KeyFrame內部研究專用

【AI工作流】別再手動複製貼上!n8n教學:掌握Loop迴圈技巧,高效處理群發訊息

新北市政府青年局·6月17日週三·6 min中文

三句話摘要

用 N8N 打造一個由 Gmail 觸發、AI 判斷意圖、自動寄送個人化優惠券給 VIP 會員的自動化流程。 在 N8N 中用「排程輪詢 + AI 雙條件判斷 + 逐封加延遲發送」三層設計,就能打造一個安全、個人化且可商業變現的 Gmail 自動化行銷流程。 Gmail 是被動資料源,只能輪詢不能即時觸發:N8N 與 Gmail 的整合方式是定時拉取,而非像 Webhook 那樣由事件主動推送,這決定了觸發節點必須用「排程」而非「事件監聽」。

重點整理

重點
  • 1

    Gmail 是被動資料源,只能輪詢不能即時觸發:N8N 與 Gmail 的整合方式是定時拉取,而非像 Webhook 那樣由事件主動推送,這決定了觸發節點必須用「排程」而非「事件監聽」。

  • 2

    用 AI 取代關鍵字比對,但需設計安全防護:純靠「優惠券」三個字觸發太危險,因為外部信件也可能包含此詞;加入「小宝」作為內部暗號,讓 AI 同時判斷兩個條件,大幅降低誤觸發風險。

  • 3

    if 節點做雙層過濾,確保只寄給目標受眾:第一層過濾 AI 回傳是否為 yes,第二層從 Google Sheet 的 29 筆資料中篩出 LV 為 VIP 的 20 筆,業務邏輯與觸發邏輯分離。

  • 4

    逐封發送加入 wait 節點,模擬人工行為:使用迴圈讓每個 run 只處理一封信,並在每封之間插入 5–10 秒等待,防止 Gmail 偵測到批量行為。

實用技巧與重點

乾貨
  • 觸發方式:排程節點,每 1 分鐘輪詢一次 Gmail
  • AI Prompt 判斷條件:信件須同時包含關鍵字「小宝」且提及寄優惠券,才回傳 yes
  • 資料來源:Google Sheet,共 29 筆會員資料
  • 過濾條件:LV 欄位 = VIP,符合者 20 筆
  • 優惠券金額:500 元
  • 安全發信間隔:每封之間等待 5–10 秒
  • 工具清單:N8N、Gmail、Google Sheet、AI 節點(內建)、HTTP Request 節點、Wait 節點、If 節點
  • 個人化方式:AI 生成信件內文,動態插入收件人姓名(以 Google Sheet 欄位填入)

結論

結論

在 N8N 中用「排程輪詢 + AI 雙條件判斷 + 逐封加延遲發送」三層設計,就能打造一個安全、個人化且可商業變現的 Gmail 自動化行銷流程。

完整解析

詳細

這支影片示範的是一個完整的 N8N 自動化行銷流程:講者只要寄一封信給自己說「想寄優惠券給會員」,整個系統就會自動判斷意圖、篩選名單、產生個人化信件並分批寄出。

第一個技術門檻在觸發機制。N8N 與 Gmail 的整合架構是「被動拉取」而非「主動推送」,這和 Webhook 型的觸發器(例如 Typeform 填表後自動送資料到 N8N)本質不同。Gmail 不會主動通知 N8N 有新信,因此唯一的做法是讓排程節點每隔一段時間(這裡設定每分鐘)主動去 Gmail 拿最新信件。這個限制聽起來微不足道,卻影響整個流程的架構方向。

拿到信件之後,下一步是意圖判斷。傳統做法是用關鍵字比對(如「優惠券」),但這太容易被外部信件觸發,存在安全風險。講者的解法是引入 AI 節點,並在 Prompt 裡設計雙重條件:信件必須同時包含內部暗號「小宝」以及寄優惠券的意圖,AI 才回傳 yes。這樣即便有外部信件提到優惠券,只要沒有暗號就不會觸發,大幅降低誤操作的可能。AI 的輸出只有 yes 或 no,接著由 if 節點決定流程是否繼續往下走。

確認意圖後,流程進入名單篩選階段。系統從 Google Sheet 讀入 29 筆會員資料,再用 if 節點過濾出 LV 欄位標記為 VIP 的 20 筆,其餘 basic 等級的會員不在本次發送範圍內。接著進入迴圈,每個 run 只處理一筆資料、寄出一封信,信件內容由 AI 動態填入該會員的姓名,使每封信看起來像是人工撰寫的個人化問候,而非罐頭訊息。為了進一步規避 Gmail 的批量發信偵測,每封信之間插入一個 wait 節點,設定 5 到 10 秒的間隔,模擬人工逐封發送的行為節奏。

最終效果是:講者寄出一封帶有暗號的指令信後,20 位 VIP 會員各自收到一封寫著自己名字、附上 500 元優惠券的個人化信件,全程無需人工介入。講者也預告 wait 節點其實有更多進階用法,將在下一節課完整介紹。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。