終於來到 Day 30。
30 天前決定挑戰「AI 自動化」這個主題時，其實我對自動化的理解還很簡單。
一開始想到 AI，大概就是：
打開 ChatGPT → 輸入問題 → AI 回答
但經過這 30 天，我才慢慢發現：
AI 自動化真正有趣的地方，不只是讓 AI 回答問題，而是讓 AI 成為整個工作流程的一部分。
從最簡單的 Prompt，到 n8n、Webhook、API，再一路做到最後的 AI Agent。
今天不再增加新的 Node，也不再做新的功能。
最後一天，就來回頭整理這 30 天到底做了什麼。
最前面的幾天，我還沒有直接進入 n8n。
而是先從自己最熟悉的 ChatGPT 開始。
當時第一個問題就是：
AI 自動化到底是什麼？
慢慢理解之後，我把它想成：
輸入資料
↓
AI 處理
↓
判斷
↓
執行下一個動作
↓
產生結果
以前使用 ChatGPT：
我 → AI → 回答
但 AI 自動化更像：
資料
↓
Workflow
↓
AI
↓
其他系統
↓
自動完成工作
這個差別也成為後面 30 天最重要的基礎。
Day 1～Day 4 還沒有複雜的 Workflow。
主要是在理解：
AI 自動化
Prompt
Role
Task
Context
Format
以前問 AI 很常只輸入：
「幫我介紹 AI。」
後來開始知道，如果希望 AI 的輸出可以穩定地交給下一個系統使用，就不能每次都讓它自由發揮。
例如：
你是一個文字分類器。
請將內容分類成：
urgent
question
suggestion
只能回答其中一個單字，
不要加入其他文字。
到了後面才發現：
Prompt 不只是影響 AI 回答好不好看，也會直接影響 Workflow 能不能正常執行。
Day 5 開始正式認識 n8n。
第一次看到 n8n 畫面時，其實很多東西都不太熟。
像是：
Workflow 是什麼？
Node 是什麼？
Trigger 又是什麼？
Day 6 做出的第一個 Workflow 非常簡單：
Manual Trigger
↓
建立測試資料
↓
Output
現在回頭看真的很簡單。
但也是從這裡開始理解：
資料會從一個 Node 傳到下一個 Node。
接著學到：
Schedule Trigger
Webhook
Manual Trigger 是：
我按 Execute
↓
Workflow 開始
Schedule Trigger 則是：
時間到了
↓
Workflow 開始
Webhook：
外部資料進來
↓
Workflow 開始
這時候才開始真正感受到：
自動化的第一步，就是不要每次都需要自己按按鈕。
前面操作 n8n 時，一直看到：
{
"name": "Student",
"subject": "AI Automation",
"status": "Learning"
}
後來才真正認識 JSON。
JSON 幾乎一路陪我做到 Day 30。
例如：
{
"sessionId": "day30-demo",
"message": "請介紹 AI 自動化"
}
Webhook 用 JSON。
API 回傳 JSON。
AI 的 Structured Output 也可以使用 JSON。
Node 之間的資料也一直在傳遞類似的結構。
所以現在回頭看，Day 8 學 JSON 算是一個非常重要的轉折點。
接著終於開始把 AI 接進 n8n。
最初只是：
輸入文字
↓
AI
↓
產生摘要
後來再慢慢增加：
Webhook
↓
AI
↓
Google Sheets
這時候第一次有：
「AI 不只是在聊天，而是真的開始參與自動化流程。」
的感覺。
例如使用者傳進一段文字：
今天開始學習如何使用 n8n 建立 AI 自動化。
AI 自動摘要，再把結果寫入 Google Sheets。
整個過程已經不用自己一直複製貼上。
接著加入：
IF Node
Switch Node
一開始是自己傳入：
status = urgent
然後 IF 判斷：
urgent？
↙ ↘
是 否
↓ ↓
Email Sheets
後來再把判斷工作交給 AI：
使用者文字
↓
AI 分類
↓
urgent / question / suggestion
↓
Switch
↓
不同路線
這裡讓我第一次看到：
AI 負責理解自然語言，Workflow 負責執行明確規則。
我覺得這個組合比全部都交給 AI 更容易控制。
Day 17 把前面的內容組起來，做出：
AI 客服訊息自動分類系統
流程：
使用者訊息
↓
Webhook
↓
AI
↓
分類 + 摘要
↓
Switch
↙ ↓ ↘
urgent question suggestion
↓ ↓ ↓
Email Sheets Sheets
這也是第一次覺得：
「前面每天學的東西真的開始組起來了。」
Workflow 變複雜之後，也開始一直出錯。
例如：
Expression 寫錯
JSON 路徑找不到
AI 輸出格式不對
Node 沒有拿到預期資料
API Request 失敗
所以 Day 18 開始學習除錯。
後來我覺得最實用的方法其實很簡單：
哪個 Node 出錯？
↓
看 Input
↓
看 Output
↓
確認 JSON
↓
確認 Expression
↓
確認 AI 格式
↓
重新測試
以前看到 Workflow 紅掉會覺得：
「是不是全部都壞了？」
現在比較知道應該：
一個 Node、一個 Node 往下找。
這可能反而是這 30 天最實用的能力之一。
Day 20 開始接觸 HTTP Request 與 API。
這時候 n8n 不再只是處理自己建立的資料，而是可以跟外面的服務溝通。
例如：
n8n
↓
HTTP Request
↓
External API
↓
取得 JSON
↓
AI
接著又學到：
API Key
Token
Authentication
Authorization
Credentials
以前看到 API Key 只知道：
「好像要貼一串東西才能用。」
現在至少知道：
外部服務需要確認 Request 的身分與權限，而不同 API 也會有不同的驗證方式。
Day 23 是這 30 天裡我最期待的一部分：
AI Agent
前面的 AI Workflow 基本上是：
我決定流程
↓
AI 負責其中一個步驟
Agent 則開始變成：
我提供任務
↓
AI Agent
↓
判斷需要什麼 Tool
↓
使用 Tool
↓
完成任務
一開始只加入 Calculator。
後來慢慢加入不同 Tools。
這時候開始理解：
Agent 最重要的地方，不只是「AI 比較聰明」，而是 AI 可以透過 Tool 執行工作。
Day 25 加入 Google Sheets Tool。
以前如果跟 AI 說：
「幫我把資料記錄下來。」
AI 可能只會回答：
「好的，你可以把資料加入 Google Sheets。」
但加入 Tool 之後，目標變成：
使用者要求
↓
Agent 理解
↓
選擇 Google Sheets
↓
真的新增資料
↓
回報結果
這是我覺得 Agent 系列最明顯的一次進步。
因為：
「告訴我怎麼做」和「真的幫我做」是完全不同的事情。
接著加入 Memory。
以前：
我：我的專案叫 AI Automation。
我：我的專案叫什麼？
第二句可能沒有足夠資訊。
加入 Memory 之後，Agent 可以在適當的 Session 設定下利用前面的對話內容。
於是可以：
我：
姓名 Student，
主題 AI Automation，
狀態 Learning。
↓
我：
幫我把剛剛那筆記錄下來。
↓
Memory
↓
Agent
↓
Google Sheets
這讓 Agent 的互動方式開始更接近真正的對話。
Day 27 又把之前的 Webhook 拿回來。
變成：
外部系統
↓
Webhook
↓
AI Agent
↓
Memory + Tools
↓
Response
這時候我才真正理解：
前面學的東西不是一章結束就沒用了。
反而一直被拿回來重新組合。
Webhook 在 Day 10 學過。
到了 Day 27，卻變成 AI Agent 對外的入口。
這也是我覺得 n8n 很有趣的地方。
當 Agent 可以：
呼叫 API
寫 Google Sheets
使用外部 Tool
安全問題就不能忽略。
所以 Day 28 又把 Day 21 的 Authentication 拿回來。
概念變成：
Request
↓
Authentication
↓
驗證成功
↓
Webhook
↓
AI Agent
而不是：
知道網址
↓
就可以使用 Agent
我也開始知道：
API Key、Token、Webhook URL 都不應該隨便公開。
尤其寫鐵人賽文章要放大量截圖，更要注意有沒有把 Credential 一起截進去。
昨天 Day 29 沒有再學新的 Node。
而是把前面所有東西整理成：
External System
↓
Authentication
↓
Webhook
↓
AI Agent
↙ ↓ ↘
Chat Model Memory Tools
↓
Google Sheets
↓
Response
這就是目前完成的：
AI 訊息處理 Agent Prototype
它可以：
接收外部訊息
驗證 Request
使用 AI 理解需求
使用 Memory 保留上下文
根據任務使用 Tool
寫入 Google Sheets
回傳處理結果
如果要用一張圖總結這 30 天，我覺得就是：
Day 1
ChatGPT
↓
輸入問題
↓
取得回答
到：
Day 30
External Request
↓
Authentication
↓
Webhook
↓
AI Agent
↙ ↓ ↘
Model Memory Tools
↓
Google Sheets
↓
Response
30 天前，我比較在意：
「AI 可以回答什麼？」
現在則開始會想：
「AI 可以怎麼跟其他系統一起工作？」
我覺得這就是這次最大的改變。
當然，過程沒有每一天都一次成功。
最常遇到的大概就是：
第一個：JSON 路徑搞錯。
以為資料在：
$json.text
結果實際上可能是在：
$json.body.text
所以後來會先看 Input。
第二個：AI 不按照格式回答。
明明要求：
urgent
結果它回答：
This message should be classified as urgent.
人看得懂，但 Switch 不一定能直接照原本規則使用。
所以才開始學固定輸出、JSON 與 Structured Output 的概念。
第三個：一次接太多 Node。
全部接完才 Execute，出錯之後完全不知道是哪一段。
後來才養成：
接一段 → 測試 → 成功 → 再接下一段
的習慣。
第四個：Credentials 和安全。
一開始只想：
「先讓它跑起來。」
後來才開始注意：
Key 能不能公開？
Webhook 能不能誰都呼叫？
Agent 到底應該有哪些權限？
這些其實跟 Workflow 能不能執行一樣重要。
如果現在再問一次 Day 2 的問題：
「AI 自動化到底是什麼？」
我會回答：
AI 自動化就是把 AI 放進一個可以自動接收資料、處理資訊、做出判斷並與其他系統互動的流程中，減少原本需要人工重複完成的工作。
AI 並不是整個系統。
它比較像 Workflow 裡面負責：
理解
分類
摘要
生成
判斷
的一部分。
而 n8n 則負責把：
Trigger、API、AI、資料、Tool、Email、Google Sheets
全部串起來。
做到最後，我反而不會覺得：
「以後全部都用 Agent 就好了。」
例如非常固定的流程：
status = urgent
↓
寄 Email
用 IF Node 可能反而更直接。
但如果任務是：
「幫我判斷現在需要查資料、計算，還是記錄資料。」
Agent 才比較有發揮空間。
所以我目前最大的理解是：
不是所有地方都需要 AI，也不是所有地方都需要 Agent。
固定規則就交給 Workflow。
需要理解自然語言或比較有彈性的任務，再考慮 AI。
這樣反而比較合理。
30 天結束不代表這個專案已經完成。
現在做出的還是 Prototype。
如果繼續發展，我最想加入的是：
更完整的網頁聊天介面
更好的錯誤處理
資料庫
更多 API
更可靠的 Memory
Agent 權限管理
使用者登入
執行紀錄與成本監控
甚至可以把現在：
Webhook → Agent
真正接到自己的網站。
變成：
Web Frontend
↓
API
↓
n8n
↓
AI Agent
↓
Tools
↓
Database
那就不只是 n8n 裡面的 Demo，而會更接近真正可以使用的 AI 應用。
一開始選「AI 自動化」當 30 天主題時，其實不知道最後能做到哪裡。
最前面只是從：
ChatGPT、Prompt、Workflow
開始。
後來慢慢碰到：
JSON
n8n
Trigger
Webhook
Google Sheets
IF
Switch
API
Authentication
AI Agent
Tools
Memory
這些東西單獨看的時候，好像都是不同的技術。
但做到最後才發現，它們其實可以全部串在一起。
這 30 天最大的收穫，不是記住每一個 Node 在哪裡。
而是開始建立一個概念：
當我遇到一個重複性的工作時，我可以先把它拆成步驟，再思考哪些步驟適合自動化、哪些地方需要 AI，以及不同系統之間要怎麼交換資料。
我覺得這才是這次挑戰真正學到的東西。
從第一天的：
「AI 自動化到底是什麼？」
到最後一天：
自己完成一個 Webhook + AI Agent + Memory + Tools 的自動化 Prototype。
中間當然有很多地方還只是入門，也還有很多功能沒有深入研究。
但至少現在看到一個重複工作時，我開始不只是想：
「這件事情我要怎麼做？」
而是會多想一步：
「這件事情，有沒有哪一部分可以讓系統自己做？」
這大概就是這 30 天對我最大的改變。
「AI 自動化：30 天打造我的 AI 工作流」——完賽！🎉
iThome鐵人賽
看影片追技術