從零開始 n8n | AI 電子報彙整機器人
自學 n8n 的歷程及建立自動化流程的思路分享
什麼是 n8n?
n8n 全名是 nodemation，發音是 「n-eight-n」。在這開源專案的 Readme，創辦人 Jan Oberhauser 是這麼說的：當初在幫專案取名時，想找一個好記又有免費網域的名字，但發現好名字幾乎都被註冊走了。最後他想到「nodemation」這個詞。
「node」：一方面代表 n8n 的介面是用「節點（Node）」的方式來連接工作流程，另一方面因為它用 Node.js 開發。
「-mation」：則是來自「automation（自動化）」這個字，正好呼應專案的核心使命。
雖然「nodemation」很貼切，但字太長了，光想到在終端機裡每次都要打這麼多字，就覺得麻煩。最後他把它簡化成 n8n — — 一個短小、好打、又有特色的名字。
註：n8n 的縮寫邏輯是取自「 i18n」(internationalization)、「l10n」 (localization) 那種簡寫法。
介紹完名稱由來後，直接切入正題：n8n 是一個開源的「自動化流程工具」（workflow automation tool）。可以把它想像成數位世界的「樂高積木」，讓不同應用程式、服務和資料彼此串接。舉例，可以設定：「當有人在 Google 表單填寫資料 → 自動傳到 Notion → 再寄一封 Email 通知。」這些動作過去可能需要寫程式，但在 n8n 裡，你只要拖拉節點、設定邏輯，就能讓它們自動運作。
它的特色在於：
不需要太多程式基礎：可視化介面，靠拖拉就能完成。
高度靈活：支援上百種服務（像 Slack、Google Drive、Airtable 等），也能處理 API。
自主控制：因為是開源軟體，可以自己架設，完全掌握資料隱私。
簡單來說，n8n 的功用就是「把重複性瑣事交給機器處理」，把時間留給更有價值的工作。一個簡單的自動化流程可以省下每天 30 分鐘到數小時的重複作業時間。
想學 n8n 的原因與應用場景發想
光是看到把簡單的工作流程拆解成一個個節點，並看著流程跑通運作，就覺得酷，而這膚淺的想法就燃起了一點動機。而增強學習動機的契機，則是來自工作上有搜集與編輯 AI 新聞電子報的需求，有了應用場景，就開啟我上網學 n8n 之路。YouTube 就是我的老師，起初看了 PAPAYA 電腦教室的「n8n 系列」還有 nuva 的 n8n 課程，搞定了部署環境。
其實 n8n 應用場景相當廣泛，但為了能夠學習 n8n 實作及其概念，先把需求場景拆小一點，比較容易實作，學習過程也較容易獲得成就感。（或挫敗感少一些XD）至少在學習過程中取得小勝利，才能逐步養成願意學習的動機與自驅力。
學習歷程
先對介面有基礎概念，再來說明環境搭建。
n8n 畫面
為利說明 n8n 主要介面操作，本圖依據雷蒙前輩的介紹增加視覺說明
左側欄：Overview
點擊加號，會看到 Workflow、Credential，Workflow 可以查看自己創建的工作流清單、Credential 則可查看加入過的憑證，見下圖
2. 上方列表：工作流管理
可以儲存編輯進度、匯入或匯出檔案。
3. 中間畫布：主要工作區
這裡可自由新增節點並且拖拉與連接不同節點，也能新增便利貼（Sticky note）撰寫備註。便利貼的好處是，節點多、工作流複雜時可幫助自己或協作者理解不同區域的功用。
4. 右側欄：節點功能面板
點擊加號，會列出所有可用節點清單，可依名稱、類別搜尋節點。可新增自己所需的節點到工作區。
看完上述介面介紹後，對初次接觸自動化工作流程的人來說，n8n 介面像一張畫布。這樣的設計是為了讓使用者能有足夠空間佈局工作流程與串接各節點，視覺化呈現自動化流程，有助使用者專注於流程設計與邏輯，減少干擾並提升操作效率。另一個 no-code 的自動化工具 Zapier 也是類似的介面設計邏輯。
環境部署
原本看 YouTube 影片是部署於免費雲服務 Render 上，但由於使用免費方案，所以一段時間沒有使用後，主機便會休眠，為了讓他保持清醒，所以還要註冊 Cron Job 每五分鐘就喚醒一次 Render。
結果有一天架在 Render 的工作流竟然丟失了！還好當時有養成存檔習慣，地端還有一份 json 檔，只是憑證都丟失了，需重新建立。考量到這次工作流丟失經驗後，決定換另個平台，一是不用靠 Cron Job 喚醒遠端主機，二來是希望管理上更簡便。那到這邊你可能會想問：為什麼不使用 n8n cloud？一是因為 n8n cloud 只有免費 14 天試用期，二是 n8n cloud 的方案一個月要價 20–24 歐元，由於自認使用的功能有限，每月為此花這筆錢不符成本效益，後來就換到 Zeabur 部署我的 n8n。
Zeabur 部署方式相當簡單（沒有業配），就沒有像 Render + Cron Job 這麼複雜，詳細教學可參考其創辦人所錄製的影片。Zeabur 有免費部署 n8n 的方案，只要註冊帳號、不用綁信用卡，新增專案，選擇機房（免費版有騰訊或印尼的機房），使用手機號碼驗證，服務選擇「n8n (sqlite)」，按下部署（Deploy) 就完成了。
Zeabur 免費方案有每月 5 美金的額度。目前已使用 $0.007 美金，依我的需求，這用量極少，所以可以安心使用。
部署於雲端與地端的優缺點
一開始天真地想用「免費雲」來玩 n8n，結果很快踩雷。免費方案不是流量受限，就是可能當機，最後花的時間比省下來的還多，真的是「免費的最貴」。
如果只是初學者或短期試用，雲端相對方便；但若打算長期使用，在意隱私或成本，還是地端較適合。
雲端部署（像 Zeabur、Zapier、n8n cloud）：上手快、不用自己維護，但長期成本高，而且資料要交給別人保管。
地端部署（自己架在本地或公司伺服器）：安全、掌控度高，但需要懂伺服器維護，還要處理備份與更新。
節點功能介紹
在 n8n 裡，每個「節點」都是一個功能模組，你可以把它想像成一顆積木，拖進來之後就能執行對應的任務。常見的節點大致分成以下幾類：
AI：用來呼叫大型語言模型（如：ChatGPT、Gemini），幫你做總結、改寫、搜尋或生成內容。
Action in an app：與常見應用服務串接，例如 Google Sheets、Telegram、Notion，把資料寫入或讀出。
Data transformation：資料轉換的工具，像是過濾、格式轉換、合併欄位。（如：Filter、Edit Fields 等）
Flow：流程控制的角色，可以分支、合併、建立迴圈，讓自動化更有彈性。
Core：進階功能，例如執行程式碼、HTTP request、Webhook，給需要高度客製化的使用者。
Human in the loop：讓人類參與流程，比如審核或手動確認，避免完全自動化帶來風險。
Add another trigger：設定觸發條件，例如定時排程、表單送出、Webhook 請求，來啟動整個 workflow。
根據官方開發文件，n8n 核心觀念就是 Triggers 和 Actions，就像在 iPhone 上建立捷徑一樣。告訴 n8n 什麼時候做什麼事。
n8n 的流程圍繞在兩種節點上運作：
觸發節點（Trigger）：決定「何時開始」，像是 webhook 請求、新郵件、定時觸發等。
動作節點（Action）：接著處理「要做什麼」，例如傳送資料、呼叫 API、格式轉換等。
發想與撰寫工作流腳本
有了前述基礎概念後，開始設計工作流。在設計工作流的過程，找 AI 夥伴 ChatGPT 與 Gemini 相互協助，以下是我跟 ChatGPT 第一次線上會談過程：
你是一位精通 n8n 的大師，我主要想做到的功能是 run 一個 n8n 每 7 天幫我搜集 AI 與 UX / Product Design 新知(搜集平台從 Threads、product hunt、The Verge、Inside、Fast Company、TechCrunch、數位時代等國內外具聲望的知名資訊科技媒體、或者 arxiv 論文網站），還有科技巨擘 Apple, Google, Meta, Canva, Adobe, Midjourney, Runway, OpenAI, Anthropic, Perplexity, Gemini, Microsoft, NVIDIA 等 AI 新功能或重大 AI 新工具發布，幫我整理成電子報
電子報要包含有 5-6 篇內容：
單則新聞/新知要有：
- 圖片
- 原文連結
- 該篇內容摘要（繁體中文字數 400 字以內）
而類別必須涵蓋：
AI 新聞 (News)、AI 工具 (Tools)、工作妙招 (Tips)、AI 研究 (Research) 四個維度，或是有意思的 AI 工具與背後的公司成立小故事介紹。夢想總是豐滿，現實是骨感的，起初我的出發點希望 AI 去各大媒體平台取用 RSS (Really Simple Syndication）後，請 AI 做排重（避開可能有數個新聞網站引用/轉載同一篇新聞的問題），再依據與 AI、UX 相關程度做評分，最後篩選出符合需求的新聞內容，做成一則電子報，內含 5–6 則新聞，每則新聞要有圖片、原文連結、Markdown 格式撰寫的列點摘要，還要有前言與結語。最後做成一個精美 HTML/CSS 的電子報 EDM。以下是先在 Notion 試做的樣板：
於需求算是明確，所以初期與 AI 攜手合作設計節點時還算順暢。ChatGPT 與 Gemini 會告訴我節點該如何設計與串接。
依照兩個 AI 工具指引，照它們的概念設計我的工作流。由於擔心浪費太多資源，所以本文所示範的工作流腳本都只用「手動觸發」，搜集各大新聞來源，過濾關鍵字，逐一處理過篩選後的文章，做去重，請 AI 分類、整理完後再裝回原本的 Google Sheet 資料庫。由於對 n8n 的功能不夠熟悉，如「Loop Over Items」功能節點的 Done 與 Loop 雙接口就不知如何使用。工作流是做起來了，但對於 Google Sheet 內語法設定完全不熟，只好求助於數據分析師同事。
過程中節點出現錯誤訊息，我們還一起請教 ChatGPT，但看來 ChatGPT 並沒有我們想像中的專業（廢話）。AI 沒有幫我解決到問題，反而還越用越糟…。當時還是使用 Render 部署，結果主機突然出問題，工作流都不見了，慶幸當時有備份 json 檔案於地端，還能重新匯入。
管理自己的期望值，重新調整腳本設計方向
由於前面有兩週撞牆期，原本設計的工作流無全數跑通，反思是不是自己一下太貪心，畢竟還是初學者就想一步登天，這是不對的心態，決定降低自己期望值，告訴自己至少要把最基礎的流程跑通才行。因此先將 n8n 學習目標設定為：1. 流程跑通，2. 成功寄發郵件給自己。我無法控制 AI，也無法控制 Google Sheet，就簡化原本的思路：搜集各大媒體 RSS 文章資訊 → 篩選（以關鍵字過濾新聞，控制新聞量）→ 從文本中提取關鍵資料（如原文連結、摘要），並且將提取結果轉為 JSON 格式 → 請 AI 整理為 Markdown 格式摘要 → 寄到自己信箱。
同時，我也去 n8n 官方網站 Templates 觀看相似的功能，大家會怎麼做。從別人已經做好的成果，觀察他們的工作流是如何設計的。複製他人範本來實作看看，如果有成功的話，也可以基於他人成功基礎，再依自己需求來改寫範本。
由於先前的工作流丟失、節點未跑通等挫折感滿滿的失敗經驗，我也養成隨時存檔習慣，並同時下載 json 檔到地端。經過前面教訓後，改寫了工作流腳本，流程終於成功跑通了（汗），明明是值得紀念的時刻，但情緒卻沒有很興奮XD。
拆解工作流
搜集 RSS (RSS Read）
貼上媒體網站提供的 RSS 網址即可
2. 合併 (Merge)
將不同資料源匯流成同一出口，讓後續節點一次處理完整資訊
3. 篩選 (Filter)
篩選符合「AI」主題的新聞，以控制新聞量
4. 自訂程式邏輯（Code）
這段是寫 Javascript，這段是請 GPT 協助。
規則：
限定要在最近兩週內的新聞
內容要夠長（避免太短的無意義新聞）
根據關鍵字給 AI、UX、Design 三種分數
去除重複的文章
將結果提供給 LLM 評分，最後挑出最有價值的候選新聞。
同事看了節點後，提醒我讓一個節點做一件事就好。
5. 限制數量 (Limit)
把候選新聞縮減到前 5 則，避免寄出太多封。
6. 資訊萃取 (Information Extractor)
從文章裡抓標題、內文、重點
同時讓 AI 幫忙翻譯成繁體中文，方便後續生成電子報
這段需要借助 LLM 幫助，因此需取得憑證 (Credential)，可前往 Google AI Studio 取得 API Key （注意：API Key 務必自行保管好，若不慎外流，很可能因為超出用量而被收費）
只要連動外部服務，就需要憑證 (Credential)，有了憑證這把鑰匙，n8n 才能在流程執行時，代表你去外部服務取回資料。這個授權動作只會做一次，n8n 之後會安全保存這把鑰匙，不會主動取資料，只有在流程執行時才會用。而至於如何串接 Google 服務，可閱讀雷蒙的教學文章「如何串接 Google 自動化服務？API、Credentials 憑證設定步驟圖文教學」。
7. 呼叫 AI 模型 - 讓 AI 撰稿（Message a Model）
呼叫 Google Gemini，把前面萃取的新聞重點交給模型。
要求 AI 以「AI／UX／產品設計專欄編輯」的口吻，寫成條列式新聞摘要。
Prompt 如下：
# Role and Objective
- 以 AI／UX／產品設計為核心的科技編輯，為相關領域讀者撰寫精煉、高密度的條列式報導。
# Instructions
- 擅長整合多來源資訊，提煉關鍵重點。
- 報導需客觀、公正，以台灣繁體中文撰寫。
## 報導條件
- 首句需為一句總結導語。
- 條列三至五點重點，每點皆需包含自訂**粗體小標**。
- 結尾句說明最新進展或時程。
- 必要時應註明「傳聞」或「未證實」。
- 總字數控制在 500 中文字內。
- 報導結尾附上報導來源連結：{{ $(’Limit’).item.json.url }}
# Context
- 來源清單：如以下新聞。
- 文字素材（標題、節錄、筆記）：{{ $json.output.Content }}
# Constraints
- 嚴禁無根據推斷，明確區分「傳聞」與「官方確認」。
- 小標需精準反映內容核心。
- 用可核對之專有名詞（型號、版本名、代號）；避免空泛描述。
# Output Format
- 完全依照上述範例的 Markdown 風格與格式產製內容。
- 僅直接輸出報導 Markdown，不加入任何前言或結語。
# Process Checklist
- 開始前，請先列出簡潔的3-7項概念性重點清單，規劃文章產製步驟。
- 按流程執行工作，每步完成後驗證產物是否符合同上條件，若有不符則自我修正。
- 輸出成品僅限為翻譯成繁體中文後的 Markdown 格式報導。8. 建立草稿 Email（Create a draft）
自動在 Gmail 裡建立 5 封草稿，內容就是剛生成的電子報
這樣只需做最後人工確認，就能寄出。
終於成功了！
最後，流程成功跑通了
心得
n8n 適合設計師學習嗎？
先說答案是適合的，n8n 能夠幫助設計師培養系統思維，設計工作流就像是規劃一個使用流程 Flow Chart，只是 n8n用節點的方式讓我們理解「資料如何流動」、「流程怎麼被觸發」。這就像 Figma 的元件關聯，但更貼近真實世界的資料邏輯。n8n 把複雜的 API 與程式邏輯，轉化成拖拉節點的介面，對我來說，它像是個快速驗證想法的實驗場。
透過學習 n8n，也讓我去思考有哪些情境可以自動化，對團隊而言，這也是一種以設計擴增跨團隊影響力的方式，透過 n8n 自動化工作流幫助團隊省時省力。
不過會建議還是要有一點程式基礎，再學習 n8n，或者從最容易上手的 Zapier 或 Make 開始學習。以下是市面上主流自動化工具 Zapier、Make、n8n 的比較表（資料收集於 2025 年 8 月，實際服務計價方式以官網為主）。
n8n 可客製化的範圍廣，但環境部署與安裝比起其他競品就有些門檻，另外節點設定也仰賴一些程式基礎，會比較清楚欄位設定方式，程式噴錯誤訊息時，也能大概猜出解題方向。若毫無程式基礎者，卡住時挫敗感會相當強烈，建議可以先去接觸線上課程，再評估自己能力與精力是否有辦法自學。（泰勒絲說過：精力像奢侈品一樣珍貴！）我也慶幸自己有學過前端與 Python 的基礎知識，即便有基礎知識，在實作 n8n 過程也是嚐到滿滿的挫敗感，猶如打魂系遊戲般，不斷經歷著「You Died」的輪迴，在同一地方反覆死去又復活。
但是學 n8n 為的不是要把自己變成工程師，而是讓自己能用設計思維去驗證想法。多了解不同領域的工具，也能幫助自己與跨部門的溝通與交流更順暢。
n8n 學習資源多，多接觸後再評估購課需求
n8n 學習資源豐富，不必急著買課程，先多接觸免費資源，一邊實作邊釐清自己學習動機與成就感是否足夠，再決定是否付費學更深入或客製化的內容。以繁體中文教學資源來說，有 PAPAYA 電腦教室「n8n 系列」、AI 說人話「超詳細教學」n8n AI 實作 0 基礎入門到進階、雷蒙的【n8n 中文教學】新手入門、Kelly Tsai 的 零基礎學會最紅的 AI 工具 n8n 等。網路上厲害的神人拍了不少 n8n 相關教學，這邊僅介紹自己看過的及官方文件作為參考。
繁體中文教學資源（自己有看過的）：
PAPAYA 電腦教室「n8n 系列」
Kelly Tsai 的 零基礎學會最紅的 AI 工具 n8n
英文教學資源：
n8n 官方建議學習路徑
在自動化之前，整理 AI 電子報要花多久時間？
過去整理一份 AI 電子報，從新聞蒐集、摘要到 Notion 重新排版，再加上個人「編註」與補充說明，往往得花上 6 到 8 小時。逐步導入自動化後，大約 2 小時內可完成電子報，並分享給部門內同事。透過 n8n，新聞搜集的時間不到 90 秒（甚至比台北市許多路口的紅燈秒數還短），最大的時間花費轉向人工審核與編輯，包括審核新聞來源、調整 AI 生成的語氣，以及補上自己的觀點註解。
即使 Gemini 新聞摘要的正確率近乎滿分，我還是沒有很信任 AI，身為語文科系出身，對用字仍相當敏感，我還是會確認新聞的語氣、內容，再進行微調。我也會閱讀新聞全文，再加上自己的批注或 AI 工具實驗心得，讓讀者獲得更全面的資訊。
AI 自動化把我從重複性工作解放出來，卻沒有取代編輯的價值。真正的價值在於 — — 人仍需為資訊「背書」，並賦予其溫度與觀點。
在哪邊卡關最久？
規劃工作流的過程
取得授權憑證過程卡關
Vibe Coding vs. n8n 實作時的心理狀態比較
先前 Vibe Coding 的心理與精神狀態相較於 n8n 實作過程來說，似乎在 Vibe Coding 時，有比較多的 Aha Moment，包括驚嘆「人與 AI 協作」的新模式。
而在 n8n 實作時，則要十分清楚自己的實作目標與應用場景，例如：「讓 AI 搜集各大媒體的 AI 主題新聞，進行排重，再整理為摘要，製作成電子報」。無法以意識流思考，得想清楚路要怎麼走，創造性相對有限，它更接近「工程思維」。在工作流未跑通時，看到程式噴錯、AI 胡說八道時，會有很多苦澀與挫折的情緒伴隨而來。（甚至有天晚上還邊睡邊痛哭……）這段經驗也提醒自己，在學習新事物時，要懂得管理期望值，不要幻想「學了就能馬上成功」。更不要被網路社群那些「小白輕鬆上手」的分享給誤導。當自己投射出同樣的期待，卻發現學習過程充滿挫敗，失落感就更大。
哭過一晚的隔天，我想到身邊還有同事能請教，瞬間覺得自己沒必要這麼負能量。但經過這次學習，我也想告訴自己，今天沒有試成功，也沒關係，還有明天、後天可以繼續嘗試。如果學習了一段時間，還是沒起色，就要重新估算試錯成本，評估自身學習狀況，衡量自己能接受的範圍，若真的喪失動力或找不到學習樂趣時，也要允許自己「休息一下」，或移動到下個題材繼續學習吧！
Key Takeaway
以下是自學 n8n 帶給我的啟發，希望給自學新事物或想學 n8n 的你一點幫助！
雲端入門、地端進階
初學者可以先以雲端服務快速體驗，但若要長期學習與深入應用，建議改用地端部署，更能掌控資料安全隱私與降低成本，但使用地端部署前期花費的時間成本較高。隨時養成存檔習慣
隨時存檔匯出 JSON 到本地端，避免工作流 (Workflow) 意外丟失。管理自己的期望
不要幻想一蹴可幾，n8n 並非「小白輕鬆上手」。先設定最小可行目標，確保流程能跑通，再逐步優化。接受試錯成本
實作過程一定會遇到程式報錯、AI 胡說八道與挫敗感，學會評估自己能投入多少時間與精力，允許自己在情緒低潮時休息一下。訓練系統思維
n8n 的節點設計，就像 Figma 元件的關聯，只是它更貼近真實世界的資料邏輯。這能幫助設計師練習系統思維，把複雜資訊轉成可視化流程，也能提升與工程師的溝通效率。擴增影響力
透過思考哪些情境能自動化，並運用 n8n 工作流幫助團隊省時省力，設計師也能擴大對跨部門的影響力。
後記：用 Google Veo3 做了一個小 GIF 讓封面動起來，GIF 畫質不是很好，但自己看了喜歡，很像 YouTube 節目動畫 XD
謝謝最後看到這邊的你，因為你也付出時間參與了我學習 n8n 的心路歷程，這不是個一帆風順的旅程，是經歷無數次失敗後才迎來一次小小的成功，才有了這篇與你分享。也謝謝我自己，憑藉毅力來到了現在 — 寫這篇文章的時空裡。
希望透過這個經驗，如果能給你一點點啟發，或讓你在學習新事物時覺得自己不孤單，那對我來說就足夠了～