n8n + Dify 企业 AI 自动化实战

为什么要两个工具一起用

一句话：Dify 负责把 AI 能力做成稳定可调用的服务，n8n 负责把这些服务接进真实业务流程。

Dify 是一个 AI 应用搭建平台——在它里面编排 LLM 调用、RAG 检索、知识库问答、提示词模板，做成一个可以通过 API 调用的 AI 服务。n8n 是一个业务流程自动化引擎——它把 CRM、邮件、IM、数据库、表单、审批流串起来，支持在中间插入 AI 节点。

只用 Dify？AI 能力做好了但没法自动接进业务系统。只用 n8n 的内置 AI 节点？灵活性和知识库能力不如 Dify。两者结合：Dify 出能力，n8n 出流程。

Dify 侧的实操

搭建一个知识库问答服务（以内部 FAQ 为例）

1. 在 Dify 后台点"创建应用"，选 Chatbot 类型（如果要更灵活的控制选 Workflow）
2. 进入"知识库"模块，点"创建知识库"，上传文档——PDF、Markdown、TXT 都行，也可以直接同步 Notion 页面
3. 关键步骤——分段设置：默认的自动分段在中文长文档上经常切割不准。建议进 Settings，把 Chunk Size 调到 500-800 token，Overlap 设 50-100。如果你的文档结构清晰（有明确标题），选按段落分段会更好
4. 上传后点"Go to Document"检查分段结果，有明显断裂的手动调整
5. 回到 Chatbot 或 Workflow 编辑器，拖一个 Knowledge Retrieval 节点连上 LLM 节点
6. 配置提示词模板，核心是告诉 LLM："基于以下检索到的内容回答用户问题，如果内容中没有相关信息，直接说不知道"
7. 发布后在"访问 API"页面拿到 endpoint 和 API key

踩过的坑

• 分段是最影响效果的环节。知识库问答效果差，80% 的原因是分段不好。建议先用几个真实问题测试召回的是哪些分段，再决定要不要调整。
• RAG 召回率和文档质量强相关。原始文档写得含糊，AI 也找不到有用信息。上传前先人工过一遍文档质量。
• Workflow 编辑器偶尔有保存问题。复杂流程建议每加 2-3 个节点就手动保存一次，别等全做完再保存。
• 模型选择影响成本和延迟。知识库问答场景用 GPT-4o-mini 或 Claude 3.5 Haiku 性价比更高，不需要上最贵的模型。

n8n 侧的实操

把 Dify 的 AI 能力接入业务流程

1. 在 n8n 创建新 Workflow
2. 设置触发器：取决于你的业务入口——Webhook（网站表单提交触发）、Schedule Trigger（定时触发）、Email Trigger（收到邮件触发）、或者各种 IM 的消息触发
3. 加一个 HTTP Request 节点：Method 设 POST，URL 填 Dify 的 API endpoint，Headers 里加 Authorization: Bearer <你的 API key>，Body 里传用户的问题。Content-Type 记得设 application/json
4. 处理返回结果：Dify 返回的 JSON 里取出 AI 的回答
5. 加下游节点：发飞书消息、回复邮件、写入 Google Sheets、更新 CRM 记录——看你的业务需要

一个完整的例子：客服辅助回复

网站表单提交 → Webhook 接收
  → HTTP Request 调 Dify 知识库问答
  → IF 节点判断：AI 回复的置信度 > 0.8？
    → 是：自动发送回复邮件给客户
    → 否：发飞书消息通知人工客服处理
  → 无论哪条路径，都写一条记录到 Google Sheets 做追踪

关键配置

• Error Trigger 必须配：在 Workflow Settings 里开启 Error Workflow，指向一个错误处理流程（至少发一条告警消息）。否则节点失败会被静默吞掉，上线后你都不知道出了问题。
• IF 判断不能省：涉及客户交互的流程，AI 输出必须过一道校验。哪怕只是判断回复长度是否合理、有没有包含敏感词。
• human-in-the-loop：n8n 支持在流程中间加 Wait 节点，暂停执行等待人工确认。审批、对外发送通知、涉及金额操作的场景建议加上。
• 重试机制：HTTP Request 节点设置 Retry on Fail，设 2-3 次重试，间隔 5-10 秒。Dify 的 API 偶尔有超时，加重试能明显减少失败率。

落地顺序

第一阶段：内部试点（1-2 周）

从风险最低的场景开始：

• 内部知识库问答（员工问 HR 政策、产品文档查询）
• 简单的内容分类和标签
• 日报/周报的自动汇总和分发

这些场景的特点：结果容易验证、出错影响可控、业务方容易感知到价值。先在这个范围里跑通 Dify + n8n 的完整链路。

第二阶段：接外部触点（2-4 周）

内部跑稳后再接客户相关的流程：

• 客服辅助回复（必须保留人工确认）
• 线索分类和分发
• 评论/反馈的自动整理

这阶段人工确认节点不能省。出一次错给客户发了离谱回复，比节省的人力成本贵得多。

第三阶段：多系统协同

多个 Dify 应用 + 多条 n8n 流程串联，数据在系统之间流转。这阶段对监控、日志和错误处理的要求会高很多，建议同步搭建 n8n 的执行日志看板。

最容易犯的错

错 1：一开始就追求全自动

很多团队第一天就想把客服、审批、知识库、通知、报表全串起来。结果每个节点都不稳，联合起来更不稳。先做一个场景做到 90 分再扩展。

错 2：AI 输出不做质量校验

AI 回复不是 100% 可靠的。n8n 流程里必须加校验——至少要有关键词过滤、长度检查和异常兜底。把 AI 输出不经校验就发给客户是在挖坑。

错 3：Dify 和 n8n 职责分不清

如果你在 Dify 里也搭业务逻辑，在 n8n 里也做 AI 编排，最后会很混乱。干净的分工：Dify 只管 AI 能力（模型、知识库、提示词），n8n 只管流程（触发、判断、分发、集成）。两者通过 API 通信，各管各的。

错 4：不看执行日志

n8n 每次执行都有详细日志，包括每个节点的输入输出。上线后至少每天看一遍执行记录，早期很多问题在日志里就能发现，不用等到用户投诉。