n8n 串接 ChatGPT API 完全指南：零程式碼打造 AI 自動化工作流

如何快速開啟你的 AI 自動化冒險？

在 AI 工具百花齊放的時代，雖然有多種大型語言模型可供選擇，但在 n8n 自動化流程中，最穩定且最常被使用的核心引擎依然是 **ChatGPT (OpenAI API)**。本篇文章將手把手帶你完成 n8n 與 ChatGPT 的串接，從申請 API 密鑰、模型選擇到完整的 Prompt 詠唱技巧，一次幫你打通自動化工作流的任督二脈！

實用資源連結：

• OPENAI API 平台
• n8n 官方文件：OpenAI node 整合指南

步驟一：如何取得與保護你的 OpenAI API 魔法鑰匙？

要讓 n8n 成功呼叫 ChatGPT，你必須先取得專屬的 API Key，並了解官方的計費與使用規範。

1. 申請 API Key

1. 你可以先前往 OPENAI API 平台 了解最新的模型能力與官方資訊。
2. 接著登入 OpenAI Platform 開發者後台（注意：此帳號獨立於一般版 ChatGPT 網頁，可分開註冊）。
3. 點擊右上角個人頭像，進入 Profile -> API keys。
4. 點擊 Create new secret key，為你的 Key 命名（例如：n8n-try），並選擇預設的 Project。
5. 複製生成的金鑰（格式通常為 sk-...）。請注意，這組金鑰建立後通常只會完整顯示一次，務必立即妥善保存。

2. 公會嚴格守則：資安防護

專家警告： 這把「魔法鑰匙」絕對不可外洩！千萬不要將 API Key 直接寫在程式碼中，或推送到公開的 GitHub Repo。一旦外洩，你的額度將面臨被盜刷的風險。在 n8n 中，請務必使用內建的 Credentials 系統來安全儲存。

(註：新申請的帳號若未綁定信用卡並儲值 Credit，呼叫 API 時將會報錯。建議先至 Billing 頁面進行小額充值以啟用服務，否則即使 Key 建立成功也可能因額度問題而無法呼叫。)

步驟二：n8n 實戰，如何正確配置「OpenAI node」節點？

隨著 n8n 官方不斷迭代，舊版的 Assistant API 節點已被淘汰。最新的整合方式請務必參考官方指南：OpenAI node 官方文件。

1. 新增節點與設定憑證

在 n8n 工作流中，新增一個最新的 OpenAI Node (Message a Model) 節點。在 Credential to connect with 欄位中，選擇創建新的憑證，並貼上剛剛申請的 OpenAI API Key 來完成連線。

2. 挑選適合的 AI 精靈 (Model)

在節點的 Model 列表中，你會看到多種模型。實戰上的選擇策略如下：

• GPT-5-mini (萬能主角)： 性價比最高、處理速度快，足以應付 80% 以上的日常自動化任務（如：摘要、分類、翻譯）。（實戰首推）
• GPT-5-nano (低成本首選)： 適合大量且極度單純的資料抽取，成本最低。
• GPT-5 / GPT-4o (BOSS 戰專用)： 當需要高難度推理、複雜程式碼撰寫或嚴格邏輯判斷時再派上用場。

如果你只是要先做出第一個能穩定跑通的 MVP，建議直接從 gpt-5-mini 開始。它的速度、成本與輸出品質在 n8n 場景中相對平衡，很適合摘要、分類、標籤整理、客服初步回覆等任務。

步驟三：詠唱的藝術，如何精準設定 Prompt 與輸出 JSON 格式？

要讓 AI 聽話，不能只把資料丟給它，必須建立「三層漢堡」結構的提示詞 (Prompt)。核心原則很簡單：System 負責規則，User 負責任務，而 JSON Schema 負責把輸出格式鎖死。

1. 頂層：系統人設 (System Prompt)

在節點設定中，將 Role 設為 System。在這裡賦予 AI 角色與規則：

1
2
3
4
5
6
7
8

你是資料整理助手。

規則：
1. 使用繁體中文。
2. 不要捏造未提供的資訊。
3. 請只輸出 JSON。
4. 欄位必須包含 summary、category、keywords、language。
5. 若資訊不足，也必須輸出合法 JSON。

2. 中層與底層：任務指令與動態輸入 (User Prompt)

再新增一個 Message 區塊，Role 設為 User，並動態帶入前方節點的變數：

1
2
3
4

請讀取以下內容，輸出摘要、主題分類、3 個關鍵字。

內容：
{{ $json.input_text }}

3. 強制結構化輸出 (JSON Schema)

為了後續自動化節點能順利讀取資料，我們必須限制 AI 只能輸出 JSON：

1. 在節點底部的 Options 點擊 Add Option。
2. 選擇 Text Format 或 Output Format 中的 JSON Schema（不同版本 UI 命名略有差異）。
3. 貼上你預先定義好的 Schema 格式，例如：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

{
  "type": "object",
  "properties": {
    "summary": { "type": "string" },
    "category": {
      "type": "string",
      "enum": ["AI工具", "程式開發", "商業", "教育", "其他"]
    },
    "keywords": {
      "type": "array",
      "items": { "type": "string" }
    },
    "language": { "type": "string" }
  },
  "required": ["summary", "category", "keywords", "language"],
  "additionalProperties": false
}

這樣做的最大好處是，下一個節點不需要再猜 AI 回了什麼格式，直接用固定欄位去接值即可。特別是 enum 很實用，它能強迫模型只能從你預設好的分類清單中挑選答案，大幅降低資料髒亂與拼字不一致的問題。

步驟四：資料淨化與回傳，如何完成連段技？

在呼叫完 AI 後，我們通常需要將結果傳回前端（例如 Line Bot 或資料庫）。

1. Set 節點淨化： 在接收 Webhook 與傳給 AI 之間，建議先安插一個 Set (Edit Fields) 節點，將複雜的 Webhook 結構簡化為 input_text。例如把 {{ $json.body.events[0].message.text }} 指派給 input_text，這能讓你的 Prompt 保持乾淨，也讓後續維護更容易。
2. HTTP Request 回傳： 取得 AI 產出的 JSON 後，使用 HTTP Request 節點，動態帶入 replyToken 與 AI 產出的摘要內容，即可成功將結果推播給使用者。

如果你是串接 Line Bot，JSON Body 可以參考下面這個最小可行範例：

1
2
3
4
5
6
7
8
9

{
  "replyToken": "{{ $('Webhook').item.json.body.events[0].replyToken }}",
  "messages": [
    {
      "type": "text",
      "text": "【summary】{{ $json.output[0].content[0].text.summary }}\n【category】{{ $json.output[0].content[0].text.category }}\n【language】{{ $json.output[0].content[0].text.language }}"
    }
  ]
}

如果你也想把關鍵字一起回傳，只要在文字內容中再補上 keywords 欄位即可。透過這種做法，一個從接收、處理到回覆的 MVP AI 自動化工作流就能順利跑起來。

常見問答 (FAQ)

為了方便你快速排錯，我把常見問題依照「最容易搜尋到的痛點」重新整理成四類：先處理帳號與節點錯誤，再看模型與成本，接著解決工作流穩定性，最後才是上線與維護。

一、帳號、節點與連線錯誤

Q：為什麼我的 OpenAI API Key 一直報錯或無法使用？

A：最常見的原因是「帳戶餘額不足」。OpenAI API 的計費機制與一般網頁版 ChatGPT Plus 訂閱是完全分開的。請登入 OpenAI API 後台的 Billing 頁面，綁定信用卡並儲值（Add payment details），API 即可正常開通使用。

Q：為什麼我在 n8n 執行 OpenAI 節點時，會收到「Error: 401 Insufficient Quota」的錯誤？

A：這是因為你的 OpenAI 開發者帳戶「餘額不足」。OpenAI API 的計費與一般網頁版的 ChatGPT Plus 訂閱是分開的。請登入 OpenAI Platform 的 Billing 頁面，綁定信用卡並預先儲值（如 5 美金），即可開通 API 權限。

Q：為什麼在 n8n 裡找不到舊版的 OpenAI Assistant 節點？

A：n8n 官方已於後續版本中淘汰了舊的 Assistant API 節點，改用更具彈性的架構。目前的最佳實踐是參考OpenAI node 官方文件，使用「Message a Model」或 LangChain 相關節點，不僅支援多模態（圖片、音訊），在設定 JSON Schema 結構化輸出時也更加穩定。

Q：如果我在 OpenAI 節點裡找不到 JSON Schema 選項怎麼辦？

A：這通常有兩種原因。第一，你使用的是較舊版的 n8n，介面中可能還沒有完整支援結構化輸出功能；第二，你可能不是使用最新的 Message a Model 類型節點，而是用了舊版或其他 OpenAI 相關節點。最穩妥的做法是先更新 n8n，並確認你使用的是官方目前主推的 OpenAI 節點。若暫時無法升級，也可以先在 Prompt 中強制要求輸出 JSON，再用後續節點做驗證，但穩定性仍然不如原生 Schema。

二、模型選型與成本控制

Q：gpt-5-mini、gpt-5-nano、gpt-5 到底該怎麼選？

A：你可以用一句話快速判斷。若你的任務是摘要、分類、標籤整理、客服初步回覆這類標準型工作，先選 gpt-5-mini；若你的任務極度單純，而且請求量很大、很在意成本，可以試 gpt-5-nano；若你要處理多步邏輯推理、複雜文字生成或高品質程式碼任務，再升級到 gpt-5。不要一開始就選最強模型，否則通常只是成本更高，效果卻未必明顯更好。

Q：為什麼我的成本會比想像中高？不是只有丟一段文字給 AI 嗎？

A：成本不只和輸入文字長度有關，也和你送出的系統提示詞、使用者提示詞、歷史上下文，以及模型輸出的字數有關。如果你在工作流中夾帶大量背景資訊、冗長規則、長篇聊天紀錄，Token 消耗就會快速增加。最佳做法是先用 Set、Code 或資料清洗節點把不必要的欄位砍掉，只保留 AI 真正需要看的內容。

Q：我可以把整段客服對話、網頁內容或 PDF 全部丟進去，讓 AI 自己理解嗎？

A：技術上有時可以，但實務上不建議一開始就這樣做。資料越雜，輸出越不穩，成本也越高。比較好的流程是先做前處理，例如擷取重點欄位、清除無關字串、限制字數，再把精煉後的內容送進 OpenAI 節點。AI 並不是垃圾桶，前處理做得越乾淨，結果通常越穩。

Q：如果我的工作流只是做摘要或分類，還需要用 AI Agent 嗎？

A：通常不需要。這種任務屬於標準的一進一出文字處理，使用單純的 OpenAI 節點反而最穩、最便宜，也最好除錯。AI Agent 真正適合的是需要自行查資料、決策、呼叫工具、反覆嘗試的流程。如果只是摘要、翻譯、改寫、分類或抽取欄位，直接用 LLM 節點即可。

三、輸出格式與工作流穩定性

Q：AI 有時候會亂講話或格式跑版，導致後面的自動化流程中斷怎麼辦？

A：這就是 Prompt 工程的關鍵！除了在 System Prompt 中明確寫出「請只輸出 JSON，不要包含其他廢話」之外，務必在 OpenAI 節點的 Options 中開啟 Output Format: JSON Schema，並嚴格定義你要的欄位結構。這樣 AI 就會被強制限制，只產出合法且符合你所需的 JSON 結構，確保工作流穩定運行。

Q：為什麼我明明要求 AI 輸出 JSON，它還是會多回一些說明文字？

A：因為單靠 Prompt 約束並不保險。模型即使理解了你的要求，也有可能在某些情況下額外補一句說明，尤其在輸入內容複雜、上下文過長或指令不夠明確時更容易發生。最有效的解法不是一直加重語氣，而是直接使用 JSON Schema 或結構化輸出功能，讓格式限制由系統層處理，而不是只靠文字要求。

Q：為什麼同一段 Prompt，今天測得好好的，明天結果卻有點不一樣？

A：這是生成式模型的正常現象。即使模型、提示詞與輸入看似相同，輸出的文字細節仍可能略有差異。因此在 n8n 工作流裡，真正需要追求的不是「每次字字相同」，而是「每次都符合你要的結構與規則」。也就是說，請把重點放在穩定的欄位輸出、固定分類值與可驗證的資料格式，而不是要求每一句自然語言都完全一致。

Q：OpenAI 節點回傳成功了，但我不知道該怎麼抓裡面的欄位怎麼辦？

A：最簡單的方法是先在 n8n 的執行結果面板中查看該節點的實際輸出 JSON，確認資料路徑後，再複製到下一個節點的表達式中。很多新手會直接照抄別人的 {{ $json.output[0].content[0].text.summary }}，但不同節點版本或設定方式，輸出結構可能略有差異。正確做法永遠是先看自己的執行結果，再決定要抓哪一層。

Q：為什麼 AI 有時候回傳的內容會導致後面的 HTTP Request 節點報錯？

A：通常是因為 AI 回傳了包含 Markdown 標記（如 json ）或多餘的聊天廢話，導致 n8n 無法正確解析 JSON。解決方案是確實使用步驟三教學的 JSON Schema 功能，這會在底層強制 API 僅能輸出純粹且符合規則的 JSON 格式。

Q：Webhook 傳來的結構太複雜，我一定要用 Set (Edit Fields) 節點嗎？

A：雖然不是強迫的，但強烈建議使用。將深層的 JSON 路徑（例如 body.events[0].message.text）統一轉換為一個易讀的變數 input_text，不僅方便你在 Prompt 中引用，未來如果前端平台（從 Line 換成 Telegram）更換了，你也只需要在 Set 節點修改一次對應關係，大幅提高工作流的維護性。

Q：如果我想讓 AI 根據不同情境回不同格式，還適合用固定 Schema 嗎？

A：可以，但你要先重新思考資料設計。實務上不建議讓同一個節點今天回 A 格式、明天回 B 格式，因為這會讓後續節點很難維護。更好的做法通常有兩種：一種是把所有可能欄位都設計進同一份 Schema，未使用欄位留空；另一種是先用前一個節點做路由判斷，再分流到不同的 OpenAI 節點，各自使用不同 Schema。這樣工作流會比混合格式穩定很多。

四、上線測試與後續維護

Q：如果我想把 AI 產出的結果寫進 Google Sheets、Notion 或資料庫，有什麼要注意？

A：最重要的是欄位要先標準化。也就是說，不要讓 AI 自由發揮欄位名稱、分類文字或日期格式，而是先在 Schema 裡把欄位類型與值域定義好。這樣後續接 Google Sheets、Notion、Airtable、SQL 等節點時，才不會出現欄位名稱忽然改掉、分類值拼法不一致，或日期格式無法寫入的問題。

Q：我該怎麼測試這個工作流，才不會一上線就翻車？

A：請不要一開始就拿真實使用者流量測。比較穩健的方式是先準備 5 到 10 組測試資料，刻意涵蓋正常輸入、空字串、超長文本、語意模糊內容，以及格式不完整的情境。只要這些案例都能穩定輸出合法 JSON，而且後面的 HTTP Request 或資料庫節點都接得住，你再上線會安全很多。

Q：如果未來 OpenAI 模型更新，我現在的 n8n 工作流會壞掉嗎？

A：有可能，但通常不是整個流程壞掉，而是輸出風格、欄位路徑或可選模型名稱發生變化。因此建議你在工作流中盡量避免硬依賴模型的自由文字表現，而是把穩定性建立在 System Prompt、JSON Schema 與後續驗證節點上。只要格式約束做得夠紮實，未來即使更換模型，調整成本也會低很多。