Claude + n8n 自動化工作流：打造一條自動產文與處理任務的流水線

這篇解決的問題是：你已經會用 Claude 寫出好內容，卻每次都要手動複製貼上、一篇一篇生，無法規模化。 適合讀的人是：想把「重複的 AI 任務」變成每天自動跑的內容團隊、行銷、營運與小型企業負責人。讀完你會具備一個能力——用 Claude 加 n8n 搭出一條從「觸發」到「輸出」的自動化流水線，把產文、分類、客服回覆這類任務交給機器，自己只做最後審核。

為什麼需要把 Claude 接進 n8n？

很多人用 AI 的方式停在「對話框」：開一個視窗、貼上提示、複製結果、再貼到別的地方。這在一兩篇時很順手，但當你要每天產 30 篇商品描述、處理 200 封客服信、把上百則回饋分類時，瓶頸就出現了——不是 AI 不夠強，而是你被卡在搬運與複製貼上。

n8n 是一套開源的工作流自動化工具（類似 Zapier、Make，但可自架、節點更彈性）。它本身不會「思考」，只會照你畫好的流程把資料從 A 搬到 B。而 Claude 擅長理解與生成內容，卻不會自己去抓資料、寫進資料庫。把兩者結合，等於給流水線裝上一顆會判斷的大腦：n8n 負責「跑流程」，Claude 負責「動腦」。

如果你還不熟 AI Agent 的基本概念，建議先看AI Agent 是什麼？新手完整入門，再回來搭流水線會更有感。

核心概念：流水線 = 觸發 + 取料 + 生成 + 審核 + 輸出

把自動化流水線想成一條工廠輸送帶。原料從一端進來，經過幾道加工站，成品從另一端出去。對應到 Claude + n8n，每一站的角色如下：

關鍵心法是：不要讓 Claude 做它不該做的事。 抓資料、判斷流程、寫入資料庫這些「規則性」工作交給 n8n；只有「需要理解語意、需要生成文字」的步驟才呼叫 Claude。這樣流水線又快又省，也好除錯。這個分工原則，本質上和 AI Agent vs RPA 怎麼選講的「判斷 vs 執行」是同一回事。

實際教學

以下用「自動產出商品文案」這條最常見的流水線當範例，五步搭起來。其他任務（客服分類、回饋摘要）換掉 Prompt 即可沿用同一骨架。

Step 1：先畫流程，再動手

打開白紙或 n8n 畫布，把這五個節點排好：

Schedule 觸發 → 從 Google Sheet 讀待處理商品 → Claude 生成文案 → IF 判斷字數與關鍵字 → 寫回 Sheet 並通知 Slack

先想清楚「每一站的輸入是什麼、輸出是什麼」，比急著拉節點重要十倍。九成的自動化失敗，是因為沒先把資料流想清楚。

Step 2：設定觸發節點

在 n8n 新增一個 Schedule Trigger，設定每天早上 9 點執行一次。若你要「有人填表單就觸發」，改用 Webhook 節點，把表單（如 Tally、Google 表單）的提交事件指向這個 Webhook 網址即可。觸發節點決定流水線是「定時跑」還是「事件驅動」。

Step 3：串接 Claude 節點

兩種做法：

• Anthropic 官方節點（推薦新手）：在 n8n 搜尋 Anthropic，填入 API Key，選模型、貼 Prompt 即可。
• HTTP Request 節點（彈性高）：自己打 https://api.anthropic.com/v1/messages，在 Header 帶 x-api-key 與 anthropic-version，Body 放 model、system、messages。

重點是把上一節點的資料（如商品名稱、規格）用變數 {{ $json.商品名稱 }} 帶進 Prompt。如果你想讓 Claude 自己去呼叫更多外部工具（查庫存、抓價格），可以搭配 MCP 協定讓它連上你的系統。

Step 4：加上審核與分支

Claude 生成後別急著直接發布。加一個 IF 節點檢查：字數是否 ≥ 100、是否含必填關鍵字、有沒有出現禁用詞。

• 通過 → 進入輸出節點。
• 不通過 → 回送 Claude 重寫（最多重試 2 次），或標記為「待人工」。

進階做法是用「第二個 Claude」當審稿員打分數，這就是一種輕量的多 Agent 協作：一個寫、一個審，品質明顯穩定。

Step 5：設定輸出與通知

把通過的文案用 Google Sheets 節點寫回原表的「文案」欄，狀態改成「已完成」，並用 Slack 節點發一則「今日已產 N 篇，M 篇待人工」的摘要給負責人。記得加一個錯誤處理分支（n8n 的 Error Trigger），任何節點失敗都發通知，不要讓流水線默默壞掉。

範例：Prompt 與 Workflow

下面這段系統提示，是放進 Claude 節點的核心。重點是要求 JSON 輸出，讓 n8n 好解析；並明確界定角色、限制與品質門檻。

你是台灣電商的資深文案編輯，擅長寫符合 SEO 的繁體中文商品描述（台灣用語）。

任務：根據以下商品資訊，產出一段商品文案。

商品名稱：{{ $json.name }}
規格重點：{{ $json.specs }}
目標客群：{{ $json.audience }}

規則：
1. 字數 120–180 字，繁體中文台灣用語，禁止簡體與中國慣用詞。
2. 開頭點出一個使用情境痛點，再帶出商品解法。
3. 必須自然包含關鍵字：{{ $json.keyword }}。
4. 語氣專業但不浮誇，不要出現「最」「第一」等絕對用語。
5. 只輸出 JSON，格式如下，不要多餘文字：

{
  "copy": "文案內容",
  "word_count": 文案字數(整數),
  "keyword_included": true 或 false
}

對應的文字版 Workflow 流程圖：

每日 9:00 Schedule 觸發 ↓ 讀取 Google Sheet 中「狀態＝待處理」的商品列 ↓ 逐列帶入變數，呼叫 Claude（Sonnet）生成文案，回傳 JSON ↓ Code 節點解析 JSON → 取出 copy、word_count、keyword_included ↓ IF 判斷：word_count ≥ 120 且 keyword_included = true？ ↓（是）寫回 Sheet「文案」欄、狀態改「已完成」 ↓（否）回送 Claude 重寫，重試上限 2 次，仍失敗則標「待人工」 ↓ Slack 發送當日摘要：已完成 X 篇／待人工 Y 篇 ↓ Error Trigger：任一節點失敗即通知管理者

這條骨架想做成別的用途，只要換掉「讀料來源」與「Prompt」就好。例如把 Sheet 換成客服信箱、Prompt 換成「分類並草擬回覆」，立刻變成客服流水線。更多現成範本可參考 Workflow 流程範本庫與 Recipe 食譜庫。

常見錯誤

• 把所有判斷都丟給 Claude。 「字數夠不夠」「狀態是不是待處理」這種規則用 n8n 的 IF 就好，呼叫一次 Claude 又慢又花錢。
• 不要求結構化輸出。 沒叫 Claude 回 JSON，n8n 抓不到欄位，後面全亂。一定要在 Prompt 鎖死輸出格式。
• 沒有重試與錯誤分支。 API 偶爾逾時或回傳異常很正常，沒做錯誤處理，流水線會在半夜默默卡死，隔天才發現一整批沒產出。
• 一上來就跑全量資料。 第一次測試請只跑 1～3 筆，確認每個節點輸出正確，再放大。直接跑 500 筆出錯只會浪費 token。
• 全自動沒有人工關卡。 對外發布的內容（尤其涉及價格、承諾）務必保留「待人工」分支，AI 寫錯一個數字就可能出包。

最佳實務

• 便宜模型先過濾，貴模型再加工。 用 Haiku 做初步分類或篩選，只把真正需要長文與推理的交給 Sonnet／Opus，成本可降一大截。
• Prompt 與資料分離。 系統提示寫死規則，變數只帶資料，方便日後改規則不動流程。
• 加快取與去重。 同樣的輸入別重複呼叫 Claude，用 Sheet 或資料庫記錄已處理項目。
• 每個節點都記日誌。 把輸入、輸出、耗時寫進一張 log 表，出問題時能快速定位是哪一站壞掉。
• 先半自動再全自動。 初期讓流水線產出草稿、人工按鈕放行；穩定兩週後再逐步移除人工關卡。
• 流程版本化。 n8n 可匯出 JSON，把每版流程存進 Git，改壞了能回退。想再進一步把 Claude 用程式化方式部署，可參考部署 Claude Code。

實際案例：台中一家電商如何把產文時間砍掉八成

一家台中的家居用品電商，旺季前要為新上架的 300 項商品寫文案。過去由 2 位小編手動寫，平均一篇 15 分鐘，光文案就要耗掉 75 小時、橫跨將近兩週，還常因趕工品質不一。

他們導入 Claude + n8n 流水線後，把商品基本資料整理進 Google Sheet，每天定時自動產文、自動審核字數與關鍵字、低品質的自動回送重寫，小編只做最後潤稿與放行。

關鍵不在「AI 取代人」，而在分工重組：機器負責產初稿與規則檢查，人負責判斷與品牌語氣。這正是企業導入 AI 該有的思路，完整的導入框架可看台灣企業 AI Agent 導入指南。若你的場景是電商，AI Agent 在電商的應用有更多延伸做法。需要協助規劃流水線，也可以直接聯絡我們。

提醒：若你的流水線涉及財務數據、法律條款或醫療健康內容，AI 產出僅供參考，務必由具資格的專業人員審核後再對外使用，本文不構成投資、法律或醫療建議。

結論

Claude 給你「會思考的內容引擎」，n8n 給你「把引擎接上所有工具的輸送帶」。兩者一結合，你就能把原本綁在對話框裡的 AI，變成一條每天自動運轉的生產線——觸發、取料、生成、審核、輸出，一氣呵成。

別追求一步到位的全自動。先用本文的五步骨架搭一條最小流水線，跑通 3 筆資料，再逐步加審核、加重試、放大量。當第一條流水線穩定運轉，你會發現公司裡有十條重複工作都能套同一套做法。

延伸閱讀：搞懂底層概念看Agentic AI 是什麼、想串更多工具看MCP 協定、想讓多個 AI 分工看多 Agent 協作，或直接到現成 Workflow 範本庫挑一條來改。

常見問題 FAQ

延伸閱讀

• AI Agent 是什麼？新手完整入門
• MCP 是什麼？讓 AI 連上你所有工具
• 多 Agent 協作：讓多個 AI 分工合作
• AI Agent vs RPA 怎麼選
• 現成 Workflow 流程範本庫