GPT‑6 Astra + n8n 企业 Agent：研究、表格、文档与业务流程自动化

本文提供GPT‑6 Astra＋n8n企业Agent完整架构与配置，讲解Responses API、Structured Outputs、Tools Agent、Human Review，以及研究、表格、文档和CRM业务流程四条可复制流水线。

摘要： GPT‑6 Astra 与 n8n 的最佳组合不是把所有事情都交给一个“万能 AI Agent”节点，而是明确分工：n8n 负责触发器、凭据、数据搬运、确定性规则、审批、重试和审计；Astra 负责研究、复杂判断、结构化提取、内容生成与跨步骤规划。由于 GPT‑6 Astra 的工具调用必须使用 Responses API，企业接入时要区分两种路线：需要高度可控的研究、表格与文档流水线时，用 n8n HTTP Request 节点直接调用 /v1/responses；需要让模型自主选择 n8n 工具时，使用新版 AI Agent/Tools Agent，并把写入、发送、发布、删除等工具接入 Human Review。本文基于 2026 年 9 月 9 日 OpenAI 与 n8n 官方文档，提供四条完整流程、节点配置、JSON Schema、Code 节点脚本、审批与错误处理、成本优化及生产验收清单。

核心结论

**n8n 做编排，Astra 做推理。**定时、Webhook、Google Sheets、文件转换、Slack 审批和 CRM 写入交给 n8n；来源归纳、异常判断、字段映射、报告生成和工具选择交给 Astra。
**Astra 工具调用必须使用 Responses API。**如果 n8n 内置模型节点尚未暴露所需 Astra/Responses 参数，应使用 HTTP Request 节点调用 /v1/responses，不能用旧 Chat Completions 工具调用配置替代。
**企业数据流优先使用 Structured Outputs。**用严格 JSON Schema 固定字段、枚举和数据类型，再让 n8n Split Out、Merge、IF、Google Sheets 等节点处理，避免靠正则从自然语言中提取业务字段。
**新版 n8n AI Agent 已统一为 Tools Agent。**旧 v1 节点中的 agent type 设置自 n8n 1.82.0 起弃用，并计划在 n8n 3.0 移除；新流程应使用当前节点并至少连接一个工具。
**高影响工具必须接 Human Review。**n8n 可通过 Chat、Slack、Telegram 等审批渠道暂停工作流；读取、分析和草稿可自动完成，发送、发布、删除、付款、权限变更与敏感数据传输必须审批。

一、整体架构：不要把 n8n 与 Astra 的职责混在一起

企业自动化通常同时包含确定性步骤和不确定性步骤。前者适合工作流引擎，后者适合推理模型。

工作内容	推荐执行者	原因
定时、Webhook、队列触发	n8n	可重复、可追踪
API 凭据和 OAuth	n8n Credentials	避免把秘密交给模型
数据清洗、字段重命名、日期计算	Set / Code 节点	确定性强、成本低
多来源研究与矛盾识别	GPT‑6 Astra	需要综合判断
JSON Schema 输出	Astra Structured Outputs	下游字段稳定
Sheets/CRM/数据库读写	n8n 应用节点	权限与错误可观测
写工具选择	n8n Tools Agent＋Astra	适合开放式任务
高风险动作确认	Human Review	保留人的最终控制
重试、告警与审计	n8n	工作流级治理

flowchart TD
    A[Trigger / Webhook] --> B[采集与清洗]
    B --> C[GPT-6 Astra 推理]
    C --> D[Structured Output]
    D --> E{确定性处理}
    E --> F[表格 / 文档草稿]
    F --> G{高影响动作}
    G -->|需要| H[Human Review]
    G -->|无需| I[执行与审计]
    H --> I

二、两种接入方式怎么选

路线 A：HTTP Request 调用 Responses API

适合固定流水线：研究简报、表格分类、文档生成、发票抽取、周报汇总。n8n 明确控制每一步，Astra 返回结构化结果。

优点是 API 参数完整、容易升级模型、能直接使用 text.format、内置 Web Search、File Search 或 Function Calling；缺点是需要自己解析 response 和处理多轮工具调用。

路线 B：n8n AI Agent / Tools Agent

适合开放式任务：“查找最近未跟进的客户，汇总原因并创建草稿任务”。Agent 根据工具 schema 决定调用哪个节点或子工作流。

n8n 官方文档说明，AI Agent 必须连接至少一个工具；新版节点统一为 Tools Agent。Human Review 可以连接到指定工具，模型准备调用时暂停，审批人批准才执行，拒绝则取消。

路线 C：混合架构

生产中最实用。固定研究和结构化生成走 HTTP Request；少量开放式查询走 Tools Agent；所有写操作仍由可审计的子工作流执行，并在必要时审批。

n8n负责触发连接审批审计，Astra负责研究推理和结构化生成。

三、基础准备与凭据配置

需要准备：可用的 OpenAI API 项目与 Key、n8n 实例、目标表格或数据库、文档存储、审批渠道。API key 应保存在 n8n Credentials 中，不写进节点参数、表达式、工作流 JSON 或执行日志。

HTTP Request 节点建议配置：

字段	值
Method	POST
URL	`https://api.openai.com/v1/responses`
Authentication	Header Auth / Credential
Header	`Authorization: Bearer ...`
Content-Type	`application/json`
Send Body	JSON
Timeout	依据任务设定，例如 120 秒
Retry on Fail	只对可安全重试错误开启

最小请求：

{
  "model": "gpt-6-astra",
  "reasoning": { "effort": "medium" },
  "input": "根据输入数据生成管理摘要，并列出需要人工确认的异常。"
}

GPT‑6 Astra 不支持 none reasoning effort。简单分类从 low 起测，研究与跨来源判断可用 medium 或 high；不要默认全部使用最高档，应以成功任务成本评估。

四、工作流一：自动研究与事实核验

目标：每天收集行业动态，按来源可信度、事件日期和业务影响生成结构化研究卡片。

节点顺序

Schedule Trigger：每天固定时间启动。
RSS Read / HTTP Request：采集官方公告和指定来源。
Remove Duplicates：按规范化 URL 或内容哈希去重。
Code：裁剪正文、统一日期、过滤空内容。
Split In Batches：控制并发和单批 token。
HTTP Request → Astra：提取事件与证据。
Merge：合并多来源结果。
Astra 二次综合：识别冲突、排序并生成摘要。
Google Sheets / Database：写入研究库。
Slack：发送待复核摘要。

研究提取请求应要求模型区分“来源明确陈述”与“编辑判断”，不要让模型凭记忆补充动态事实：

{
  "model": "gpt-6-astra",
  "reasoning": { "effort": "medium" },
  "input": [
    {
      "role": "user",
      "content": [
        {
          "type": "input_text",
          "text": "从以下来源提取事件。只使用提供的正文；缺失信息返回null。\n{{$json.article}}"
        }
      ]
    }
  ],
  "text": {
    "format": {
      "type": "json_schema",
      "name": "research_item",
      "strict": true,
      "schema": {
        "type": "object",
        "properties": {
          "title": { "type": "string" },
          "event_date": { "type": ["string", "null"] },
          "facts": { "type": "array", "items": { "type": "string" } },
          "evidence_urls": { "type": "array", "items": { "type": "string" } },
          "uncertainties": { "type": "array", "items": { "type": "string" } },
          "impact_score": { "type": "integer", "minimum": 1, "maximum": 5 }
        },
        "required": ["title", "event_date", "facts", "evidence_urls", "uncertainties", "impact_score"],
        "additionalProperties": false
      }
    }
  }
}

Structured Outputs 不只是“返回合法 JSON”，还要求符合 schema。n8n 下游因此可以直接按字段判断，不必猜测模型是否把 impact_score 写成“五颗星”。

五、在 Code 节点中提取 Responses 输出

Responses API 返回 typed output 数组。不同输出项可能包含 reasoning、message 或 tool call，不能假定正文永远位于固定数组下标。

const response = $json;

const texts = [];
for (const item of response.output ?? []) {
  if (item.type !== 'message') continue;
  for (const content of item.content ?? []) {
    if (content.type === 'output_text' && content.text) {
      texts.push(content.text);
    }
  }
}

if (!texts.length) {
  throw new Error(`No output_text; status=${response.status}`);
}

let parsed;
try {
  parsed = JSON.parse(texts.join('\n'));
} catch (error) {
  throw new Error(`Structured output parse failed: ${error.message}`);
}

return [{
  json: {
    response_id: response.id,
    model: response.model,
    usage: response.usage,
    result: parsed,
  }
}];

还要检查 status、拒绝输出和 incomplete 状态。达到 max_output_tokens 可能在没有可见正文时结束，不能把空文本当成功。

六、工作流二：表格清洗、分类与异常处理

目标：从 Google Sheets、Excel 或 CSV 读取业务数据，先做确定性清洗，再让 Astra 处理语义分类，最后只更新允许的列。

正确的分工

空值删除、数字格式、日期标准化：n8n Code/Edit Fields。
客户意图、投诉主题、工单优先级：Astra。
唯一键查重：数据库或表格节点。
写回：Google Sheets/Excel/数据库节点。
高风险批量覆盖：人工审批。

一个常见错误是把整张表转换成一大段 Markdown 发给模型。这样成本高、行号易错、失败难重试。应按稳定批次发送，并保留 row_id：

const BATCH_SIZE = 25;
const rows = items.map(item => ({
  row_id: item.json.row_id,
  subject: item.json.subject,
  description: item.json.description,
}));

const batches = [];
for (let i = 0; i < rows.length; i += BATCH_SIZE) {
  batches.push({ json: { rows: rows.slice(i, i + BATCH_SIZE) } });
}
return batches;

输出 schema 必须回传同一个 row_id，并限制 category 和 priority 的枚举。写入前 Merge by Key，确认返回行数等于输入行数；缺失、重复或未知 ID 进入异常分支，禁止按数组顺序盲写。

Google Sheets 节点建议

使用行唯一键匹配，限制更新列；把原始数据、AI 建议和人工确认状态分列保存。例如：ai_category、ai_confidence、review_status、reviewer、reviewed_at。不要直接覆盖人工维护的 final_category。

七、工作流三：从数据生成 Word/PDF/Google Docs 文档

目标：读取表格与数据库数据，生成周报、项目报告、客户方案或会议纪要。

推荐采用“两阶段生成”：

Astra 返回结构化文档计划：标题、章节、要点、表格数据、风险和来源。
n8n 使用模板节点或子工作流渲染成 HTML/Docs/DOCX/PDF。

不要让模型直接输出一整段不可控 HTML 并立即发送。结构化计划更容易验证字段和套用企业模板：

{
  "report_title": "2026年第36周客户运营周报",
  "period": { "start": "2026-08-31", "end": "2026-09-06" },
  "executive_summary": "...",
  "sections": [
    { "heading": "新增线索", "body": "...", "table_ref": "leads" }
  ],
  "risks": [
    { "level": "high", "item": "...", "owner": "销售运营" }
  ],
  "sources": ["sheet:Leads!A2:H200"]
}

文档生成后增加 QA 分支：校验标题、日期、必需章节、数字合计、空字段、链接和文件大小。外发前通过 Human Review 展示收件人、文件名、摘要和附件。

八、工作流四：跨 CRM、工单与企业消息的业务流程

示例：新客户表单进入后，Agent 判断意向、在 CRM 查重、生成跟进建议、创建任务草稿，并通知销售。

flowchart TD
    A[Webhook 新线索] --> B[校验与去重]
    B --> C[Astra 评分与摘要]
    C --> D[CRM 查询]
    D --> E{已有客户?}
    E -->|是| F[更新草稿]
    E -->|否| G[新建草稿]
    F --> H[Human Review]
    G --> H
    H --> I[CRM 写入]
    I --> J[消息通知与审计]

Tools Agent 可连接：查询客户、读取订单、创建草稿任务、更新 CRM、发送消息。将只读工具直接连接；将 update_crm、send_message 等工具接入 Human Review。n8n 官方流程是从 AI Agent 的工具连接器进入 Human review，选择 Chat、Slack、Telegram 等审批渠道，再把需审批工具接上。

研究、表格、文档和CRM共享结构化输出、验证、审批与审计闭环。

九、如何定义安全的 n8n Agent 工具

工具名和描述应具体，参数尽量少。不要提供一个 run_any_sql 或 call_any_api 万能工具。

不安全工具	推荐拆分
`manage_customer`	`search_customer`、`draft_customer_update`、`apply_approved_update`
`send_message` 任意收件人	`draft_sales_notice`、`send_approved_sales_notice`
`run_sql`	参数化的 `get_open_tickets`、`update_ticket_status`
`file_manager`	`read_report_input`、`write_report_output`

工具输出返回结构化 JSON，并包含业务 ID、状态和可验证字段。写工具使用幂等键，重试前回读实际状态。

十、Human Review：审批什么，不审批什么

自动执行

读取指定表格或数据库视图；
搜索白名单来源；
清洗和分类；
生成草稿与差异预览；
写入隔离的 AI 建议列；
在测试环境创建临时文件。

必须审批

代表员工对外发送邮件或消息；
发布文章、修改线上页面；
覆盖人工维护字段或批量更新 CRM；
删除、合并或不可逆修改记录；
付款、退款、下单；
改变权限或共享范围；
向第三方传输敏感数据。

审批消息应显示动作、目标、原值、新值、影响记录数、数据目的地和过期时间。批准令牌绑定具体参数；数据变化后必须重新审批。

十一、错误处理与重试设计

n8n 的 Error Trigger、Continue on Fail、Retry on Fail 很方便，但 Agent 写操作不能无脑重试。

错误类型	处理方式
429/临时网络错误，尚未写入	指数退避并限制次数
Structured Output 缺失/拒绝	进入人工复核或安全降级
`status=incomplete`	检查原因，调整输出预算后重新创建受控任务
CRM 写入后连接中断	按幂等键查询真实状态，禁止直接重试
审批拒绝	终止该动作，记录拒绝原因
Schema 或列名变化	停止写回并报警
n8n 凭据失效	通知管理员，不把凭据问题交给模型处理

建议每条业务记录都有 workflow_run_id、task_id、idempotency_key、source_hash 和 schema_version。

十二、研究、表格与文档的质量验证

研究验证

来源链接可访问；
事件日期与发布日期分开；
事实能够追溯到来源；
不确定内容明确标记；
多来源冲突不被强行合并。

表格验证

输入行数与输出行数一致；
每个 row_id 唯一且存在；
枚举值合法；
数值范围、日期和必填列通过校验；
AI 建议列与人工最终列分离。

文档验证

模板必需章节齐全；
数据总计与源表一致；
日期范围正确；
来源与附件存在；
发送前完成预览与审批。

十三、成本与性能优化

Astra 单价高于轻量模型，不应承担所有机械步骤。建议采用模型路由：低成本模型或 Code 节点处理格式化和简单分类，Astra 处理多来源研究、复杂异常和最终综合。

降低成本的八个方法：

在进入模型前去重、过滤和裁剪内容；
将稳定系统说明放在 prompt 前缀以利用缓存；
按合理批次处理表格，不逐行单独调用；
用 Structured Outputs 降低解析失败重试；
只让 Astra看到完成任务必需的字段；
限制 max_output_tokens，但为 reasoning 留足空间；
记录 token 与成功任务成本，而非只看单次调用；
后台非紧急流程使用 Standard，并评估 Batch/Flex。

官方文档显示 Astra 标准短上下文输入、缓存输入、输出分别为每百万 token 10、1、50 美元，缓存写入 12.50 美元；超过 272K 输入后整次请求使用更高档位。价格会变化，上线前核对实时页面。

十四、凭据、数据与提示注入安全

OpenAI Key、Google OAuth、CRM token 全部放 n8n Credentials；
工作流导出前检查是否包含固定密钥或测试数据；
来源网页、邮件和文档视为不可信，不能授予工具权限；
Agent 工具使用最小权限账户；
对外部 URL 使用白名单，禁止模型自由决定任意目的地；
执行日志脱敏密码、API key、身份证和财务信息；
测试与生产使用不同凭据、项目和表格；
定期轮换密钥并检查 n8n 实例、社区节点和依赖版本。

十五、生产监控仪表盘

至少统计：工作流成功率、一次通过率、Astra 调用次数、输入/缓存/输出 token、每成功任务成本、P50/P95 用时、Schema 失败率、审批率、拒绝率、人工接管率、外部 API 错误、重复写入、回滚与补偿次数。

每次执行保留输入来源 ID、模型响应 ID、模型快照、reasoning effort、schema version、工具调用、审批人与实际写入结果。日志用于复盘，不应无限保存敏感原文。

十六、可复制的节点清单

研究 Agent

Schedule Trigger → RSS/HTTP Request → Code清洗 → 去重 → Loop Over Items → Astra Responses → Parse JSON → Merge → Sheets/DB → Slack摘要

表格 Agent

Google Sheets Trigger → Filter → Code分批 → Astra分类 → Schema校验 → Merge by row_id → IF异常 → 写AI建议列 → Review → 写最终列

文档 Agent

Schedule/Webhook → 数据查询 → Aggregate → Astra文档计划 → 模板渲染 → Convert to File → QA → Human Review → 邮件/Drive归档

业务流程 Agent

Webhook → Validate → Tools Agent → Read Tools → Draft Write Tool → Human Review → Approved Write Workflow → Verify → Notify → Audit

如需扩展，可参考 AI Stack Nav 的 n8n 工作流教程和 GPT‑6 Astra 实战，把本文的结构化 schema、审批和审计字段复用到现有 WordPress 自动发文或企业 Agent 项目。

十七、上线验收清单

Astra 工具调用使用 Responses API，而非旧 Chat Completions 工具路径。
n8n AI Agent 使用当前 Tools Agent 节点。
每个 Agent 至少连接一个定义清晰的工具。
固定流水线优先用 HTTP Request＋Structured Outputs。
输入去重、裁剪并保留来源 ID。
表格按 row_id 合并，不按数组位置写回。
AI 建议字段不直接覆盖人工最终字段。
所有写、发送、发布和删除工具已接 Human Review。
审批消息包含目标、参数、影响范围与数据目的地。
写操作使用幂等键并执行后回读。
API 和 OAuth 凭据只存在于 Credentials。
配置 Error Workflow、超时、并发和重试上限。
记录模型、token、成本、审批和业务结果。
已测试拒绝、超时、重复执行、Schema 变化和断点恢复。

事实依据与来源

事实	官方来源	实施影响
GPT‑6 Astra 工具调用要求 Responses API	OpenAI Function Calling	HTTP Request 接 `/v1/responses`
Astra 支持 Structured Outputs、工具调用、MCP、缓存等	OpenAI Model Guidance	可构建结构化企业流水线
Structured Outputs 遵守 JSON Schema	OpenAI Structured Outputs	下游不依赖自然语言解析
n8n AI Agent 必须连接至少一个工具	n8n AI Agent	明确 Agent 环境与能力
新版 AI Agent 统一为 Tools Agent	n8n AI Agent	避免继续使用将移除的 v1 类型选项
Tools Agent 使用工具 schema 并支持标准输出格式	n8n Tools Agent	工具应参数化、细粒度
指定工具可接 Human Review	n8n Tools Agent	写入和发送前暂停审批
Human Review 支持 Chat、Slack、Telegram 等渠道	n8n Tools Agent	可接入企业现有审批入口
Google Sheets 可作为 Agent 数据源/工具	n8n 官方示例	支持表格查询与业务数据流

十八、常见问题 FAQ

Q1：n8n 内置 OpenAI Chat Model 能直接使用 Astra 工具调用吗？

要看当前节点是否明确使用 Responses API 并暴露所需模型参数。官方规定 Astra 工具调用要求 Responses API；不确定时使用 HTTP Request 调 /v1/responses。

Q2：所有工作流都需要 AI Agent 节点吗？

不需要。固定研究、分类和文档流程用普通节点加一次 Astra 请求更稳定。只有工具选择和路径本身不固定时才需要 Tools Agent。

Q3：为什么一定要 Structured Outputs？

它不仅保证 JSON 合法，还保证符合指定 Schema，能显著减少缺字段、错误枚举和下游解析重试。

Q4：Astra 可以直接更新 Google Sheets 吗？

可以通过 n8n Google Sheets 工具或节点执行，但应限制表格、工作表、行与列；高影响覆盖应审批并保留原值。

Q5：表格应该逐行调用还是批量调用？

通常小批量更划算。每批保留唯一 row ID，控制上下文大小，并在写回前验证数量和 ID。

Q6：Human Review 如何配置？

在 AI Agent 的工具连接器中找到 Human review，选择 Chat、Slack、Telegram 等审批渠道，把需要审批的工具连接过去。

Q7：审批拒绝后 Agent 会怎样？

被审批保护的动作取消。工作流应记录拒绝原因，并决定结束、返回草稿或让 Agent提出无风险替代方案。

Q8：能否让 Astra 自动发送所有日报？

内部固定收件人、低敏感内容可在明确策略下预授权；新收件人、外部地址、敏感附件和公开发布应实时确认。

Q9：怎样避免 n8n 重复创建 CRM 记录？

为每条业务动作创建幂等键，写入前按唯一键查询，连接中断后先回读真实状态再决定是否重试。

Q10：n8n 的旧 Tools Agent 配置还能用多久？

官方文档说明旧 v1 节点的 agent type 设置从 1.82.0 起弃用，并计划在 n8n 3.0 移除，应迁移到当前 AI Agent 节点。

十九、最终实施建议

先从一条低风险、可衡量的流程开始，例如“读取表格→Astra 分类→写入 AI 建议列→人工抽检”。稳定后增加研究与文档生成，再开放经过审批的 CRM 或消息写工具。

企业 Agent 的价值来自稳定交付，而不是节点数量。让 Astra 集中处理真正需要推理的部分，让 n8n 承担连接、规则、审批、重试和审计，才能把研究、表格、文档与业务流程组合成可观察、可复用、可治理的自动化系统。

参考资料

安装部署教程

环境配置与 Docker 工作流

适合阅读安装部署、本地配置、服务器搭建和自动化流程类文章后继续转化。

环境配置资料包 包含 Windows / Mac / Linux 常见环境配置、依赖安装和报错排查清单。 查看资料包 Docker 工作流包 整理 Docker 部署模板、compose 示例和常用服务编排流程。 查看资料包