Zapier、Make、n8n实测对比：同一AI工作流三次翻车

把同一个AI自动化工作流分别用Zapier、Make和n8n各搭一遍，会发生什么？一位YouTube创作者做了这个硬核实验：联系表单进来，AI读取内容，自动分类为销售、客服或垃圾信息，写回Google表格，只把真实销售线索发邮件通知。表单相同、AI相同、表格相同——结果三个工具无一例外都翻过车。这篇文章拆解整个测试过程，告诉你哪个最快搭建、哪个长期成本最低、哪个真正值得托付你的线索。

公平测试的前提：统一输入

做工具对比最怕的就是变量不干净。作者的做法是先搭一个所有工具共享的输入源——一个Google表单，三个工具同时监听它。如果每个工具用各自的表单或表格，结果差异就可能来自配置而非工具本身。

表单包含三个字段：姓名（必填）、邮箱（开启格式校验，避免垃圾数据）、留言（段落形式，因为这是AI要分类的文本）。表单关联到名为「Video 2 Leads」的Google表格，自动生成时间戳、姓名、邮箱、留言四列。

这里埋了一个坑：Google表单只写入它当前关联的那个工作表（tab）。一旦关联关系变化，表单照常工作，但你的自动化会盯着一个空表看。这个细节后面真的咬了作者一口。

AI部分统一使用Google Gemini（有免费额度且三个工具都支持），在Google AI Studio里生成一个API Key，粘贴进三个工具，确保AI端完全一致。注册三个账号总共只花了约5分钟，所以搭建成本不是胜负手。

n8n：6分30秒，最快但同样翻车

作者从最熟悉的n8n开始。触发器用Google Sheets的「On Row Added」，轮询间隔设为每分钟一次——这是n8n的一个优势，检查频率可以自己定。

第一个坑出现在AI节点。作者手动输入了留言字段，运行后Gemini对一个报价请求返回了「Spam」。原因是字段处于fixed模式，n8n把带花括号的字面文本发给了Gemini，模型根本没看到客户的真实留言。切换到expression模式后，答案正确变为「Sales」。

这类错误最可怕——节点变绿、AI自信作答，但答的是错误的问题。如果不盯着输出看，每条线索都会被归类为垃圾。

写回表格时，由于表没有行号列，作者选择用时间戳做唯一匹配键。路由用if节点，条件是文本等于「sales」并开启忽略大小写。这里作者用了「等于」判断并侥幸通过——而同样的逻辑在另一个工具里会失败。

真实测试阶段才是重头戏。作者发了四条线索：西班牙语报价请求、登录故障（客服）、促销机器人（垃圾）、以及重复提交测试。第一条Maria的西语留言压根没出现在表里——正是前面提到的工作表关联陷阱，Google把线索写进了一个新建的tab里。修复后，Maria被正确识别为销售。重复提交则产生了两封邮件，这是所有工具的通病，需要用去重步骤解决。

n8n的「expression模式」与「fixed模式」是理解这个坑的关键。在n8n中，节点字段默认处于fixed模式，你输入什么字符串，就原样发送给下一步——包括花括号包裹的变量占位符（如{{ $json.message }}），它们只是普通文本，不会被求值。切换到expression模式后，n8n才会把花括号内的内容解析为实际的动态数据引用，从上游节点取出真实值传入。这个设计让新手极易中招：界面上变量看起来已经填入，测试也能通过，但AI收到的永远是那串花括号字面量，而非客户的真实留言。类似的「模板变量未被渲染」问题在几乎所有低代码工具中都存在，只是触发方式不同，是调试AI自动化工作流时首先要检查的点。

Make：7分30秒，暴露AI文本匹配的致命陷阱

Make的界面与n8n截然不同，是画布加圆圈节点的可视化风格。触发器选「Watch New Rows」，关联同一表格。

Make问了一个n8n没问的好问题：从哪一行开始处理？选「All」会把所有旧线索重跑一遍。作者选了手动指定最后一行。

AI配置比n8n嵌套更深——Messages里加item、设角色、再加parts、选文本类型，三层点击才到提示词输入框。不难，就是点得多。好处是Make提供了一个扁平化的「Result」字段，直接给出AI答案，省去了解析嵌套路径的麻烦。

真正的翻车点在过滤器。作者用了和n8n一样的「等于sales」逻辑，第一条线索正常发邮件，第二条相同留言却没有邮件、没有报错、Gmail直接没运行。原因是AI输出不是逐字节一致的——这次返回的「sales」末尾可能带了一个不可见的换行或空格。对人眼是一样的，对「等于」判断是两个完全不同的字符串。

修复方法是把操作符从「等于」改成「包含」（contains）。这就是贯穿整个视频的核心教训：永远不要对AI输出做精确匹配，用contains或先trim文本。这条规则适用于if节点、过滤器、路由、表格公式——任何比较AI生成文本的地方。

画布底部的调度设置也值得注意：Make免费版最快每15分钟运行一次，而n8n是每分钟。对热线索来说，15分钟可能就是回复与丢单的差别。

这里涉及的「不可见字符」问题在大语言模型输出中非常普遍。LLM在生成文本时，底层是逐token预测，换行符\n、空格、甚至零宽空格都可能被作为独立token附加在答案末尾，尤其是当提示词没有明确要求「只输出单词，不要添加任何其他字符」时。对人眼而言，「sales」和「sales\n」完全一样；对字符串的严格相等判断，它们是两个不同的值。这也是为什么在任何涉及AI输出比对的场景，业界惯例是在比较前先做.trim()（去除首尾空白）和.toLowerCase()（统一大小写），再使用包含判断而非等值判断。这个原则不只适用于Make，在编写代码、配置数据库查询、或在任何自动化平台处理AI返回值时都应默认遵守。

Zapier：9分30秒，最慢但引导最清晰

Zapier是三者中最知名、应用库最大的，界面也最有引导性——垂直步骤列表，每步走App、Event、配置、测试的固定流程。

Zapier连续翻了三次车。第一次是404错误：默认的Gemini 2.5 Flash模型已对新用户停用，而设置里毫无预警，换成Gemini 3.8 Flash才通过。第二次更隐蔽：测试运行了，但检查输入数据时发现提示词根本没进框，销售/客服/垃圾的定义从未到达模型——AI照样会给个答案，只是不按你的规则来。第三次是写回表格时的行号选择器，如果从下拉里选固定行号，Zap会永远更新同一行；必须用触发器的动态行ID。

行号这个坑尤其阴险——测试会通过，因为用的是样本行，你只会在几周后发现某一行被反复覆盖、其他线索全是空的。

Zapier也有加分项：过滤器步骤不消耗task，只有过滤后的动作才计费。在真实联系表单上垃圾信息占比很高，这意味着被过滤掉的垃圾线索成本更低。此外Zapier的过滤器能在上线前就显示判断结果，这个预览功能很实用。

还有一个诚实的观察：测试期间Gemini服务器一度过载。n8n因为开了「失败重试」会自动再试，而Zapier的运行直接停止，需要从历史记录手动重放。如果你的AI供应商某个时段抽风，这个差别决定线索是迟到还是丢失。

三款工具横向评分

搭建时间：n8n 6分30秒、Make 7分30秒、Zapier 9分30秒。但作者坦言自己此前在n8n搭过一次，这应被视为「体感」而非实验室结论。

速度：n8n每分钟检查一次；Make免费版最快15分钟；Zapier免费版同样最长15分钟，付费版2分钟。对销售线索，15分钟可能就是成败分界。

价格与计费逻辑（以当前定价页为准）：

• Zapier免费版100 task/月，但只支持两步，本工作流五步需要Professional（$19.99/月起）
• Make免费版1000 credits，Core $9/月起
• n8n无免费云版，Starter $20/月，或自托管免费

真正的差异在计费方式：Zapier按每个动作计一个task（本工作流约3个），Make按每个模块计credit（约4个），而n8n整个运行只算一次execution。当工作流增加五个步骤时，Zapier变8个task、Make变9个credit，n8n仍是1次。

各自的翻车点：n8n是字面文本未进AI（需切expression模式）、Make是精确匹配阻断真实线索（需改contains）、Zapier是默认模型停用（需手动换新）。共同教训只有一句——别信AI输出的精确匹配。

n8n的「execution」计费模型值得单独说明。在Zapier和Make中，计费单元与工作流内的步骤数直接挂钩——每个动作模块消耗一个task或credit，步骤越多，同等触发次数下成本倍增。n8n采用的是「每次工作流运行算一次execution」的模型，无论工作流内部包含3个节点还是30个节点，触发一次就是一次执行计费。这对「工作流会随业务迭代不断增长」的场景尤为有利：加入发Slack通知、写入CRM、触发短信等步骤，Zapier和Make的月账单线性增长，而n8n的计费量不变。自托管版本的n8n更是只受服务器资源限制，执行次数不设上限，这也是它在开发者社区中受欢迎的核心原因之一。

怎么选？

• 想要最简单的上手体验、最大的应用库，且愿意付费：选 Zapier
• 想要最便宜的付费方案和可视化搭建，但别在它上面依赖快速线索（记得先升级）：选 Make
• 工作流会不断增长：选 n8n，因为一次运行就是一次execution，无论加多少步骤，而且可以自托管

就这个具体工作流而言，n8n在搭建时间、速度和成本上全部胜出，Make紧随其后。

这个实验的价值不在于分出绝对高下，而在于揭示了AI自动化中那些「静默失败」——不报错、节点变绿、答案看似正确，线索却悄悄消失或被错误处理。无论你用哪个工具，盯住每一步的实际输出、永远不对AI文本做精确匹配，才是真正能救你的习惯。