学习 n8n，从搭建你的第一个 AI 工作流开始！

学习 n8n，从搭建你的第一个 AI 工作流开始！ 学习 n8n，从搭建你的第一个 AI 工作流开始！ Modified August 20, 2025 AI Agent：从知道答案到自主完成任务 Unable to preview. Please download the file. No access iphone通过n8n工作流控制飞书日历 00:00 • 说明：这是你的n8n工作流Webhook地址 3、Step 3：发送HTTP请求 操作：搜索并添加"获取URL内容" • HTTP方法：POST • 请求体格式：JSON • 请求体内容： Code block JSON Copy { "content": "[听写的文本]", "device": "[设备详细信息]" } 4、Step 4：语音反馈 操作：搜索并添加"朗读文本" • 朗读内容：[获取的URL内容] • 语音设置：选择喜欢的中文语音 • 语速：根据个人喜好调整 5、Step 5：完成设置 点击"完成"，给快捷指令取个名字："智能日程助手" ⚠️ 另有有必要提一下，我们当前的这个Webhook在互联网是处于"裸奔"状态，只要有人拿到了这个链接，都可以调用它，这样其实是很不安全的。 在后续的安全性与凭证里会介绍如何保护我们的Webhook。 四）完整的iPhone快捷指令流程 💡 🎤 用户说话 ↓ 📝 听写文本（语音→文字） ↓ 🌐 获取URL内容（发送到n8n） ↓ 🤖 n8n处理（AI Agent 执行） ↓ 📱 返回结果 ↓ 🔊 朗读文本（文字→语音） 写在最后 技术的终极目标从来不是展示复杂性，而是让复杂的事情变得简单。当 AI Agent 能够理解"帮我安排周末出行"这样的模糊需求，并自主完成规划时，我们看到的不仅是技术的进步，更是人机交互方式的根本性变革。 未来已来，不是渐进的，而是跃迁的。 你手中的这套 AI Agent 技能，不只是一个编程技巧，而是通往未来的钥匙。在这个 AI 重新定义一切的时代，掌握 Agent 思维的人，将站在变革的最前沿。 所以，你准备好迎接这个智能化的未来了吗？ AI Agent：从知道答案到自主完成任务 Unable to preview. Please download the file. AI Agent：从知道答案到自主完成任务 Unable to preview. Please download the file. No access iphone通过n8n工作流控制飞书日历 00:00 No access iphone通过n8n工作流控制飞书日历 00:00 • 说明：这是你的n8n工作流Webhook地址 3、Step 3：发送HTTP请求 操作：搜索并添加"获取URL内容" • HTTP方法：POST • 请求体格式：JSON • 请求体内容： 4、Step 4：语音反馈 操作：搜索并添加"朗读文本" • 朗读内容：[获取的URL内容] • 语音设置：选择喜欢的中文语音 • 语速：根据个人喜好调整 5、Step 5：完成设置 点击"完成"，给快捷指令取个名字："智能日程助手" ⚠️ 另有有必要提一下，我们当前的这个Webhook在互联网是处于"裸奔"状态，只要有人拿到了这个链接，都可以调用它，这样其实是很不安全的。 在后续的安全性与凭证里会介绍如何保护我们的Webhook。 另有有必要提一下，我们当前的这个Webhook在互联网是处于"裸奔"状态，只要有人拿到了这个链接，都可以调用它，这样其实是很不安全的。 在后续的安全性与凭证里会介绍如何保护我们的Webhook。 四）完整的iPhone快捷指令流程 💡 🎤 用户说话 ↓ 📝 听写文本（语音→文字） ↓ 🌐 获取URL内容（发送到n8n） ↓ 🤖 n8n处理（AI Agent 执行） ↓ 📱 返回结果 ↓ 🔊 朗读文本（文字→语音） 🎤 用户说话 ↓ 📝 听写文本（语音→文字） ↓ 🌐 获取URL内容（发送到n8n） ↓ 🤖 n8n处理（AI Agent 执行） ↓ 📱 返回结果 ↓ 🔊 朗读文本（文字→语音） 写在最后 技术的终极目标从来不是展示复杂性，而是让复杂的事情变得简单。当 AI Agent 能够理解"帮我安排周末出行"这样的模糊需求，并自主完成规划时，我们看到的不仅是技术的进步，更是人机交互方式的根本性变革。 未来已来，不是渐进的，而是跃迁的。 你手中的这套 AI Agent 技能，不只是一个编程技巧，而是通往未来的钥匙。在这个 AI 重新定义一切的时代，掌握 Agent 思维的人，将站在变革的最前沿。 所以，你准备好迎接这个智能化的未来了吗？ 🔗 原文链接：https://mp.weixin.qq.com/s/MhrtWM OWTDllFhnLwOgXg ⏰ 发布时间：2025 08 19 19:14:00 (UTC+8) 作者：林月半子的AI笔记 引言：从对话 AI 到智能 Agent 相信大家对 DeepSeek 等对话型 AI 已经非常熟悉了。在官网上，我们问任何问题，它都能根据问题给出回答。 但今天要介绍的 AI Agent，它不同于这种单纯的对话模式。 🤔 如何理解 AI 的进化？ 在开始技术实操之前，让我们先建立一个重要的思维框架：能力边界识别法 想象两个场景： • 传统 AI：你问"今天天气怎么样？"，它回答天气信息 • AI Agent：你说"帮我安排周末出行"，它会： ◦ 查询天气预报 ◦ 推荐合适的目的地 ◦ 查找交通信息 ◦ 甚至帮你预订酒店 如何理解 AI 的进化？ 在开始技术实操之前，让我们先建立一个重要的思维框架：能力边界识别法 想象两个场景： • 传统 AI：你问"今天天气怎么样？"，它回答天气信息 • AI Agent：你说"帮我安排周末出行"，它会： ◦ 查询天气预报 ◦ 推荐合适的目的地 ◦ 查找交通信息 ◦ 甚至帮你预订酒店 ◦ 查询天气预报 ◦ 推荐合适的目的地 ◦ 查找交通信息 ◦ 甚至帮你预订酒店 传统 AI 是信息检索器，AI Agent 就像一个懂得自主思考和行动的智能助理，你只需告诉它目标，剩下的事情它会自主规划并完成。 这种差异背后的核心是： • 传统 AI = 单点能力 • AI Agent = 能力组合 + 自主决策 🎯 思维总结 当你设计任何智能系统时，首先要问自己：这个系统需要知道答案还是完成任务？ 这个思维模式适用于所有自动化场景的设计。 思维总结 当你设计任何智能系统时，首先要问自己：这个系统需要知道答案还是完成任务？ 这个思维模式适用于所有自动化场景的设计。 一、什么是 AI Agent？ 一）核心概念 AI Agent 是能够感知环境、自主决策、执行任务的智能系统。 Agent 的本质是什么？在理解 Agent 之前，让我们用一个思维模型来分析： LOOP思维模型 这不是一个简单的公式，而是一个系统设计思维： • LLM（大语言模型）：Agent 的"大脑"，负责理解和决策 • Tools（工具）：Agent 的"手脚"，执行具体任务 • Context（上下文）：Agent 的"视野"，理解当前情况 • Memory（记忆）：Agent 的"经验"，记住历史信息 💡 任何智能系统都可以用这四个维度来分析。比如： • 自动驾驶汽车：传感器(Context) + AI 模型(LLM) + 控制系统(Tools) + 行驶记录(Memory) • 智能客服：对话上下文(Context) + 语言模型(LLM) + 业务API(Tools) + 历史会话(Memory) 💡 小贴士：现在不理解这些概念没关系，通过后面的实践你会逐渐明白。 小贴士：现在不理解这些概念没关系，通过后面的实践你会逐渐明白。 二）Agent 的核心能力对比 与传统 AI 的最大区别在于： 维度 传统对话 AI AI Agent 响应模式 被动回答 主动执行 处理深度 单轮对话 多步骤规划 决策方式 固定流程 动态决策 能力范围 单一功能 工具调用 维度 维度 传统对话 AI 传统对话 AI AI Agent AI Agent 响应模式 响应模式 被动回答 被动回答 主动执行 主动执行 处理深度 处理深度 单轮对话 单轮对话 多步骤规划 多步骤规划 决策方式 决策方式 固定流程 固定流程 动态决策 动态决策 能力范围 能力范围 单一功能 单一功能 工具调用 工具调用 选择建议： • 简单问答场景：使用传统 AI → 成本低、响应快 • 复杂任务场景：使用 AI Agent → 自主性强、能力全面 • 混合场景：先用传统 AI 判断意图，复杂任务转 Agent 处理 二、创建第一个 AI Agent 🤔 模块化设计思维 在动手之前，先培养一个关键思维：模块化设计。 三层架构思维 1. 触发层：如何启动？（Chat/Webhook/定时） 2. 处理层：如何思考？（LLM + Memory） 3. 执行层：如何行动？（Tools） 这种分层思维让你能够： • 灵活替换任何一层而不影响其他层 • 快速定位问题所在层级 • 复用已有模块构建新系统 模块化设计思维 在动手之前，先培养一个关键思维：模块化设计。 三层架构思维 1. 触发层：如何启动？（Chat/Webhook/定时） 2. 处理层：如何思考？（LLM + Memory） 3. 执行层：如何行动？（Tools） 这种分层思维让你能够： • 灵活替换任何一层而不影响其他层 • 快速定位问题所在层级 • 复用已有模块构建新系统 一）Step 1：添加AI Agent节点 1. 打开 n8n 工作流画布 2. 点击"添加节点"按钮（+号） 3. 在搜索框输入"AI Agent" 4. 选择 AI Agent 节点 你会看到AI Agent节点自带一个聊天触发器，这意味着我们可以通过聊天界面与它交互。 二）Step 2：理解 Agent 的三个连接点 AI Agent节点下方有三个连接点（+号），它们分别是： 1. 左侧：Chat Model ◦ Agent 的"大脑" ◦ 决定 AI 的智能程度 ◦ Agent 的"大脑" ◦ 决定 AI 的智能程度 2. 中间：Memory ◦ Agent 的"记忆库" ◦ 让 AI 记住对话历史 ◦ Agent 的"记忆库" ◦ 让 AI 记住对话历史 3. 右侧：Tools ◦ Agent 的"工具箱" ◦ 赋予 AI 执行能力 ◦ Agent 的"工具箱" ◦ 赋予 AI 执行能力 🧠 从配置节点到设计系统 ❌ 传统思维："我要配置这三个连接点" ✅ 系统思维："我要设计一个具有特定能力的智能系统" 每个连接点不是独立的配置项，而是系统能力的一个维度： • Chat Model 决定理解能力 • Memory 决定连续性 • Tools 决定执行范围 从配置节点到设计系统 ❌ 传统思维："我要配置这三个连接点" ✅ 系统思维："我要设计一个具有特定能力的智能系统" 每个连接点不是独立的配置项，而是系统能力的一个维度： • Chat Model 决定理解能力 • Memory 决定连续性 • Tools 决定执行范围 三）Step 3：连接 Chat Model 点击左侧 Chat Model 的连接点后，你会看到弹出了很多 AI 模型供你选择。 你可以将你平时常用的AI模型链接到AI Agent。这里我来选择大众最熟悉的 DeepSeek。 💡 模型选择不是"越强越好"，而是"适合最好"。就像不会用牛刀杀鸡，也不会用水果刀砍柴。 模型选择不是"越强越好"，而是"适合最好"。就像不会用牛刀杀鸡，也不会用水果刀砍柴。 首次配置DeepSeek： 1. 选择DeepSeek后，需要创建一个凭证 2. 点击 "Create new credential" 3. 输入你的 DeepSeek API Key（可以在DeepSeek开放平台获取） DeepSeek开放平台 4. 保存凭证 配置完成后，你会看到 DeepSeek 提供了两个模型选项： • DeepSeek Chat (v3)：这是他们的通用对话模型，响应速度快，适合日常对话 • DeepSeek Reasoner (R1)：这是最新的深度推理模型，擅长复杂逻辑推理 对于我们的第一个 Agent，选择 Chat 模型就足够了。 四）Step 4：测试基础对话 1. 点击"Open chat"运行工作流 2. 在聊天界面输入："Hello" 3. 观察 AI 的回复 问题发现：AI 回复的是英文，但我们更希望它能用中文与我们交流。 📜 问题分析与解决 面对 AI 回复英文这个问题，运用问题分析三步法： 1. 现象识别：AI 能正常工作，但语言不符预期 2. 原因推断：缺少语言偏好设置 3. 解决方案：添加系统提示词指定语言 这个思维方法可以应用到任何调试场景。 问题分析与解决 面对 AI 回复英文这个问题，运用问题分析三步法： 1. 现象识别：AI 能正常工作，但语言不符预期 2. 原因推断：缺少语言偏好设置 3. 解决方案：添加系统提示词指定语言 这个思维方法可以应用到任何调试场景。 三、优化 Agent：添加系统提示词 一）设置系统消息 1. 双击AI Agent节点 2. 点击底部的 "Add Option" 3. 选择 "System Message" 4. 输入系统提示词： 二）再次测试 输入"Hello"，这次 AI 会用中文回复了！ 四、发现问题：缺失的记忆 一）记忆测试实验 💬 第一轮对话： • 用户："香蕉的英文怎么说？" • AI："香蕉的英文是banana" 第一轮对话： • 用户："香蕉的英文怎么说？" • AI："香蕉的英文是banana" 🗨️ 第二轮对话： • 用户："我刚刚问你的是什么？" • AI："您好！您之前并没有向我提问过任何问题，这是我们对话的开始。请问现在有什么我可以帮助您的吗？" 第二轮对话： • 用户："我刚刚问你的是什么？" • AI："您好！您之前并没有向我提问过任何问题，这是我们对话的开始。请问现在有什么我可以帮助您的吗？" 二）问题分析 AI 看起来很"傻"，但这不是 AI 的问题，而是我们没有给它配置记忆功能。每次对话对它来说都是全新的开始。 🤔 理解 Session 管理的本质 AI Agent完全记不住上下文，其实就是Session管理的概念。Session管理不仅仅是技术概念，更是一种状态管理思维。 简而言之： Session 让 AI Agent 记住正在进行对话的上下文。没有它，AI 只能接受单个提示并独立回答，完全不知道过去的对话发生了什么。 理解 Session 管理的本质 AI Agent完全记不住上下文，其实就是Session管理的概念。Session管理不仅仅是技术概念，更是一种状态管理思维。 简而言之： Session 让 AI Agent 记住正在进行对话的上下文。没有它，AI 只能接受单个提示并独立回答，完全不知道过去的对话发生了什么。 生活类比理解 • 没有 Session：就像每次去银行，柜员都不认识你 • 有 Session：就像你的专属客户经理，记得之前的沟通 Session的工作原理 💡 Session 设计要考虑三个维度： 1. 隔离性：不同用户/场景的数据互不干扰 2. 持续性：记忆保持多久 3. 容量性：记忆多少内容 Session 设计要考虑三个维度： 1. 隔离性：不同用户/场景的数据互不干扰 2. 持续性：记忆保持多久 3. 容量性：记忆多少内容 图中就是一个 session id 图中就是一个 session id No access session 管理演示 00:00 No access session 管理演示 00:00 五、添加记忆功能 一）Step 1：理解记忆的重要性 🎯 记忆让 AI Agent 能够： • 记住用户偏好 • 追踪任务进度 • 维持上下文连贯 • 实现多轮对话 记忆让 AI Agent 能够： • 记住用户偏好 • 追踪任务进度 • 维持上下文连贯 • 实现多轮对话 二）Step 2：配置记忆节点 点击AI Agent右侧的连接点，你会看到n8n提供了多种记忆存储方式。 选择建议：存储方案对比 存储方式 适用场景 优点 缺点 Simple Memory 测试/开发 零配置 重启失效 Redis 高并发场景 速度快 需要维护 MongoDB 复杂数据 灵活性高 配置复杂 PostgreSQL 企业应用 可靠性强 资源占用大 存储方式 存储方式 适用场景 适用场景 优点 优点 缺点 缺点 Simple Memory Simple Memory 测试/开发 测试/开发 零配置 零配置 重启失效 重启失效 Redis Redis 高并发场景 高并发场景 速度快 速度快 需要维护 需要维护 MongoDB MongoDB 复杂数据 复杂数据 灵活性高 灵活性高 配置复杂 配置复杂 PostgreSQL PostgreSQL 企业应用 企业应用 可靠性强 可靠性强 资源占用大 资源占用大 选择存储方案时，遵循渐进式升级原则： 1. 开始用最简单的（Simple Memory） 2. 遇到限制时再升级 3. 不要过度设计 对于我们的第一个Agent，选择Simple Memory就足够了。 🎯 Simple Memory的特点： • ✅ 零配置：不需要设置任何数据库或外部服务 • ✅ 即插即用：选择后立即可用 • ✅ 适合学习：最适合新手理解记忆功能的作用 • ⚠️ 临时存储：记忆只在当前会话有效，重启 n8n 后会清空 • ⚠️ 单机限制：不适合生产环境或多实例部署 Simple Memory的特点： • ✅ 零配置：不需要设置任何数据库或外部服务 • ✅ 即插即用：选择后立即可用 • ✅ 适合学习：最适合新手理解记忆功能的作用 • ⚠️ 临时存储：记忆只在当前会话有效，重启 n8n 后会清空 • ⚠️ 单机限制：不适合生产环境或多实例部署 选择Simple Memory后，你可以设置： • Context Window Size: 10（记住最近10轮对话） • Session ID: 可选，用于区分不同用户的对话（对于chat触发器来说，默认是{{ $json.sessionId }}） 💡 进阶提示：在后续章节中，我们会详细介绍如何使用数据库存储记忆，实现跨会话、跨设备的持久化对话记录。 进阶提示：在后续章节中，我们会详细介绍如何使用数据库存储记忆，实现跨会话、跨设备的持久化对话记录。 三）Step 3：验证记忆功能 重复之前的测试： 💡 • 问："钢铁侠的英文怎么说？" • 再问："我刚刚问你的是什么？" • AI现在能正确回答："你刚刚问的是："钢铁侠的英文怎么说？"" • 问："钢铁侠的英文怎么说？" • 再问："我刚刚问你的是什么？" • AI现在能正确回答："你刚刚问的是："钢铁侠的英文怎么说？"" 现在我们的 Agent 已经有了大脑(Chat Model)和记忆(Memory)，接下来该给它装上手脚了——工具系统！ 六、添加工具能力 一）为什么需要工具？ 想象一下，如果你只能说话但不能动手，会是什么感觉？这就是纯对话 AI 的困境。 能力进化路径 🎯 配备工具的Agent = 全能助手 • 🔍 搜索最新信息 • 📁 读写各种文件 • 📧 发送邮件通知 • 🌐 调用第三方API • 🧮 执行复杂计算 • 📅 管理日程安排 • 🗺️ 查询地理信息 配备工具的Agent = 全能助手 • 🔍 搜索最新信息 • 📁 读写各种文件 • 📧 发送邮件通知 • 🌐 调用第三方API • 🧮 执行复杂计算 • 📅 管理日程安排 • 🗺️ 查询地理信息 💡 工具选择遵循最小必要原则： • 不是工具越多越好 • 每个工具都要有明确用途 • 避免功能重叠 工具选择遵循最小必要原则： • 不是工具越多越好 • 每个工具都要有明确用途 • 避免功能重叠 工具就像给 AI 装上了"手脚"，让它从只会聊天的机器人进化成真正的智能助手！ 二）打造智能日程管家 群里很多朋友对 n8n + 飞书 的组合很感兴趣，那咱们就来搞个实用的——智能日程助手！ 1、我们的目标很简单但很强大 1. 听懂人话 "明天下午2点开会"这种自然语言 2. 主动查询 自己去看看日历有什么安排 3. 智能创建 根据需求创建新日程 4. 贴心服务 查天气、找地点，一条龙服务 2、技术栈选择 • n8n 工作流编排平台 • 飞书日历 日程管理载体 • n8n nodes feishu lite 社区贡献的飞书节点包 三）工具配置 既然要做就做全套！我们一次性配置4个核心工具，把日历管理完全交给 AI Agent。 💡 点击工作流下载区下载现成的工作流模板， 跟着课程一步步实践，事半功倍！ 点击工作流下载区下载现成的工作流模板， 跟着课程一步步实践，事半功倍！ 1、开通权限 首先我们需要将日历相关的权限都开通。 1）批量导入权限 然后我们肉眼扫一眼后，点击申请开通权限。 2）添加机器人能力 接下来，在应用能力中添加机器人能力，这是调用日历相关接口的前提条件。 3）发布应用 2、创建共享日历 1）执行共享日历 因为我们是通过应用身份去操作日历的，所以首先需要通过应用创建一个共享日历，如图右边的 calendar id 就是后续我们要操作的一个日历ID。 可以在提供的工作流中，直接点击Debug节点，可以自动生成一个日历。 2）订阅共享日历 默认情况下刚加的日历是不会出现的，需要我们自己主动搜索订阅。 3）配置共享日历ID 我们拿到上面的日历ID后，比如feishu.cn THo6DIl6PNDkqfCXxWJYUd@group.calendar.feishu.cn，我们需要将这个ID，复制到日历配置节点里。 feishu.cn THo6DIl6PNDkqfCXxWJYUd@group.calendar.feishu.cn 3、查询单个日程 4、创建日程 5、获取日程列表 6、删除日程 📌 什么是"Defined automatically by the model" 这个功能的意思是：让AI模型自动识别和填写参数值，而不是手动指定。 工作原理 当你选择这个选项时： 1. AI分析上下文 模型会分析用户的输入和对话历史 2. 智能推断参数 根据语义理解推断出需要的参数值 3. 自动填写 无需人工配置，AI自动提供正确的值 什么是"Defined automatically by the model" 这个功能的意思是：让AI模型自动识别和填写参数值，而不是手动指定。 工作原理 当你选择这个选项时： 1. AI分析上下文 模型会分析用户的输入和对话历史 2. 智能推断参数 根据语义理解推断出需要的参数值 3. 自动填写 无需人工配置，AI自动提供正确的值 1）传统方式 2）AI自动模式 3）实际场景示例 用户说："取消后天下午的产品评审" AI的智能推理过程： 1. 🔍 语义理解：用户想删除"后天下午的产品评审" 2. 📋 上下文分析：从之前 ListEvents 的结果中查找 3. 🎯 匹配识别：找到 summary 包含"产品评审"且时间在后天下午的事件 4. 🔑 提取ID：自动获取该事件的 event id 5. ✅ 调用删除：用提取的 ID 调用 DeleteEvents 四）CreateEvent的"坑"与解决方案 创建日程看起来简单，实际上有不少细节需要处理： 1、复杂的请求体结构 飞书的 CreateEven t需要这样的 JSON： 将CreateEvent的"请求体"字段改为手动模式，使用表达式。 2、AI自动构造的挑战 问题来了：如何让AI理解"明天下午2点开会"并转换成正确的时间戳？ 解决方案：精心设计的提示词 五）智能升级：天气+地图让助手更贴心 光会管理日程还不够，真正的智能助手要能提供情境化服务！ 1、情境化思维框架 1. 核心任务：用户要做什么？ 2. 相关信息：什么信息能帮助决策？ 3. 主动建议：能提供什么额外价值？ 2、场景示例 1）场景1：天气感知的出行规划 用户："明天上午9点去上海出差" 智能助手的思考过程： 1. 📅 创建"上海出差"日程 2. 🌦️ 查询上海明天天气 3. 💡 根据天气给出建议 最终日程描述： 2）场景2：地点信息的智能补充 用户："下周一下午3点在国贸开会" 智能处理： 1. 📍 搜索"国贸"具体位置 2. 🛣️ 提供详细地址和交通建议 3. ⏰ 根据距离建议出发时间 3、技术实现：高德地图MCP加持 高德地图Endpoint配置示例： SSE 模式 HTTP Streamable 模式 SSE 模式 HTTP Streamable 模式 高德API密钥获取地址：https://console.amap.com/dev/key/app 🎉 恭喜！我们的智能日程助理已经功能完备了。但现在有个问题：它只能在n8n界面中使用... 七、从聊天界面到全平台调用：Webhook 化你的 AI Agent 一）现状分析：局限性与突破点 目前我们的智能日程助理存在一个明显的局限： 💡 当前状态： • ✅ 功能完善 能查询、创建、删除日程 • ✅ 智能交互 理解自然语言指令 • ❌ 使用受限 只能在n8n的Chat界面中使用 • ❌ 场景单一 无法集成到其他应用 当前状态： • ✅ 功能完善 能查询、创建、删除日程 • ✅ 智能交互 理解自然语言指令 • ❌ 使用受限 只能在n8n的Chat界面中使用 • ❌ 场景单一 无法集成到其他应用 🧩 突破方向： 通过 Webhook 改造，让 AI Agent 从"内部工具"变成"开放服务"！ 突破方向： 通过 Webhook 改造，让 AI Agent 从"内部工具"变成"开放服务"！ 二）Webhook改造：三步走策略 1、架构转换思维 这种转换让系统获得： • 可访问性：任何平台都能调用 • 可集成性：融入现有系统 • 可扩展性：支持多种触发方式 2、改造步骤 1）Step 1：替换触发器 原来的触发方式： 改造后的触发方式： 具体操作： 1. 删除 "When chat message received" 节点 2. 添加 "Webhook"节点 3. 设置 HTTP 方法为POST 4. 获取 Webhook URL 2）Step 2：调整数据流 原来的数据结构：