别再让 AI 节点“瞎猜”了：用代码节点给它装上“逻辑大脑”
在 N8N 大学，我们见过太多同学在使用 n8n 的 AI Agent 或 OpenAI 节点 时，遇到一个共同的痛点：AI 回复太“飘”，抓不住重点，或者无法根据特定规则进行精准决策。
比如，你想让 AI 自动回复客户邮件，但只有当客户情绪指数大于 0.7 且关键词包含“退款”时，才转接人工。如果仅靠 Prompt 提示词去控制，往往不够稳定，容易出现误判。这时候，单纯依赖 AI 的“直觉”是不够的，我们需要引入绝对严谨的程序逻辑。
今天，笔者就带大家硬核拆解：如何利用 n8n 的 Code 节点，在 AI 节点前后构建逻辑判断的“护栏”，实现真正可控的复杂自动化流程。
准备工作：手边需要什么？
在开始之前，确保你的 n8n 环境已经就绪：
- n8n 实例：无论是云端版还是本地 Docker 安装均可。
- AI 节点凭证：配置好 OpenAI 或其他 LLM 的 API Key。
- 测试数据源：可以是 Webhook 接收的 JSON，也可以是简单的 Set 节点模拟数据。
核心实操：三步打造逻辑判断管道
我们将构建一个流程：输入文本 -> AI 分析 -> Code 节点判断 -> 分支路由。
步骤一：准备数据与 AI 分析
首先，我们需要一段文本让 AI 处理。在 n8n 画布中，拖入一个 Set 节点作为开始，模拟输入数据：
在 Set 节点中，我们定义两个字段：
text: "我购买的产品有严重质量问题，要求退款并投诉。"user_level: "VIP"
接着，连接 OpenAI 节点（或任何 AI 节点）。关键在于 Prompt 的设计，我们需要 AI 返回结构化数据，而不仅仅是自然语言。
Prompt 示例： "请分析以下文本的情感倾向（positive/negative/neutral）并提取关键词。请仅以 JSON 格式返回，包含 'sentiment' 和 'keywords' 两个字段。"
这样，AI 的输出就变成了可被代码解析的结构化数据。
步骤二：Code 节点实现复杂逻辑判断（核心）
这是本文的重头戏。连接 Code 节点。n8n 默认使用 JavaScript (Node.js) 语法，这给了我们极大的灵活性。
在 Code 节点的代码框中，我们编写逻辑。假设我们要判断：如果情感为 negative（负面）且用户等级为 VIP，则标记为高优先级。
输入代码如下：
// 接收上一个节点的数据
const items = $input.all();
const results = items.map(item => {
// 获取 AI 返回的 JSON 结果
const aiResult = item.json.analysis || {};
// 获取原始的用户等级数据
const userLevel = item.json.user_level;
// 核心逻辑判断
let priority = "Normal";
if (aiResult.sentiment === "negative" && userLevel === "VIP") {
priority = "High";
} else if (aiResult.sentiment === "negative") {
priority = "Medium";
}
// 将判断结果添加到数据流中
return {
...item.json,
logic_result: {
priority: priority,
should_alert: priority === "High",
raw_sentiment: aiResult.sentiment
}
};
});
return results;
点击运行后，你会发现数据流中多了一个 logic_result 对象。这就是我们用代码“加固”后的逻辑结果，它比 AI 的直接输出更可靠。
步骤三：路由与分流
最后，连接 IF 节点。利用 Code 节点输出的字段进行路由。
在 IF 节点设置中：
- 条件 1：
logic_result.should_alert等于true
如果满足条件，流程走向“发送钉钉/飞书报警”；如果不满足，则走常规处理流程。
这样，你就拥有了一个结合了 AI 理解能力和代码硬逻辑的混合工作流。
避坑指南：实战中的关键细节
在 N8N 大学的实战案例中，我们发现两个最容易导致逻辑失效的坑：
1. 数据类型隐式转换
Code 节点处理 JSON 数据时，JavaScript 的弱类型特性可能导致坑。例如，AI 返回的 sentiment 可能是字符串 "negative"，也可能是 null。在写 if 判断时，务必使用严格相等 ===，并做好空值校验（如使用 aiResult?.sentiment）。
2. 异常处理与超时
当 Code 节点执行复杂循环（例如处理数组）时，如果数据量过大，可能会导致 n8n 执行超时。建议在 Code 节点中加入简单的性能优化，或者将循环逻辑拆分到 Split Out 节点中并行处理。
FAQ 问答
Q1: 为什么不用 AI 节点直接让 LLM 做判断？
A: 虽然 LLM 可以做判断，但其输出具有随机性，且 API 调用成本高、延迟大。对于“是否大于 0.7”这类固定规则，使用 Code 节点进行后处理，速度快、零成本且绝对准确。
Q2: Code 节点支持 Python 吗？
A: 目前 n8n 的 Code 节点主要支持 JavaScript (Node.js)。如果你习惯 Python，可以使用 Python Code 节点（部分版本支持）或通过 HTTP Request 节点调用外部 Python 服务。
Q3: 如果逻辑非常复杂，代码写在节点里太乱怎么办？
A: 推荐将复杂逻辑封装成简单的 JavaScript 函数，或者将核心逻辑部署为一个独立的 HTTP 服务（例如使用 FastAPI），然后在 n8n 中通过 HTTP Request 节点调用。这在团队协作中更易于维护。
总结与资源
在 n8n 中，AI 节点负责处理非结构化的“脏数据”，而 Code 节点负责执行结构化的“硬逻辑”。两者的结合，才是低代码自动化在复杂业务场景下的终极形态。
想要更深入学习 n8n 的高级用法？欢迎访问 N8N大学 (n8ndx.com)，获取更多硬核实战教程。
