事情是这样的。
很多人第一次搭AI自动化，会先打开一张工具清单。
ChatGPT、Claude、Make、n8n、飞书多维表格、Notion，一口气注册十几个账号。看起来装备齐全，折腾一个星期，最后连最简单的「收到邮件以后写进表格」都没跑稳。
这个坑太常见了。
我自己长期在做外贸询盘和报价，这类工作每天都在重复。客户从邮件或者WhatsApp发来一段需求，里面夹着型号、数量、包装、认证、目的港和交期。你得把信息扒出来，查BOM，翻历史报价，再做一份报价单。
单看每一步都不难。
连起来就很磨人。
一个人搭AI生产线，最先要设计的不是自动执行，是在哪里停下来等人确认。
我现在判断一件工作能不能交给AI，只看三个条件。
它是不是经常发生，最好每周十次以上。输入和结果能不能写清楚。最后有没有一个人能把错误拦住。
三条都满足，才值得搭。
少一条，我建议先继续手工做。做满一个月，把正常样本和那些乱七八糟的例外攒下来。很多流程看着规整，真跑起来以后，全是「客户少写了一个单位」「附件里还有一版规格」「上一封邮件才是最终数量」这种小问题。
没有这些样本，Prompt写得再漂亮也没用。
外贸询盘刚好三条全中。它每天发生，入口和输出明确，报价发出去以前还必须由我确认。哪怕模型抽风，也不会直接把错误价格发给客户。
今天就能做的动作，把你这周重复最多的一件工作写下来，再补上三个答案，发生频率、固定输入、人工确认点。
把这条链路展开，其实就七步。
客户从邮件或者WhatsApp发来询盘。Claude或者ChatGPT提取产品、型号、规格、数量、认证、包装和交期。Make去查询BOM和历史报价。模型生成一份草稿，再把结果写进表格。系统通知我审核。我确认以后，才生成PDF报价单并发出。
有公开演示把类似流程从约45分钟压缩到几分钟，不过这个数字别太当真。产品复杂度、历史数据、报价规则和异常数量不同，最后能省多少时间，差得会非常大。
我更在意另一件事。
每一步的责任要特别窄。模型负责提取和起草，规则负责校验，人负责最后判断。谁都别一上来就想包办全场。
第一版生产线只需要证明一件事，它确实比手工省时间。
真正做项目的时候，我会先写六行字。
入口在哪里。数据最后放哪里。模型具体做什么。谁来点确认。失败以后转到哪里。上线以后谁维护。
看着很朴素，对吧。
但绝大多数烂尾项目，都死在这六行字上。
入口一会儿是邮件，一会儿是微信，偶尔又让业务员复制到表格。客户资料分散在CRM、Excel和聊天记录里。模型到底要提取、分类、判断还是直接回复，也没人说清楚。出了错以后更刺激，所有人都以为另一个人会处理。
最后这条生产线确实跑起来了，跑出来一地异常记录。。。
第一版尽量只接一个入口，只写一个数据库，只给模型一个任务。遇到字段缺失或者判断不确定，直接转人工，别让它猜。
今天就能做的动作，拿一张纸写下入口、数据、模型任务、审批人、失败处理和维护人。任何一项写不出具体答案，先别开Make。
第一次搭自动化，很多人会直接选n8n。
理由也很合理，可以自托管，数据更可控，流程也更自由。可一旦真的动手，节点逻辑、接口鉴权、服务器部署、权限和报错一起扑过来，很容易把人按在第一步。
Make
上手快，拖拉式操作更直观，适合验证第一版流程。代价是数据经过第三方平台，复杂流程的成本也可能慢慢涨上去。
n8n
控制力更强，可以自托管，适合稳定流程和敏感数据。学习、部署和维护成本也更高，需要有人长期接住。
我自己的建议很简单，先用Make把最短链路跑通。确认它真的能省时间，数据又确实需要留在自己手里，再迁到n8n。
工具不是奖杯。
跑通才算数。
如果让我重新搭一遍，我会这样安排。
第一天，只选一个每周重复十次以上的流程，写成五到七步SOP。
第二天，只搭「收到询盘、提取字段、写入表格」三步，人工确认默认打开。
第三天，拿最近一个月的真实数据干跑，至少十条。型号识别错了，单位混了，包装漏了，都记下来。别只写一句「AI不准」，这种记录对修改流程没有任何帮助。
第四天，算关键字段错误率。
超过20%，就停。
回去补示例、改Prompt、增加规则，或者换模型继续测。别觉得已经花了三天，不往下做就亏了。错误率还没压住，就开始生成PDF和自动发信，只会把一个小问题放大成一条更复杂的返工链。
第五天，加硬规则。关键字段缺失就中断，报价超出正常区间就报警，最终金额必须人工确认。
第六天，只开放提取、查询和生成草稿。发送动作继续手工完成。
第七天，算一笔真实账。人工审核多久，修错多久，模型和接口花多少钱，每周维护几次。省下二十分钟，却要花一个小时维护，这玩意就该关。
自动化最难的能力，有时候是舍得停。
「最后人工审核」听着很安全，实际操作里却很容易变成扫一眼，然后点确认。
所以审核一定要有清单。
数量和单位有没有混。BOM价格有没有过期。认证、包装、标签、颜色和交期有没有漏。报价单里有没有写出超出实际能力的承诺。这个客户过去的回款和账期怎么样。
前四条可以慢慢做成规则。
最后一条很难。
客户以前拖过款，这次突然要更长账期。对方嘴上说订单很急，过去却改过三次规格。这种关系型判断，资料库里可能有记录，但最终怎么取舍，还是得由人来做。
AI可以把草稿做到九十分，最后十分通常藏在业务经验、客户关系和风险承受能力里。
最终报价数字、交期承诺、售后条款、付款方式、大额订单和合同内容，我都会保留人工确认。
改错一个小数点，损失可能就超过半年省下来的时间。模型把「预计交付」写成「保证交付」，后面也可能变成很麻烦的履约问题。
还有一种情况也没必要硬搭。
每天只有两三条询盘，规则又经常变。手工处理可能更便宜，也更灵活。自动化不是越多越厉害，它只是拿搭建和维护成本，去交换未来重复劳动的时间。
量不够，这笔账就算不过来。
很多教程讲到流程跑通就结束了。
真正用过一段时间就知道，后面的维护更磨人。接口会变，产品库会旧，客户写邮件的格式会变，Prompt也会慢慢偏。异常任务堆在那里，没有人处理，表面看一切正常，实际上早就歪了。
我建议从第一天就固定一个动作。
每周抽查五条结果，对照人工判断，记录偏差。看异常队列有没有堆积，价格库有没有更新，接口有没有超时。连续两周偏差上升，就暂停自动执行。
一条可靠的生产线，不需要永远不出错。
它需要在出错以后，很快被人看见。
自动化真正释放出来的，不只是时间，还有你对流程的判断力。
回到最开始那张工具清单。
Make也好，n8n也好，Claude和ChatGPT以后也会继续变。真正能留下来的，是你知道哪些工作可以交出去，哪些地方必须由自己按下确认，错到什么程度就该立刻停。
一个人搭AI生产线，最后练的其实是把自己每天做的事看清楚。
从一条询盘开始就够了。
中小企业AI自动化案例
n8n自动化入门与场景判断
询盘报价自动化公开演示
Make自动化入门
n8n与Make对比
n8n工作流完整指南
既然看到这里，想必文字已经传达到位。
若喜欢这种分享，不妨点个赞、在看，或者转给正在搭自动化的朋友。
