n8n AI 自動化教學：加入人工審核，避免 AI 未經核准執行動作

這篇 n8n AI 自動化教學的重點，不是讓 AI 接到輸入後自行決定一切，而是先設計清楚的控制邊界：AI 負責整理與提出建議；規則負責限制、驗證與路由；人類負責高影響力決策。

這種思路適合任何包含外部溝通、資料異動、公開發布或其他不易復原結果的流程。當錯誤的代價較高時，不應將 AI 的首次輸出直接視為最終指令，而應先讓流程停在可檢查、可追蹤的位置。

依 n8n 官方 AI 頁面的說明，建置者可在工作流任意位置，或任何 AI Agent 工具之前加入 human-in-the-loop（人工介入）檢查；同時，也可透過規則式自動化限制輸入，並以明確邏輯驗證及路由輸出。這提供了一個實用原則：不要只靠提示詞約束 AI，也要把限制與決策寫進流程設計。

先看設計藍圖：AI 是建議層，不是最終決策者

以下不是特定節點配置或可直接匯入的範本，而是一個可用於規畫 n8n AI 工作流的概念架構：

1. 界定輸入：先決定哪些內容可以進入 AI 處理範圍，哪些內容應排除或直接交由人工處理。
2. 整理任務：讓 AI 只處理必要內容，例如摘要、分類、草稿或風險提示。
3. 要求結構化結果：預先定義欄位與允許值，避免下游只能依自由文字猜測意思。
4. 規則檢查與路由：以明確條件判斷輸出是否完整、是否落在允許範圍，以及是否需要人工處理。
5. 人工檢查：在高影響力動作之前，讓審核者確認內容與決策。
6. 失敗後處理：在工作流設定中指定 Error Workflow，讓目前工作流失敗時可觸發另一條指定流程。

真正需要設計的不是「AI 能做多少」，而是每一關由誰負責：輸入由規則限制、AI 的輸出必須可檢查、高風險決策由人確認，失敗情況則不能被忽略。

本文的流程設計用語：先釐清責任，不把概念當成產品承諾

為避免把不同工具或元件的行為混為一談，以下用語是本文用來討論流程責任的概念性定義，不是 n8n 所有元件的完整功能清單：

先釐清這些責任，有助於你在查看實際使用的節點、整合與權限文件時，不會把「AI 能產生內容」誤解為「AI 應該擁有執行權」。

開始前：哪些決策應保留人工關卡？

不是每個步驟都需要人工介入。重複性高、影響較低、結果容易檢查的整理工作，通常可以先交由規則或 AI 協助處理。

不過，若某個結果可能造成較高影響，建議在執行前加入明確人工檢查。例如：

• 對外傳達承諾、報價、通知或正式回覆。
• 新增、修改、刪除或覆蓋重要資料。
• 發布公開內容或對外公告。
• 處理涉及個人資料、機密資訊或敏感脈絡的內容。
• 讓 AI 參與可能造成高影響的操作決策。

人工檢查不會自動套用到所有 AI 動作，必須由建置者實際配置。最簡單的判斷方式是：如果這一步做錯後不容易還原，或需要人類判讀情境，就應在執行前讓流程停下來。

步驟 1：先定義輸入邊界與不可逾越的規則

在設計 AI 提示內容前，先列出處理範圍。這份清單應回答：哪些資料可交給 AI？哪些資料需要移除、遮罩或改由人工處理？哪些情況一律不能自動往下走？

可先從下列原則開始：

• 只提供 AI 完成當前任務真正需要的資訊。
• 將使用者或外部內容視為待處理資料，而不是可以改寫流程規則的指令。
• 預先定義可接受的案件類型、內容範圍與例外條件。
• 資料缺漏、內容矛盾或來源不符合內部規則時，改走人工處理。
• 為每筆案件保留一個可供內部追蹤的識別方式，方便審核與後續處置。

這正是規則式限制的價值。n8n 官方說明可用規則式自動化限制輸入，並以明確邏輯驗證及路由輸出；實務上，這代表要把「哪些資料能被處理」與「何時必須停下來」寫成可檢查的流程條件，而非只相信模型會遵守提示詞。

步驟 2：讓 AI 回傳固定欄位，而不是只給一大段文字

自由文字便於閱讀，卻不利於後續規則判斷。若你的流程需要區分一般案件、高風險案件、資料不完整或無法判讀的結果，應先定義 AI 必須回傳的欄位，以及各欄位可接受的值。

以下為欄位概念示意，用來說明資料契約的寫法；它不是特定產品畫面，也不是可直接套用到所有情境的唯一格式：

{
  "summary": "案件摘要",
  "category": "預先定義的分類",
  "draft_reply": "回覆草稿",
  "risk_flag": false,
  "human_review_reason": ""
}

設計時，建議先定義分類的允許集合，例如「一般詢問」、「資料不完整」、「敏感案件」或「不在處理範圍」。重點不是分類名稱本身，而是不要讓後續流程只能面對模型臨時發明、無法預期的標籤。

接著，在後續規則中檢查欄位是否齊全、值是否符合預先定義的範圍，以及風險標記是否要求人工介入。當輸出格式不合格、分類不明或內容彼此矛盾時，應改由人工處理，而不是從自由文字推測模型的意思。

步驟 3：以明確邏輯驗證與路由，不讓不確定結果穿透流程

AI 可提出建議，但是否繼續，應由建置者定義的條件決定。依 n8n 官方 AI 頁面的說明，流程可透過明確邏輯驗證及路由輸出。你可以把以下情境寫成清楚的判斷規則：

這種設計的好處是可解釋：審核者知道案件為何被攔下，建置者也能針對規則調整，而不是把所有問題都歸因於模型表現。

步驟 4：在工作流中配置人工檢查

n8n 官方 AI 頁面指出，可在工作流任意位置，或任何 AI Agent 工具之前加入 human-in-the-loop 檢查。這意味著人工關卡的位置應依風險設計，而不是等到所有動作完成後才回頭查看結果。

一個實用原則是：凡是需要人類判讀語氣、承諾、例外情境、敏感性或商業影響的地方，都應在結果造成影響之前安排人工決策。

方式一：使用 Gmail 的 Send and Wait for Approval

若你的審核流程以電子郵件為主要工作介面，可參考 Gmail 節點的 Send and Wait for Approval 官方文件。已驗證的行為是：此操作會在收件者核准前暫停工作流。

無論採取何種審核通知內容，建議讓審核者能看懂自己要決定什麼，例如案件識別資訊、必要摘要、AI 建議、風險提示，以及核准後預計產生的影響。資料呈現仍應遵循最小化原則，避免為了方便審核而暴露不必要的敏感內容。

設計時應確保：任何高影響力外部動作，都只會安排在人工核准之後；未經核准、被拒絕或資訊不足的案件，不應被視為可直接執行。

方式二：使用 Wait 節點等待表單送出

依 Wait 節點官方文件，Wait 節點可設定為在表單送出後恢復工作流。這種方式適合你的人工流程需要透過表單收集決策或補充資訊的情境。

表單要蒐集哪些欄位，應由組織流程決定。例如，你可能需要讓審核者表達核准、拒絕、退回補充資料，或提供必要的審核備註。重點是把人類決策設計成後續規則可以清楚判讀的資訊，而不是只留下模糊的文字意見。

不要只規畫「核准」這一條路

人工關卡不應只有成功情境。建置前，請先定義不同狀態的處理原則：

若涉及多人決策，也應由團隊事先定義誰有權核准、是否需要多方同意，以及意見不一致時的處理方式。這些治理規則不應交由模型自行判斷。

如何降低外部輸入干擾與高影響力誤用風險？

外部內容可能包含要求 AI 忽略規則、改變任務或處理不相關資料的文字。因此，流程設計應始終將外部輸入當成資料，而非高優先序指令。

• 先限制輸入：定義可處理範圍，排除不必要或不符合規則的內容。
• 分開呈現任務與資料：讓流程規則、輸出要求與外部內容有清楚界線。
• 要求可檢查的輸出：以固定欄位與允許值降低模糊性。
• 以規則驗證與路由：不合格、不確定或高風險的結果一律停止自動往下或轉人工。
• 高影響力動作前加人審：依 n8n 官方說明，可在 AI Agent 工具之前配置人工檢查；是否配置、配置在哪裡，仍由建置者依風險實際決定。

提示詞可以幫 AI 理解任務，但不能取代資料限制、明確邏輯與人工決策。可控流程的關鍵，是即使 AI 產生不理想結果，也不會讓它直接造成高影響力後果。

步驟 5：為核准、拒絕與例外留下最小必要紀錄

不論案件最後被核准、拒絕或轉人工，團隊都應依自身資料治理規範保留必要的處理紀錄。記錄目的在於釐清決策脈絡、協助檢討規則與支援後續處置，而不是無限制保存所有原始內容。

可由組織自行評估是否需要保留下列資訊：

• 可供內部識別案件的編號或參照資訊。
• AI 提出的摘要、分類或風險提示。
• 人工決策結果與必要備註。
• 例外、拒絕或退回處理的原因。
• 依內部規範需要保留的處理時間資訊。

若流程涉及個人資料、客戶機密或內部文件，應先確認資料最小化、保存期限、存取權限與稽核規則；不要因為「以後可能有用」而保留超出實際需要的敏感資料。

步驟 6：設定 Error Workflow，但不要把它當成全部風險的答案

依 n8n 的工作流設定官方文件，建置者可指定 Error Workflow；當目前工作流失敗時，會觸發該指定的錯誤工作流。

這項設計可作為失敗後處理的一部分。不過，在設定之前，團隊仍應先自行規畫：失敗事件要如何被處理、誰負責判讀、何時停止流程、何時改由人工完成，以及如何保留必要的處置紀錄。

請特別留意，Error Workflow 的已驗證範圍是「目前工作流失敗時觸發指定錯誤工作流」。它不應被視為涵蓋所有營運風險或所有可能異常的萬用機制。監控、責任分工、人工備援與復原程序，仍需要另外規畫。

上線前測試清單：不要只測成功情境

正式使用前，至少應用不同情境檢查流程是否真的遵守你設定的邊界。測試重點不是讓 AI 每次都給出漂亮答案，而是確認不合格結果不會穿透防線。

• 輸入資料完整，且 AI 結果符合欄位約定時，是否會進入預期的人工檢查？
• 必要資料缺漏時，是否停止自動往下處理？
• 外部內容含有不相關或試圖改變規則的文字時，流程規則是否仍維持有效？
• AI 輸出缺欄位、值不在允許範圍或內容矛盾時，是否轉入人工或例外處理？
• 出現風險提示時，是否確實不會略過人工檢查？
• 審核被拒絕或退回時，是否不會執行原先預定的高影響力動作？
• 審核逾時時，是否不會被預設成已核准？
• 目前工作流失敗時，指定的 Error Workflow 是否依設定被觸發？

n8n Cloud 使用量怎麼理解？先看一次工作流執行

依 n8n 官方定價頁，n8n Cloud 的 execution 是整條工作流的一次執行，不受其中步驟數或處理資料量影響。

因此，評估 Cloud 使用量時，可先從「預計有多少次流程會被啟動」來思考，而不是只看流程圖中有多少處理步驟。

至於整個 AI 自動化方案的成本，仍不宜只用 n8n 的方案費用推估。若流程還會使用模型服務或其他外部服務，相關費用與條件應依各供應商的實際用量與條款另外確認。

何時不該急著導入 AI Agent？

若你的任務規則清楚、輸入範圍固定，而且結果能以明確條件檢查，優先把資料邊界、規則驗證、人工檢查與例外處理設計好，通常比一開始追求更複雜的 AI 行為更重要。

若考慮在流程中使用 AI Agent，請回到已驗證的安全前提：n8n 允許建置者在任何 AI Agent 工具之前加入人工檢查。導入前至少應先回答：

• AI 可接觸哪些資料？哪些資料不可提供？
• 哪些結果只可作為建議，不能直接形成最終決策？
• 哪些情境必須交由人工檢查？
• 遇到資料不足、規則衝突或無法判讀時，流程應停止還是轉人工？

AI 自動化的價值不在於讓系統做得越多越好，而在於讓它在可驗證的範圍內減少重複工作，並在不確定或高風險處主動停下來。

結論：把 AI 放在建議層，把規則與人放在決策層

建立第一條 n8n AI 工作流時，可先選擇範圍小、輸入較固定、結果容易由人判讀的案例。先讓 AI 提供摘要、分類或草稿，再透過規則式限制、明確邏輯驗證與路由，以及人工檢查來控制風險。

當你已確認拒絕、退回、逾時與工作流失敗等情境都有處理原則，再逐步擴大自動化範圍。這樣建立的不是一條只在理想情境下運作的流程，而是更容易被團隊信任、維護與調整的 AI 半自動作業機制。

官方說明來源

• n8n AI：人工檢查、規則式限制與邏輯驗證／路由
• Gmail node Message Operations：Send and Wait for Approval
• Wait node：表單送出後恢復工作流
• Configure workflow settings：Error Workflow
• n8n Plans and Pricing：Cloud execution 計算方式