速失败，然后让 AI 替你兜底。 每一轮修复都会重新验证，确保修一个错不会引入新的错。10 轮上限是为了防止无限循环——有些错误确实是系统级的，AI 也修不了。你有没有过这种经历——手动 debug（调试）一个 n8n 工作流，改了三小时发现是凭据没绑？我第一次看到 AI 自己修好了一个连我都没发现的 bug 时，愣了三秒。那一刻的感觉很奇妙：你不是在用工具，你是在跟一个搭档协作。 它不只是执行命令，它在理解你的意图，然后用你想不到的方式解决问题。这就是为什么我说这不只是一个自动化工具。交付阶段：从可运行到可信赖（Step 09-10）Step 09：部署激活。 AI 激活工作流，然后执行运行时验证——确认工作流在跑，触发器在监听。如果是 Form 类型的工作流，还会获取 Form 的访问 URL。★🎉 里程碑走到这一步，你的工作流已经在 n8n 上跑起来了。从一句话描述到一个活跃的自动化流程，全程不需要手动拖拽一个节点。如果你之前花过两小时搭一个跑不通的工作流——现在你知道那两小时可以省下来了。Step 10：输出导出。 AI 获取完整的工作流 JSON，保存到本地，同时生成部署报告。「双输出」设计：既部署到 n8n 实例（线上可用），又导出 JSON 到本地（离线备份）。两条腿走路，任何一条出问题都有兜底。10 步流水线：从一句话到部署上线实战案例：一句话生成 Gemini 图片生成器光讲框架太抽象。看一个真实案例——我用这套系统搭了一个「Gemini AI 图片生成器」工作流。需求描述（我说的那句话）：「帮我做一个 n8n 工作流，用户通过表单输入图片主题、选择风格和语言，调用 Gemini API 生成图片，然后把图片直接展示在表单页面上。」就这一句话。AI 干了什么？Step 01-03：AI 问我几个问题确认需求后，搜索了 Gemini 2.0 Flash 的图片生成 API 文档，确认了 generateContent 接口支持 IMAGE 模态输出。Step 05 架构设计：AI 输出了一条 6 节点的链条式结构——数据从左到右依次流过每个节点：Form Trigger → Build Request → Gemini API → Extract Image → Format Output → Show Result这里面有几个手动搭建最容易踩坑的细节：表单配置：3 个输入字段（主题、风格、语言），结果直接回显到表单页面——这个配置手动搞很容易出错API 调用：一段 JavaScript 把中文风格名翻译成英文提示词（prompt），再拼成 Gemini 能理解的请求格式图片渲染：把 AI 返回的图片数据直接渲染成带圆角阴影的卡片，内嵌到表单结果页Step 06-08：AI 创建工作流、绑定 Gemini API 凭据——但第一轮验证没通过。Gemini 2.0 Flash 的图片生成接口比较新，AI 在 Build Request 节点的请求体格式上踩了坑。但这正是 agent（AI 智能体）的优势：它不会卡住等你来救——它自动检索了 Gemini API 最新文档，修正了 generationConfig 的参数结构，第二轮验证通过。这次调试 AI 自己闭环了：发现错误 → 搜索网络 → 修正代码 → 重新验证。但不是每次都这么顺——遇到业务逻辑相关的报错，你还是得看一眼 AI 的修复方向对不对，必要时给它纠偏。最终结果：6 个节点，3 个 Code 节点（含约 50 行 JavaScript），1 个 HTTP Request，完整的表单交互——从用户填写到图片展示，全流程闭环。工作流 JSON 总计 247 行。如果手动搭这个工作流，你需要做什么？查 Gemini 2.0 Flash API 文档，搞清楚怎么请求图片生成（responseModalities: ['TEXT', 'IMAGE']）写 Form Trigger 的 formFields 配置（dropdown 选项的 JSON 格式很容易写错）写 3 个 Code 节点的 JavaScript（风格映射、响应解析、HTML 渲染）配置 HTTP Request 的 Header Auth 和请求体表达式调试 Form 的 responseMode 和 webhookId 分配测试整个链路，确保 base64 图片能正确渲染保守估计 1-2 小时。AI 用了不到 10 分钟。这就是「生成」和「跑通」的区别。 不只是拼节点——是把 API 文档、表达式语法、Code 节点编程、凭据绑定、Form 交互这些零散知识点，全部串成一个能跑的完整系统。实战：一句话生成 Gemini 图片生成器底层设计与迁移场景看完 10 步拆解，你可能会觉得：这不就是把一个任务拆成 10 个小任务吗？不完全是。关键在几个设计决策。为什么是 10 步？ 最初的版本只有 5 步（需求 → 设计 → 构建 → 验证 → 部署）。但实践中发现，「设计」这一步太重了——它既要搜索互联网、又要查知识库、还要跟用户确认方案。拆开后，每一步的职责更单一，AI 的执行质量更高。反过来，20 步也不好。步骤太多会增加进度管理的复杂度。10 步不是因为复杂，是因为每一步都只干一件事。为什么先搜索互联网再查本地知识库？ 互联网搜索能发现最新的节点和模板，本地知识库提供深度的配置细节。先广后深，先发现后精研。如果反过来，你可能会基于过时的知识做设计，错过更好的方案。为什么验证和修复放在一起？ 「验证 → 发现错误 → 修复 → 重新验证」是一个天然的循环。修复策略本身是分层递进的：先用本地知识修，修不好再搜互联网，再修不好就检查凭据，最后实在不行输出报告。这种层层升级的逻辑，放在一个步骤里管理最自然。说到底，这套系统解决的是一个根本问题：你的时间花在哪里？有些人愿意花两小时手动拖节点，觉得「亲手搭的才放心」。但我们这类人不一样。我们相信：重复劳动是 bug（缺陷），不是 feature（特性）。 能让机器干的事，绝不浪费人脑。这不是懒，这是对时间的尊重。而且这套 10 步流水线的设计模式不局限于 n8n。你可以把它迁移到任何「需要多步骤构建复杂产物」的场景：Cloudflare Workers（边缘计算服务）部署：需求获取 → 架构设计 → 代码生成 → 部署 → 验证数据库迁移：需求分析 → 影响评估 → 迁移脚本生成 → 验证 → 执行CI/CD（持续集成/持续部署）流水线搭建：需求获取 → 工具选型 → 配置生成 → 验证 → 部署核心模式都一样：需求 → 研究 → 设计 → 构建 → 验证 → 部署。往更深一层看，这里发生了一个范式转换。传统编程是：人写代码 → 机器执行。Skill 编程是：人写规则 → AI 写代码 → 机器执行。多了一层抽象，但这一层抽象让你从「怎么做」的细节中解放出来，只需要关注「做什么」和「做得对不对」。这不是效率提升——这是编程方式的代际变化。底层设计：每一步只干一件事跟 n8n 官方 AI Builder 对比维度官方 AI Builder这套 Skill生成工作流✅✅自动验证修复❌✅ 最多 10 轮凭据管理❌✅ 自动扫描绑定社区节点❌✅ 自动安装知识沉淀❌✅ 持续积累可定制性黑盒白盒，每步可改断点恢复❌✅费用n8n 付费功能免费（需 Claude Code）常见卡点和解决思路如果你准备自己复刻这套系统，这里是几个最容易踩的坑：社区节点安装失败。症状是构建工作流时报 "Unknown node type"（未知节点类型）。原因是社区节点未安装。解决方案：在构建完成后，通过 REST API 检查安装状态，未安装的节点通过 POST /community-packages 安装。表达式语法错误。n8n 的表达式有两种引用方式：dot notation（点号写法，如 $json.field）和 bracket notation（方括号写法，如 $json['field']）。当字段名包含空格或特殊字符时，必须用 bracket notation。typeVersion（节点版本号）不匹配。n8n 节点的不同版本配置格式可能完全不同。比如 Form Trigger v2.2 和 v2.3 的配置差异很大。AI 必须使用精确的版本号。凭据绑定遗漏。工作流能通过验证但运行时报认证错误。原因是凭据没有正确绑定到节点。10 轮验证还修不好怎么办？这种情况确实存在，通常是系统级问题（比如 n8n 版本不兼容、API 服务商变更了接口）。Skill 会输出一份终止报告，说明错误原因和可行的替代方案，你可以据此手动处理。说句实话。 这套系统不是万能的。它擅长的是「结构清晰、节点成熟、API 文档完善」的工作流——覆盖了大多数常见场景。但有些情况它确实搞不定：涉及未公开 API 或私有协议的集成需要复杂业务逻辑判断的分支编排（AI 能搭结构，但业务规则得你来定）n8n 社区节点本身有 bug 的情况这些场景下，你仍然需要介入——审查 AI 的输出、调整业务逻辑、处理边缘情况。AI 是搭档，不是替身。期望它解决 100% 的问题，反而会让你在那 10% 的例外面前措手不及。常见卡点：社区节点、表达式、凭据说了这么多局限，是不是有点劝退？别急。上面说的是极端情况。绝大多数常见工作流——表单收集、数据同步、通知推送、AI 处理——这套系统都能搞定。不信？试一次就知道了。3 步快速体验不想看完整提示词？先试试最小版本：安装 Claude Code（如果还没装）在终端输入：claude告诉它：「帮我在 n8n 上创建一个收到表单后发邮件的工作流」是的，就这一句话。Claude Code 会自动搜索 n8n 节点、设计架构、创建工作流。想要完整的 10 步全自动系统？下面是超级提示词 👇🚀 一键复刻★👇 下面这段是给 Claude Code 的完整指令（约 800 字）。 如果你不是程序员，可以跳过直接看文末总结。 如果你要动手复刻，复制这整段发给 Claude Code 就行。复制这段提示词给 Claude Code，从零复刻完整系统：「你是高级自动化架构师。请从零搭建一个 n8n 工作流全自动构建系统（Claude Code Skill），实现以下完整功能：系统定位：10 步端到端流水线，从用户一句话需求到 n8n 实例上的活跃工作流，全程自动化。目录结构：skill.md：主入口，声明触发条件、执行规范、10 步总览、MCP 工具声明、参考资料索引workflow/：10 个步骤指令文件step01-requirements.md：需求获取，6 问题集 + keyword 标准化 + runs 目录初始化step02-research.md：互联网检索，brave 3 轮搜索 + WebFetch 深度抓取 + search_nodes 交叉验证 + search_templates 3 轮 + 模板 diffstep03-discuss.md：方案讨论，展示 research.md 摘要 + 用户 3 轮调整 + confirmed_plan 锁定 + 模板快速路径step04-knowledge.md：知识库查询，三层知识架构（Layer 1 节点目录 + Layer 2 MCP get_node + Layer 3 深度文档）step05-design.md：架构设计，输出 design.md（节点清单 + topology + 表达式 + Code 逻辑 + formFields）step06-build.md：工作流构建，n8n_create_workflow + 社区节点 REST API 安装检查 + typeVersion 信任链 + formTrigger 特殊处理step07-credentials.md：凭据配置，REST API 扫描/查询/创建/绑定step08-validate.md：验证修复，最多 10 轮循环（内部修复 → 社区节点诊断 → 互联网搜索 → 动态验证 → 终止报告）step09-deploy.md：部署激活，activate + 运行时验证 + Form URL 获取step10-output.md：输出导出，JSON 备份 + 部署报告reference/：知识库tools/：MCP 工具使用指南（4 文件）patterns/：7 种核心架构模式 + 编排模式（8 文件）code/javascript/：Code 节点 JS 编程（6 文件）code/python/：Code 节点 Python 编程（5 文件）rules/：验证规则 + 错误目录 + 误报处理（4 文件）specs/：节点配置 + 表达式语法（8 文件）credentials/：n8n 连接凭据模板docs/：项目文档（setup.md + 社区节点管理）runs/：每次执行的独立运行目录核心约束：先读后做：执行 Step N 前必读对应指令文件不跳步骤：严格 1-10 顺序执行互联网检索串行调用，间隔 ≥2 秒方案必须用户确认后才能继续凭据操作用 REST API（MCP 不支持）验证最多 10 轮，超出输出终止报告双输出：部署到 n8n + 导出 JSON 到本地每步完成后更新 progress.json 支持断点恢复依赖：n8n-mcp MCP Server（19 个工具：节点发现、模板管理、工作流 CRUD、验证执行、版本管理）请完整实现每个步骤的指令文件，包含详细的执行逻辑、输入输出定义、验证条件和错误处理。reference/ 目录下的知识文件需要包含 n8n 节点配置的核心规则、表达式语法规范、常见错误目录和修复策略。」回顾一下这篇文章的核心：Skill 是代码杠杆——写一次复用无限次，还能分享10 步流水线是可迁移的模式——不止 n8n，任何复杂构建都能套验证修复才是护城河——生成容易，跑通才难如果你也是那种「不愿在重复劳动上浪费一秒钟」的人——这篇文章里的每一行，都是写给你的。我们这群人有个共同点：不满足于用工具，而是要驯服工具。★你不需要学会搭 n8n 工作流——你需要学会教 AI 搭。🎓 想系统学习 AI 编程工作流？这套 10 步 n8n 全自动构建流水线只是「自动化工作流」模块的一个实战项目。在课程中，你还会学到微信公众号批量运营、小红书内容创作、视频剪辑、SEO 优化等各类实战项目。欢迎加入翔宇工作流：AI 编程实操课。👉 点击左下角「阅读原文」加入课程