当前位置：首页 > news >正文

n8n集成AI技能包：低代码自动化与LLM应用实战指南

news 2026/5/12 15:06:31

1. 项目概述：一个为n8n注入AI灵魂的“技能”仓库

如果你正在用n8n搭建自动化工作流，并且对AI能力垂涎已久，那么xlogix/n8n-skill这个项目绝对值得你花时间研究。简单来说，它不是一个独立的软件，而是一个专门为n8n设计的“技能包”或“扩展集”，核心目标是将OpenAI的GPT系列模型、Anthropic的Claude模型等前沿大语言模型（LLM）的能力，无缝集成到你的n8n画布中。想象一下，你可以在一个处理客户邮件的流程里，直接调用GPT-4来自动生成礼貌且专业的回复草稿；或者在一个内容聚合工作流中，使用Claude来总结长篇报告的核心要点。n8n-skill做的就是这件事——它提供了一系列预构建的、开箱即用的n8n节点，让你像搭积木一样，把复杂的AI能力嵌入到任何自动化流程里。

这个项目解决的核心痛点非常明确：降低AI集成门槛，提升自动化流程的智能上限。对于已经熟悉n8n的开发者、运维工程师、业务分析师乃至数字营销人员来说，自己从头调用AI API并处理各种上下文管理、提示词工程、输出解析，是一件繁琐且容易出错的事。nlogix/n8n-skill将这些复杂性封装成一个个直观的节点，你只需要配置好API密钥，拖拽节点，填写简单的提示词，就能让AI为你工作。它适合所有希望为现有工作流增加“理解”、“生成”、“分类”、“总结”等认知能力的n8n用户，无论是处理非结构化文本数据，还是构建智能聊天机器人接口，都能从中找到现成的解决方案。

2. 核心架构与设计思路拆解

2.1 为什么选择以“技能包”形式存在？

n8n-skill没有选择修改n8n核心代码，也没有做成一个需要复杂部署的独立服务，而是采用了n8n官方推荐的“自定义节点”扩展方式。这是一个非常明智的设计决策，其优势体现在几个方面。首先，无侵入性：用户无需动n8n的部署环境，只需要通过npm安装这个包，或者在n8n的“社区节点”设置中轻松添加，即可获得新功能，最大程度保证了n8n主程序的稳定性和可维护性。其次，生态友好：它完全遵循n8n的插件开发规范，确保了与n8n各个版本的兼容性，并且能享受到n8n社区的资源和支持。最后，开发与使用解耦：作为技能包，它可以独立迭代更新，快速集成新的AI模型（比如新发布的GPT-4 Turbo或Claude 3），而用户只需要更新包版本即可获得新能力，实现了敏捷的AI能力交付。

2.2 核心节点类型与功能映射

这个技能包的核心是一系列精心设计的n8n节点。根据其命名和功能推测，它至少会包含以下几类关键节点，每一类都对应着一种常见的AI任务模式：

LLM Chain节点：这是最基础也是最强大的节点。它允许你定义一个完整的“提示词（Prompt） + 模型（Model） + 参数（Parameters）”工作链。你可以将上游节点的输出（如一封邮件正文、一段用户评论）作为变量插入到提示词模板中，然后指定使用哪个AI模型（如gpt-4，claude-3-sonnet），并精细控制温度（Temperature）、最大令牌数（Max Tokens）等参数。这个节点本质上提供了一个低代码的AI函数调用界面。
结构化输出解析节点：直接让AI生成文本，后续流程可能难以处理。因此，一个配套的“输出解析”节点至关重要。它可以将AI返回的非结构化文本，按照预定格式（如JSON、YAML）进行解析，并提取出特定字段。例如，你可以让AI分析一份产品反馈，然后通过解析节点输出结构化的{“sentiment”: “positive”， “topics”: [“price”， “usability”]， “summary”: “...”}数据，供下游的数据库节点或通知节点使用。
专用技能节点：除了通用的Chain节点，项目很可能还封装了一些针对特定场景的“技能”节点，以进一步提升易用性。例如：
- 摘要（Summarize）节点：一键配置，输入长文本，输出简洁摘要。
- 分类（Classify）节点：输入文本和预定义类别列表（如“紧急”、“重要”、“常规”），输出分类结果。
- 翻译（Translate）节点：在流程中实现实时内容翻译。
- 代码解释/生成节点：辅助进行简单的脚本编写或解释。

这种设计思路体现了“通用与专用结合”的原则，既满足了高级用户的灵活定制需求，又为常见任务提供了“一键式”解决方案。

2.3 上下文管理与会话记忆

一个专业的AI集成方案，绝不能忽视“上下文”和“记忆”。简单的单次问答在很多业务流程中是不够的。n8n-skill需要解决如何在无状态的n8n工作流执行中，维护与AI模型的多轮对话上下文。我推测其实现方式可能有以下几种：

内置会话内存（Session Memory）：节点内部维护一个临时的对话历史数组，将之前的问答对作为上下文随新问题一同发送给AI。这通常通过节点的配置项来实现，比如一个“启用会话记忆”的复选框，并可以设置记忆的轮次深度。
外部状态存储：对于更复杂、跨工作流执行的场景，可能需要利用n8n的“工作流数据”功能，或者将对话历史存储到上游数据库节点中，然后在每次调用AI节点时，从存储中读取并注入上下文。
动态提示词工程：节点可能提供高级选项，允许用户编写复杂的提示词模板，其中包含从之前节点输出中提取的“历史信息”变量。

这部分的设计是衡量一个AI技能包成熟度的关键。优秀的实现会让用户几乎感知不到上下文管理的复杂性，就像在和一个有记忆的助手对话一样自然。

3. 环境准备与安装部署详解

3.1 前置条件与依赖检查

在开始安装n8n-skill之前，你需要确保基础环境已经就绪。首先，一个正在运行的n8n实例是必须的。无论是通过Docker、npm全局安装，还是直接下载二进制文件运行，请确保你的n8n版本相对较新（建议0.226.0及以上），以保障对社区节点的良好支持。你可以通过访问n8n的Web界面（通常是http://localhost:5678）来确认其运行状态。

其次，获取AI模型的API密钥。这是驱动所有技能的核心燃料。

OpenAI：访问OpenAI平台，创建API Key。确保你的账户有足够的余额或配额。
Anthropic Claude：访问Anthropic控制台，创建API Key。建议在n8n中为这些密钥创建“凭证（Credentials）”，方便在各个节点中安全调用，而不是将密钥硬编码在每一个工作流里。

3.2 两种主流安装方式实操

方式一：通过n8n图形界面安装（推荐给大多数用户）这是最简便的方法，适合通过Docker或一键脚本部署的n8n。

登录你的n8n后台，点击左侧边栏底部的“设置（Settings）”齿轮图标。
在设置菜单中，找到并点击“社区节点（Community Nodes）”。
在“社区节点”页面，你会看到一个“安装”区域。在输入框中，粘贴n8n-skill的npm包名：@xlogix/n8n-skill。你也可以直接输入其GitHub仓库地址（如果作者提供了的话）进行安装。
点击“安装”按钮。n8n会自动从npm仓库拉取这个包及其依赖。
安装成功后，页面会有提示。此时，你需要重启你的n8n服务，以使新加载的节点生效。对于Docker部署，通常执行docker restart <你的n8n容器名>即可。
重启后，回到n8n主编辑器界面。在右侧的节点面板中，你应该能看到一个新的分类，例如“AI”或“XLogix”，下面列出了所有n8n-skill提供的节点（如“OpenAI Chain”、“Claude Summarize”等）。

注意：安装社区节点需要n8n实例能够访问外网（npm registry）。如果你的n8n部署在内网环境，可能需要配置网络代理或采用离线安装包的方式。

方式二：通过npm在自定义部署中安装如果你是以自定义模式（例如通过npm install n8n全局安装）部署n8n，或者希望更精细地控制版本，可以使用此方法。

进入你的n8n项目根目录（即存放package.json的目录）。
在终端中运行安装命令：
```
npm install @xlogix/n8n-skill
```
安装完成后，你需要告诉n8n加载这个自定义节点。这通常通过修改n8n的启动配置来实现。最常见的方式是设置环境变量N8N_CUSTOM_EXTENSIONS。例如，在.env文件中添加：
```
N8N_CUSTOM_EXTENSIONS=./node_modules/@xlogix/n8n-skill
```
启动或重启你的n8n服务。节点加载成功后，便可以在编辑器中使用。

3.3 安装后验证与常见问题

安装并重启后，建议立即进行验证：

创建一个新的工作流。
在节点面板搜索“OpenAI”或“Claude”。如果能看到相关的节点，说明安装成功。
尝试拖拽一个“LLM Chain”节点到画布上。双击节点进行配置，在“Credential”下拉框中，你应该能选择或新建之前配置好的OpenAI或Anthropic凭证。如果能看到这些选项，说明节点与凭证系统集成正常。

可能遇到的问题及排查：

节点在面板中不显示：首先确认n8n服务已成功重启。其次，检查n8n日志（Docker下用docker logs，直接运行则看控制台输出），查看启动时是否有加载自定义节点的错误信息。常见错误是节点包的依赖缺失或版本冲突。
凭证配置失败：确保你在n8n的“凭证”菜单中正确创建了对应AI服务的凭证，并且输入的API Key准确无误。可以尝试在节点配置中点击“测试”按钮（如果有的话）来验证连接。
节点执行时报错“Module not found”：这通常是因为社区节点的依赖没有正确安装在n8n的运行环境中。对于Docker部署，可能需要构建包含该节点的自定义镜像。一个快速的解决方法是尝试通过n8n的“社区节点”界面重新安装，这能确保依赖被安装到正确的位置。

4. 核心节点配置与使用实战

4.1 LLM Chain节点：你的万能AI工具箱

LLM Chain节点是n8n-skill的瑞士军刀。其配置面板通常包含以下几个核心部分，理解每一部分的含义对高效使用至关重要：

1. 凭证（Credentials）选择：这是第一步。你需要从下拉列表中选择一个已配置好的OpenAI或Anthropic凭证。节点的所有API调用都将使用该凭证的身份和配额。

2. 模型（Model）选择：在这里指定你要使用的具体AI模型。例如：

gpt-4-turbo-preview：OpenAI当前能力较强的通用模型，上下文窗口大。
gpt-3.5-turbo：成本更低，响应速度更快，适合对智能要求不极高的任务。
claude-3-opus-20240229：Anthropic最强的模型，擅长复杂推理。
claude-3-sonnet-20240229：性能与成本平衡的优选。选择模型时，需权衡任务复杂度、响应速度需求和预算。对于简单的文本转换或分类，gpt-3.5-turbo通常足够；对于需要深度分析、创意写作或复杂指令跟随的任务，则应选择更强大的模型。

3. 提示词（Prompt）模板：这是节点的灵魂。你可以在这里编写指令。关键在于利用n8n的表达式（Expression）将上游数据动态注入。假设上游节点输出了一个包含{{$json["customer_query"]}}字段的数据。你的提示词可以这样写：

你是一个专业的客服助手。请根据以下用户问题，生成一份友好、专业的回复草稿。 用户问题：{{$json["customer_query"]}} 请确保回复： 1. 首先确认用户的问题。 2. 提供清晰、准确的解决方案或信息。 3. 结尾保持开放，邀请用户进一步提问。

n8n会在执行时，将{{...}}中的表达式替换为实际的数据值。这使得提示词模板变得极其灵活和强大。

4. 高级参数（Advanced Parameters）：

温度（Temperature）：控制输出的随机性。范围通常在0到2之间。值越低（如0.2），输出越确定、保守；值越高（如0.8），输出越有创意、不可预测。对于需要稳定、可靠输出的业务流程（如数据提取、分类），建议设置在0.1-0.3；对于创意生成、头脑风暴，可以提高到0.7-1.0。
最大令牌数（Max Tokens）：限制AI单次响应的长度。1个令牌约等于0.75个英文单词或半个汉字。你需要根据预期回答的长度来设置。设置过低会导致回答被截断；设置过高则会浪费令牌（成本）并可能收到冗长的回答。通常，对于摘要、分类等任务，256-512个令牌足够；对于长文生成，可能需要1024或更多。
系统提示（System Prompt）：这是一个更全局的角色设定指令，用于在对话开始前塑造AI的行为。例如：“你是一个严谨的数据分析师，只回复与数据相关的内容，不添加任何个人意见。” 系统提示比用户提示词（User Prompt）对模型行为的影响更底层、更持久。

4.2 实战案例：构建一个智能邮件分类与回复工作流

让我们用一个完整的例子，串联起多个n8n-skill节点的使用。场景：自动处理一个支持邮箱收到的邮件，先判断紧急程度，然后根据类别生成回复草稿。

步骤1：触发与获取邮件使用n8n内置的“Email Trigger (IMAP)”节点，定期抓取新邮件。该节点会输出邮件的subject，body，from等信息。

步骤2：分类判断（使用LLM Chain节点）添加一个“OpenAI Chain”节点，连接到邮件触发节点。

模型：选择gpt-3.5-turbo（分类任务相对简单，节省成本）。

提示词：

请将以下用户邮件内容分类到唯一最适合的类别中。类别选项：[产品咨询， 账单问题， 技术故障， 普通反馈， 无效/垃圾邮件]。 邮件主题：{{$json["subject"]}} 邮件正文：{{$json["bodyPlainText"]}} 只输出类别名称，不要输出任何其他解释。

温度：设置为0.1，确保分类结果稳定。
输出：假设AI返回了“技术故障”。我们可以通过一个“Set”节点，将这个结果保存到一个新的字段，如{{$json["category"]}}。

步骤3：紧急程度判断（第二个LLM Chain节点）再添加一个“OpenAI Chain”节点，同样接收原始邮件数据。

提示词：

分析以下用户邮件，判断其紧急程度。紧急程度分为三级：[高， 中， 低]。 判断依据：问题是否导致业务完全中断、用户是否表达极度愤怒、是否有安全风险。 邮件内容：{{$json["bodyPlainText"]}} 只输出“高”、“中”或“低”。

输出：同样用“Set”节点保存为{{$json["priority"]}}。

步骤4：生成回复草稿（第三个LLM Chain节点）添加一个“OpenAI Chain”节点，接收前面所有处理过的数据。

模型：选择gpt-4（生成高质量、得体的回复需要更强的理解力）。

提示词：

你是一名专业的客服专家。请根据以下信息，撰写一封回复邮件的草稿。 用户邮件主题：{{$json["subject"]}} 用户邮件内容：{{$json["bodyPlainText"]}} 问题分类：{{$json["category"]}} 紧急程度：{{$json["priority"]}} 回复要求： 1. 称呼用户姓名（如果邮件中有）。 2. 对用户遇到的问题表示理解。 3. 根据“问题分类”，提供初步的解决方案或说明后续处理步骤（如果是技术故障，请建议其检查网络连接并附上知识库链接；如果是账单问题，请引导其查看账单详情页）。 4. 语气专业、友好、乐于助人。 5. 根据“紧急程度”，在回复开头添加提示：[高优先级]请尽快处理；[中优先级]我们将在24小时内跟进；[低优先级]我们已收到您的反馈。

温度：设置为0.7，让回复有一定的人文温度和变化，避免过于机械。

步骤5：结构化输出与后续动作AI生成的回复是纯文本。我们可以：

使用一个“Code”节点或“n8n-skill”可能提供的解析节点，将回复文本整理成更结构化的数据。
连接“Send Email”节点，将生成的草稿发送给客服人员审核，或者连接“Google Docs”节点将其保存为待处理工单。
根据priority字段，使用“Switch”节点分流：高优先级的邮件，可以额外触发一个Slack或Teams通知，提醒团队立即关注。

通过这个工作流，我们实现了从邮件接收到智能分类、优先级判定再到回复草稿生成的半自动化流程，极大地提升了客服效率。n8n-skill节点在其中扮演了“AI大脑”的角色，而n8n本身则完美地协调了数据流转和任务调度。

5. 高级技巧与性能优化指南

5.1 提示词工程实战心得

在n8n中编写有效的提示词，除了基本的指令清晰，还有几个结合了自动化流程特性的技巧：

利用上下文变量进行动态指令：不要让提示词是静态的。例如，你可以根据上游节点判断的category，在提示词中使用IF表达式来改变指令细节。
```
{{if $json["category"] == "技术故障"}} 请重点提供网络诊断步骤和我们的技术支持热线。 {{else if $json["category"] == "账单问题"}} 请重点引导用户查看支付历史页面，并说明争议处理流程。 {{/if}}
```
这需要在提示词字段中启用n8n的表达式模式（通常点击输入框旁的“fx”按钮）。

为AI提供“范例”（Few-Shot Learning）：在提示词中直接给出几个输入输出的例子，能显著提升AI在特定格式或风格任务上的表现。例如，在做情感分析时：

请判断以下评论的情感倾向（正面、负面、中性）。 示例： 输入：“这款产品太棒了，完全超出了我的预期！” 输出：{"sentiment": "positive"} 输入：“物流慢，包装破损，体验很差。” 输出：{"sentiment": "negative"} 输入：“我昨天收到了货。” 输出：{"sentiment": "neutral"} 现在请判断： 输入：{{$json["new_comment"]}} 输出：

这样AI就能更好地遵循你想要的JSON输出格式。

系统提示与用户提示的分工：将稳定的角色设定（如“你是一个客服助手”）放在“System Prompt”中，将具体的、每次执行都可能变化的任务指令放在“User Prompt”中。这符合Chat API的设计模式，能让模型行为更一致。

5.2 成本控制与错误处理策略

大规模使用AI节点，成本和稳定性是必须考虑的问题。

成本控制：

模型选型：非关键、大批量任务（如简单分类、标签生成）优先使用gpt-3.5-turbo。仅对质量要求高、影响大的任务（如对外客户沟通、创意内容）使用GPT-4或Claude Opus。
限制输出长度：务必合理设置Max Tokens。对于只需“是/否”或一个短语的回答，可以设置为50-100。使用n8n的“Split In Batches”或“Limit”节点来控制处理数据的量，避免一次处理过多条目导致意外的高额费用。
缓存机制：对于输入相同则输出必然相同的AI任务（例如，将固定产品描述翻译成另一种语言），可以考虑在调用AI节点前，先用一个“Code”节点计算输入内容的哈希值，并查询缓存（如Redis节点、Google Sheets）。如果命中缓存，则直接使用缓存结果，跳过昂贵的AI调用。

错误处理与重试：AI API调用可能因网络、速率限制（Rate Limit）或服务暂时不可用而失败。n8n节点本身通常有重试机制，但你也可以在工作流层面加强鲁棒性。

使用“Error Trigger”节点：捕捉工作流中任何节点的错误。当AI节点调用失败时，错误触发器可以启动一个子流程，记录错误信息，并可能通过通知节点告警。
配置节点重试：在AI节点的设置中（或n8n的执行设置中），配置指数退避重试策略。例如，首次失败后等待2秒重试，第二次失败后等待4秒，以此类推。这能有效应对暂时的网络抖动或API限流。
设置超时（Timeout）：为AI节点设置一个合理的执行超时时间（如30秒），防止因某个请求挂起而阻塞整个工作流。

5.3 维护与监控建议

当你有几十个包含AI节点的工作流在生产环境运行时，维护和监控就变得重要。

版本化与文档化：将复杂的工作流导出为JSON文件，并用Git进行版本管理。在关键AI节点的“Notes”字段中，详细记录该节点提示词的设计意图、模型选择理由和参数设置依据。这对于团队协作和故障排查至关重要。
建立监控看板：利用n8n的Webhook功能，在每个AI节点执行后，向一个监控服务（如Prometheus Pushgateway，或自定义的日志端点）发送执行状态、耗时、使用的令牌数等信息。这样可以绘制出AI调用成本、成功率和响应时间的趋势图，及时发现异常。
定期评估与迭代：AI模型和最佳实践在快速演进。定期（如每季度）审查关键工作流中AI节点的效果。可以抽样检查AI输出的质量，并测试是否有更新的模型（如从gpt-4升级到gpt-4-turbo）能在保持质量的同时降低成本或提升速度。同时，根据业务反馈，持续优化你的提示词。

6. 常见问题排查与调试实录

即使配置正确，在实际操作中也可能遇到各种问题。以下是一些典型场景及排查思路。

6.1 AI节点执行失败，返回API错误

错误信息：401 Authentication Error或Invalid API Key
- 排查：这是最常见的错误。首先，去n8n的“凭证”设置中，检查对应的OpenAI或Anthropic凭证的API Key是否填写正确，是否有多余的空格。其次，确认该API Key是否已被禁用或额度已用完。可以尝试在OpenAI的Playground或使用curl命令直接测试该Key是否有效。
- 解决：更新正确的API Key到n8n凭证中。如果是额度问题，需要充值或更换Key。
错误信息：429 Rate Limit Exceeded
- 排查：表示请求频率超过了API提供商的限制。OpenAI和Anthropic都对每分钟、每天的请求次数和令牌消耗有上限。
- 解决：
  1. 降低并发：在n8n工作流设置中，减少“并行执行数”。如果使用“Split In Batches”节点处理大量数据，请减小批次大小，并在批次间增加“Wait”节点来延迟。
  2. 升级账户：考虑升级到付费等级更高的API计划，以获得更高的速率限制。
  3. 实现退避重试：如前所述，在节点或工作流层面配置指数退避重试逻辑。
错误信息：400 Bad Request或Invalid parameters
- 排查：请求参数有问题。可能是Max Tokens设置得过高（超过了模型上限），或者Temperature值不在有效范围内（如负数）。更常见的是，提示词（Prompt）过长，超过了模型的最大上下文窗口。例如，你试图将一篇很长的文章作为上下文输入给只有4K窗口的gpt-3.5-turbo。
- 解决：检查并修正所有参数值。对于长文本问题，需要在调用AI前，先用“Code”节点或文本处理节点对输入进行截断、分段或摘要，确保其长度在模型限制之内。

6.2 AI节点执行成功，但输出不符合预期

问题：输出格式混乱，不是想要的JSON
- 排查：提示词中要求AI输出JSON，但它返回了自然语言句子。
- 解决：强化提示词指令。使用“Few-Shot”范例法，在提示词中明确展示你想要的JSON格式。甚至可以要求AI“以JSON格式输出，且只包含以下字段：...”。对于n8n-skill，如果它提供了专门的“Output Parser”节点，务必使用它，它内部通常包含了让AI结构化输出的优化指令。
问题：输出内容“胡言乱语”或偏离主题
- 排查：Temperature参数可能设置过高，导致随机性太强。或者，系统提示（System Prompt）太弱或缺失，未能有效约束AI的角色。
- 解决：将Temperature调低至0.1-0.3。编写一个更明确、更强硬的系统提示，例如：“你是一个严格的数据提取工具。你必须只从提供的文本中提取信息，不得添加任何未提及的内容，不得进行推理，不得道歉，不得解释。你的输出必须严格遵守要求的格式。”
问题：AI忽略了提示词中的部分指令
- 排查：提示词可能过于冗长或指令之间存在矛盾。AI（尤其是早期模型）有时会“忘记”长提示词后半部分的指令。
- 解决：简化提示词，将最重要的指令放在最前面。使用清晰的编号或分隔符（如###）来组织指令。对于复杂任务，考虑将其拆分为多个连续的AI节点，每个节点只完成一个简单明确的任务（链式思考）。

6.3 工作流性能瓶颈排查

问题：工作流执行非常缓慢
- 排查：AI API调用通常是工作流中最耗时的环节，网络延迟和模型本身的计算时间都会产生影响。
- 解决：
  1. 异步执行：对于不需要严格顺序执行、且不依赖彼此结果的多个AI调用，可以尝试使用n8n的“并行分支”功能，让它们同时进行。
  2. 模型降级：评估是否所有任务都需要大模型。将一些简单任务切换到响应更快的gpt-3.5-turbo。
  3. 本地缓存：如前所述，对确定性任务实施缓存。
  4. 超时设置：为AI节点设置合理的超时（如20-30秒），避免因个别慢请求拖死整个流程。
问题：n8n-skill节点加载导致n8n启动变慢
- 排查：如果安装了非常多的社区节点，可能会增加n8n的启动时间。
- 解决：这是一个普遍现象。除非严重影响使用，否则通常可以接受。确保你的服务器资源（CPU、内存）充足。定期清理不再使用的社区节点。

xlogix/n8n-skill这个项目，本质上是将强大的AI能力“平民化”、“流程化”的一个优秀桥梁。它没有创造新的AI模型，而是让现有的模型能够更轻松地被集成到千万个具体的、枯燥的、重复的业务流程中去。从我个人的使用经验来看，最大的价值不在于实现了某个炫酷的单一功能，而在于它开启了一种思路：任何可以被n8n自动化的工作流，现在都可以被问一句——“这里面的某个环节，能不能让AI来做得更好？” 当你开始用这个视角审视现有的工作时，你会发现无数的优化点。从自动生成会议纪要，到智能审核用户提交内容，再到动态生成营销文案，可能性只受限于你的想象力和对业务的理解深度。当然，它也要求使用者具备一定的提示词工程能力和对AI模型特性的了解，但这正是乐趣和挑战所在。

查看全文

http://www.jsqmd.com/news/802901/