最近公司的客户管理搞得我头大，每天都有一堆截图需要手动录入到飞书表格里，客户信息、跟进记录、聊天截图，一个个处理下来能搞大半天。
说实话，这种重复劳动真的很要命，于是我就琢磨着能不能用自动化来解决这个问题。
研究了一圈后，决定用n8n搭一个智能的数据同步系统，核心思路就是用AI来识别截图内容，然后自动同步到飞书多维表格。
整个系统叫Firework数据同步，名字听起来挺炫的，但其实就是个自动化的客户信息处理流水线。
你把截图往webhook里一扔，AI就会自动判断这是新客户信息还是跟进记录，然后提取关键信息，上传文件，最后更新到数据库里。整个过程完全不需要人工干预。
系统是怎么工作的
我先说说整体的处理逻辑，这个系统主要分三个阶段：
第一阶段：接收和预处理
第二阶段：AI分析判断
这是整个系统的核心部分。我用的是Qwen-VL-Max模型，它会分析截图内容，判断这到底是要新建客户记录还是更新现有记录。在做的过程中，我也尝试了其他不同的模型，专门的视觉模型识别准确度要高一些。
判断逻辑很简单：
• 如果ID或标识符以A开头 → 新建记录 • 如果以B、C、D开头 → 更新记录 • 如果截图包含"xxx与xxx的聊天记录"或"群聊" → 更新记录
第三阶段：信息提取和数据同步
根据AI的判断结果，系统会走不同的处理分支：
如果是新建记录，AI会识别包含"音视频通话"的客户信息页面，从用户头像旁边的信息列表中提取：
• 备注名（格式：客户分类代码-咨询时间-昵称-合作方） • 客户分类代码（A/B/C/D） • 咨询时间 • 合作方 • 昵称和微信号
如果是更新记录，AI会识别聊天记录页面，提取跟进详情，然后根据备注名或微信号查找现有记录进行更新。
具体的处理流程
让我详细说说这个系统是怎么一步步工作的：
0. 快捷指令截图
先设置手机背面敲三下截图，快捷指令会调用图片上传到n8n处理。
1. 数据接收
Webhook → HTTP Request (文件上传) → Code5 (产品分类解析)
系统收到截图后，先把文件上传到任意图床，这里假设是https://tuchuang.com/api/upload，拿到文件URL。同时解析category字段，按分隔符拆分产品类型。
2. AI动作判断
HTTP Request1 (AI分析) → Code6 (结果解析) → Edit Fields2 (数据格式化) → If (条件判断)
调用Qwen模型分析截图，判断是create还是update操作。
3. 分支处理
如果是create操作：
HTTP Request2 (客户信息提取) → Code → Edit Fields → If1 (字段检查) → 飞书多维度表格操作
AI提取客户信息，检查备注名和客户分类代码是否存在，然后执行后续操作。
如果是update操作：
HTTP Request3 (聊天记录提取) → Code1 → Edit Fields1 → If2 (字段检查) → 飞书多维度表格操作
AI提取跟进详情，处理聊天内容。
**4. 飞书多维度表格操作
这里的逻辑比较复杂，系统会先搜索现有记录：
对于新建客户：
• 搜索是否已存在相同备注名的记录 • 不存在：上传文件到飞书空间 → 新建记录 • 存在：上传文件 → 更新现有记录
对于跟进更新：
• 先根据备注名搜索 • 如果找到：上传文件 → 合并沟通信息 → 添加时间戳 → 更新记录 • 如果没找到：根据微信号搜索 → 相应处理
实际使用效果
我测试了几个场景，效果还是挺不错的：
场景一：新客户信息录入
手机背后敲三下，扔了一张客户信息页面的截图进去，AI准确识别出了客户分类代码、咨询时间、合作方等信息，自动生成了标准格式的备注名，然后创建了新的客户记录。
整个过程不到10秒，以前手动录入至少要2分钟。
场景二：跟进记录更新
发了一张微信聊天截图，AI自动提取了聊天内容中的关键信息，生成了格式化的跟进详情，还自动添加了时间戳，然后更新到了对应的客户记录中。
场景三：批量处理
一口气扔了10张不同的截图，系统自动判断每张图片的类型，该新建的新建，该更新的更新，全程无需人工干预。
真的爽到飞起。
技术细节
整个系统用的技术栈还是比较主流的：
• n8n: 工作流引擎，负责整个流程的编排 • Qwen-VL-Max: AI视觉模型，通过OpenRouter API调用 • 飞书: 多维表格存储，文件空间存储 • 自建文件服务: 临时文件上传
关键的代码逻辑主要在几个Code节点里：
// 时间戳处理示例
const now = new Date();
const timeStamp = `${now.getFullYear()}-${String(now.getMonth() + 1).padStart(2, '0')}-${String(now.getDate()).padStart(2, '0')} ${String(now.getHours()).padStart(2, '0')}:${String(now.getMinutes()).padStart(2, '0')}`;
const newFollowUpWithTime = `[${timeStamp}] ${cleanNewText}`;
遇到的坑
当然，整个过程也不是一帆风顺的，踩了不少坑：
AI识别准确率问题
刚开始AI经常把客户信息页面和聊天记录搞混，后来优化了prompt，加了更具体的识别规则才解决。另外由于飞书的api支持的是unix的毫秒时间戳，所以需要对解析到的yy-mm-dd的格式解析。另外openai的接口识图对于图床响应要求很高，极容易失败，最好增加重试。或者用图床服务，别用自己搭建的图床。
文件上传稳定性
飞书的文件上传API有时候会超时，加了重试机制，设置了5秒等待时间。
数据格式处理
飞书表格对时间格式要求很严格，花了不少时间调试时间戳的转换逻辑。
实现方法
如果你也想搭建类似的系统，步骤其实不复杂：
第一步：制作苹果快捷指令
花半个小时熟悉了快捷指令的制作，主要是赋值、请求、列表、菜单等。 以中文语义在快捷指令app中搜索，找到之后，一个个的尝试使用。
第二步：准备环境
第三步：开发工作流
按照业务流程写出工作流，当然需要整套工作流json的可以私信我获取。
第四步：配置凭证
设置飞书凭证和OpenAI API凭证（用于调用Qwen模型）。
第五步：调试测试
先用几张测试图片跑一下，确保各个节点都正常工作。
总结
这个Firework数据同步系统算是解决了我的一个实际痛点，以前每天要花大量时间手动录入客户信息，现在基本实现了自动化。
虽然还有一些小问题需要优化，但整体效果还是很满意的。
最关键的是，这套系统的思路是通用的，你可以根据自己的业务场景调整AI的识别逻辑和数据处理流程，搭建属于自己的自动化系统。
如果你也在被重复的数据录入工作折磨，不妨试试用AI+自动化的方式来解决。
相信我，解放生产力的感觉真的很爽。
