零基础用n8n搭建首个AI智能体：免费邮件助手实战

每天清晨，有一个"永不休息的你"已经读完了邮件、整理好了任务，只在真正重要的事情出现时才提醒你。这不是科幻，而是你用一个周末就能免费搭建出来的AI智能体。YouTube创作者Lina Torres（专职构建AI工作流）在这期教程里，手把手演示了如何用开源工具n8n搭建第一个"收件箱分拣"智能体——全程无代码，也没有夸大其词的营销话术。

免费的真相：软件免费，但不是一切都免费

谈到"免费"，总会带着一个星号。教程使用的工具n8n，其社区版（Community Edition）确实可以永久免费自托管，且对运行的工作流数量没有限制——这一点是真实的。

但星号在于：软件免费，运行它的计算机不免费。你可以在学习阶段用自己的笔记本电脑零成本运行，或者租一台每月5到10美元的小型虚拟服务器。而驱动智能体的"大脑"（AI模型）会消耗token，但作者承诺会给出把成本压到接近零的方法。

总结起来就是"免费-ish"：软件免费，服务器便宜，大脑几乎免费。对大多数想尝鲜的人来说，这个账算得过来。

要造什么：一个收件箱分拣智能体

这个首个项目的任务非常明确。每天早晨，它会读取你的新邮件，为每封写一句话摘要，标记出今天必须处理的邮件，并为简单的邮件起草回复。

关键在于——它永远不会自己发送任何东西。一个智能体，一项工作，专门处理那种每天吃掉你一小时的琐碎劳动。这种边界清晰的小项目，恰恰是新手入门的最佳切入点。

五步落地：从安装到永不休息

第一步：把n8n跑起来

如果你有Docker，一条命令即可：运行n8n镜像，映射5678端口，然后在浏览器打开。没有Docker也行——有桌面版可供测试，大多数服务器主机还提供一键模板，大约八分钟就能部署完成。

作者给出两条过来人的建议：至少分配2GB内存，以及固定一个稳定版本，不要追逐每周的beta更新。

第二步：搭建工作流

每个n8n工作流都是同一套骨架：一个触发器、若干步骤、一个结尾。这个项目的触发器是设定为每天早上七点的定时节点（Schedule Node），然后是抓取未读邮件的Gmail节点，最后是真正的主角——AI智能体节点。

用线把这三个方框连起来，你就有了一个自动化流程。而把普通工作流升级为"智能体"的关键，是给AI节点配上工具：邮件搜索、日历、笔记应用。智能体会自行决定每封邮件该调用哪个工具——这种"决策能力"，正是workflow和agent的本质区别。

工作流（Workflow）与智能体（Agent）的核心区别值得在此展开说明。传统工作流是预先写死的线性脚本：步骤A完成后执行步骤B，逻辑固定，无法自主决策。AI智能体则引入了"规划-执行"循环（ReAct模式：Reasoning + Acting）：模型先"想"当前目标需要哪个工具，调用后观察结果，再决定下一步。处理邮件时，智能体可能判断"这封邮件提到了会议，我应该查一下日历确认是否冲突"，而普通工作流只会机械地对每封邮件执行相同操作。这种差异使智能体能处理结构不固定的真实世界任务，但也带来了不确定性——它有时会做出你没预料到的"决策"，这正是第四步缰绳规则存在的根本原因。

第三步：选择大脑

模型有两个诚实的选项。其一是通过Ollama运行本地模型，跑在自己机器上，每条消息零成本，对于邮件分拣这类任务已经够用。其二是接入廉价的API模型，把API密钥粘贴进n8n的凭据管理，每千封邮件只花几美分。

作者本人的真实配置是混合方案：枯燥的分拣交给本地模型，只有当草稿需要"听起来像人话"时才调用更好的API模型。无论选哪种，第一天就要设置支出上限——这正是"一次实验"和"一张惊吓账单"之间的区别。

Ollama 是一个让普通用户在本地计算机上运行开源大语言模型（如 Llama 3、Mistral、Gemma 等）的工具，无需联网、无需API密钥，推理过程完全在自己的硬件上完成。其优点是隐私性强（邮件内容不会上传到任何外部服务器）且边际成本为零；代价是对硬件有一定要求——运行7B参数量级的模型通常需要至少8GB内存，且速度受限于本地GPU/CPU性能。对于收件箱分拣这类结构化程度较高、对语言流畅度要求不苛刻的任务，本地小模型的表现往往已经足够，这也是作者将"枯燥分拣"交给本地模型的实践依据。Token则是AI模型计费和处理文本的基本单位，大致上每750个英文单词≈1000个token，中文由于编码方式不同，相同字数消耗的token通常更多。

第四步：给智能体套上缰绳

这是教程中最值得强调的部分，也是新手最该紧张的地方。三条"缰绳规则"：

• 只读优先：智能体只能读取收件箱，不能发送、删除或归档任何东西。
• 人在回路（Human in the loop）：每一份草稿都进入审核队列（比如一条聊天消息或一条笔记），在你点击批准前什么都不会发出去。
• 用大白话写规则："未经询问不得发送""不要碰任何标记为财务的邮件"。像给实习生做简报那样写规则，像审查信用卡账单那样审查执行日志。

信任智能体，但要验证智能体。

Human in the loop（人在回路） 是AI系统设计中的一项安全原则，指在自动化流程的关键决策节点强制插入人工审核环节，确保高风险操作（如发送邮件、修改数据、执行支付）在人类明确批准前不会被执行。这一概念源于航空、医疗等高可靠性领域的系统设计，近年来被广泛引入AI智能体开发中。在n8n的实现里，草稿回复不直接触发"发送"API，而是写入一条待办或消息，用户确认后才由后续节点完成发送——这从架构层面杜绝了"AI误判后自动执行不可撤销操作"的风险。对于刚部署的智能体，在你积累足够的信任之前，所有涉及外部输出的操作都应默认套上这道人工确认闸门。

第五步：让它永不休息

这靠定时触发器完成。你可以设为每15分钟运行一次，或每天早上七点，n8n会在你睡觉时于服务器上执行。醒来时，你面对的是一个已分拣的收件箱、几份待审的草稿回复，以及三封真正需要你处理的邮件置顶。不是魔法，只是一个非常可靠、还自带电脑的实习生。

泼冷水：它会在哪里出问题

作者坦言，跳过这一部分的教程才是真正的"标题党"。四个诚实的局限：

第一，AI有时会误读邮件，自信地总结错误内容，所以审核队列不是可选项。第二，API会变——Google更新了某个接口，你的Gmail节点就可能在某个周二晚上突然罢工。第三，凭据安全，API密钥存在n8n里，必须锁好服务器、用强密码、保持更新。第四，学习曲线，这不是一个聊天框，入门前要做好折腾一个周末的心理准备。

真正的成本，其实是一个周末加上持续的"看护"。

算账：每月到底花多少钱

诚实的数字如下：软件，永久零成本；学习阶段用笔记本，零成本；想让它常驻运行时，小型虚拟服务器每月5到10美元；AI大脑在廉价模型上每天几美分，用本地模型则为零。

作为对比，n8n官方云版每月20美元，雇一个虚拟助理则更贵。对于一个个人收件箱分拣智能体，总预算在每月10美元以内。

为什么是n8n，而不是其他50个智能体工具

作者给出三个理由和一个诚实的权衡。其一，社区版免费且无执行次数限制，这在同类工具中很罕见；其二，它是可视化的——你能看见整个工作流，意味着你能调试它；其三，超过1500个集成和庞大的模板库，让你很少需要从零开始。

唯一的权衡是：它要求你具备一点技术基础。如果你想要零配置，聊天式的智能体工具更简单，但那份便利你会每个月都在为它付费。

对于愿意投入一个周末学习的人来说，n8n提供的掌控力和近乎免费的运行成本，是这笔交易真正吸引人的地方。