前言
在 Day 13 中，我們探討了如何用 Python + AI 進行數據處理。然而在日常工作中，許多重複性任務（例如：收到 Email 後自動擷取發票資訊、將 Webhook 資料寫入 Notion，或是定時摘要 Discord/Slack 討論）並不一定需要寫繁重的程式碼來維護。

今天我們要來聊聊現代 IT 與生產力工程師的利器——No-Code / Low-Code 自動化工作流平台（如 n8n 與 Make），以及如何將 AI (LLM API) 無縫嵌入這些節點中，打造「會思考」的自動化管道！

一、傳統自動化 vs. AI 驅動自動化
傳統的自動化工具（如 Zapier, Make, n8n）主要依賴嚴格的規則控制（如 IF/THEN 條件式）。一旦輸入資料的格式稍有變動，流程就容易斷掉。

加入 AI 節點後的自動化工作流具備以下優勢：

非結構化資料處理（Unstructured Data Processing）： 能夠直接閱讀非結構化的 Email 內文、PDF 檔案或語音逐字稿。

容錯力與彈性（Resilience）： 不需要針對每種可能寫死 RegExp 規則，讓 AI 幫你提取 JSON 結構。

智慧決策（Smart Routing）： 讓 AI 根據內容意圖自動分類工單，並派送至不同的對應管道。

二、主流工具選型：n8n vs. Make
特性 n8n Make (Integromat)
部署方式 支援 Self-hosted (Docker) 免費私有化部署 / 雲端版 全雲端 SaaS
資料隱私 極高（私有部署資料不經過第三方伺服器） 中（資料處理經由 Make 雲端）
客製化能力 支援原生 JavaScript / Python 節點 支援自訂 HTTP Request / Functions
費用 社群版免費，不受執行次數限制 按 Task 數量按月計費
建議選用： 如果重視企業數據隱私與低成本擴充，強烈推薦使用 n8n 進行自建（Self-host）；如果追求開箱即用與極致的美觀介面，可以使用 Make。

三、實戰範例：用 n8n 打造「智慧 Email 附件發票自動記帳流程」
假設我們希望每天收到供應商的電子發票郵件時，系統能自動讀取內容並寫入 Google Sheets / Notion：

流程圖（Workflow Architecture）：
[ Gmail 收到郵件 ]
│
▼
[ 擷取郵件內文 / PDF 附件 ]
│
▼
[ OpenAI / Gemini 節點 (Structured Output) ]
│ └─ Prompt: 提取「廠商名稱」、「總金額」、「日期」、「品項列表」
▼
[ Google Sheets 節點 (Append Row) ]
│
▼
[ Slack / Telegram 節點 (發送通知: 「發票已自動入庫！」) ]
💡 關鍵節點 Prompt 設定 (System Prompt)：
「你是一個專業的財務數據提取助手。請分析傳入的郵件內文，提取以下欄位並以 JSON 格式輸出：

vendor_name (字串)

total_amount (數字)

date (YYYY-MM-DD 格式)

category (從以下選擇：[伺服器費用, 軟體訂閱, 辦公用品, 其他])」

透過 n8n 內建的 JSON Schema / Structured Output 功能，AI 輸出的 JSON 資料會自動轉為 Workflow 中的變數，直接串接後續的 Google Sheets 節點！

四、工作流設計的最佳實踐 (Best Practices)
設定 Error Handling (錯誤處理機制)： 當 AI API 響應超時或格式提取失敗時，設定 Fallback 分支（例如發送通知給人工回覆），避免流程卡死。

控制 Token 成本： 在將文本送入 AI 節點前，先用 HTML/Text Extract 節點過濾掉無關的 HTML Tag 或 Email 簽名檔。

環境變數管理： 將 API Key 統一存放在平台內建的 Credentials 管理庫中，切勿以明文形式寫在 Node 參數中。

結語
將 No-Code 自動化工具與 AI API 結合，就像為你的工作流裝上了「眼睛與大腦」。原本需要撰寫數百行爬蟲與 API 串接程式碼的工作，現在可以在 20 分鐘內拉出一個穩健的自動化系統！

明天（Day 15），我們將來到第三週的中場：「AI 輔助寫作與視覺化：如何在技術文件中加入高品質架構圖與圖像」，我們明天見！