在開發 AI Workflow 時，最常見的架構問題就是過度依賴 AI。

想像一下，當系統收到一個網址時，如果有人問 AI：「請問這個網址是 YouTube 影片，還是普通的 PDF 檔案？」
如果連這種明確的邏輯都交給 AI 處理，會帶來三個缺點：

• 浪費成本：每一次呼叫都要消耗 Token。
• 拖慢速度：LLM 的 API Latency 通常是以秒為單位起跳的，而傳統的 If-Else 判斷只需要幾毫秒。
• 不可預期性：AI 是機率模型，它今天回答你是 YouTube，但他也可能會有非常低的機率回答你其他的答案，造成 Workflow 崩潰。

問題來了：在一套 AI 自動化系統中，我們該如何劃分「Rule-Based」與「AI-Based」的邊界？

明確規則跟語意理解兩者的核心差異，在於面對的問題是否具有 Deterministic

適合傳統規則（Rule-Based）的工作
只要事情具備「明確規則、可驗證、可重現、不需要語意理解」這四個特性，就應該用傳統程式碼或 n8n 裡面的基本節點來解決。

• 判斷檔案類型：e.g. MIME type == application/pdf
• 判斷 API 請求結果
• 判斷資料來源：e.g. URL contains youtube.com

這些工作交給傳統邏輯，不僅速度快、零成本，而且 100% 穩定。

適合 AI 的工作
當事情涉及「模糊語意、主觀判斷、內容生成與萃取」時，才是 AI 該上場的時刻。

• 文章主題分類
• 核心觀念抽取
• 技術名詞解釋與長文摘要

在我們的系統中，這兩種決策機制會交錯出現。通常，我們會先用 Rule-based 作為第一道閘門，把資料整理好後，再交給 AI 進行深入處理。

在接下來實作 n8n 時，我們會大量運用這種混合式的設計思維。把流程控制、條件分流、Retry 交給 Deterministic 的軟體邏輯（FastAPI 與 n8n 內建功能）；而將摘要、情感分析、內容分類等工作，精準地送給 AI。