GLM-4.7发布后，n8n就不用学了！搭个AI Skills一键生成工作流

今天，我又要来得罪人了。

甚至可以说，这篇文章发出来，可能会直接断了很多人的财路。

起因是我前几天分享的两篇关于n8n工作流的文章，彻底爆了：

这10个n8n工作流，直接干死了90%的Tiktok视频生产，一键直出100条

这15个n8n工作流，直接干掉了90%的跨境电商营销工作

这几天应该有超过500人加我微信。。但因为我还在外面出差，导致很多消息回复很慢

加我的很多同学都想学n8n，还有一部分让我帮忙定制的

但我把送上门的钱，全推了。

为什么？ 往小了说，复杂的企业级交付太重，个人工作室预算又太低，这生意没法做。 往大了说，由人类手工搭建工作流的时代，已经结束了。

我知道这句话会得罪一堆做n8n培训和代搭建的人。

但事实就是如此残酷：AI技术的本质就是平权，它存在的意义就是把那些昂贵的、原本属于少数人的技术壁垒，夷为平地。

之前我就发过两篇文章预警：

n8n已死！我用Kimi跑通了Claude Skills，直接替代工作流

劝退：n8n等 AI工作流不要学了，已经过时了

当时很多人不信，觉得我在博眼球。

今天，我不仅要帮大家省下这笔定制费，我还要一次性把底牌亮出来：

跑一个专门用于生成n8n工作流的Claude Skills。

首先第一步就是解决AI选型的问题。工具无需质疑Claude Code依然最强。

但AI大模型怎么选？

昨天群里就有人吐槽说国外大模型的账号被封了，但又没解决方案，很焦虑

其实，现在国产AI真的牛逼，有一说一，虽然不能说超过海外御三家，但是日常应对90%的工程项目其实都没有问题了，例如智谱今天发布的GLM-4.7。

为什么我敢这么说？因为我从 GLM-4.5 时代就开始用了，还写过几篇文章，属于是一路看着它一步步变强的。 刚好我自己之前就订购了智谱的 GLM Coding Plan，今天正好直接用旧的套餐，来测测这个新发布的 GLM-4.7 到底几斤几两。

我第一时间去看了硬指标，只看我们做 Claude Skills 最需要的核心能力：Coding（编码） 和 Reasoning（推理）。

就只看2点用得上的：

1. 1. 代码能力霸榜：在 LiveCodeBench v6 ，GLM-4.7 拿下了 84.9 的高分，这是什么概念？它不仅是开源第一，更直接超越了之前的版本答案 Claude Sonnet 4.5。
2. 2. 工程化落地极强：在 SWE-bench Verified中，它达到了 73.8% 的解决率，这意味着它不是在做题，而是真能帮你干活。

所以，结论很简单：

如果你的目标是搞定工作流，GLM-4.7 是目前性价比最高、最稳的解法。

但实战如何？我们就拿它来跑今天的需求，看它到底怎么个事。

1. 配置Claude Code

首先，目前GLM-4.7的型号是glm-4.7-coding-preview

可以参考这段代码设置好Claude code：

mkdir -p ~/.claude && cat > ~/.claude/settings.json <<EOF
{
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "在此处填入您的智谱API_KEY",
    "ANTHROPIC_BASE_URL": "https://open.bigmodel.cn/api/anthropic",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "glm-4.7-coding-preview",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "glm-4.7-coding-preview",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "glm-4.7-coding-preview"
  }
}
EOF

这是我MacBook的配置

配置完成后，当你再次进入 Claude Code，你会看到底层的驱动引擎已经换成了 glm-4.7-coding-preview。

2. 构建核心 Skills

很多人用 AI 生成工作流失败，是因为让 AI “凭空想象”。 n8n 的节点参数非常复杂，凭空生成的 JSON 往往连导入都会报错。

我的思路完全不同：我不让 AI 创造，我让它“抄作业”。 也就是：Context Learning（上下文学习）。

（这个逻辑在之前文章讲过，建议先看一下）

第一步：建立素材库

也就是说要让AI先到网上根据我的需求找已经存在的类似工作流。

之前我是手动用ChatGPT找完再处理的，到底能不能用Claude code纯自动跑完我是没底的。

所以要先试下，参考提示词：

请你调用 playwright MCP到https://n8n.io/workflows/ 下载10个用veo3.1生成视频的工作流json到本地文件夹，流程是打开网站后会有一个搜索框，输入相关的关键词后，下面会出现result的部分，选择合适的，点进去会进入工作流的介绍页面，判断合适后，左边会有`use for free`按钮，点击后会有弹窗，点`copy template to clipboard[json]`，此时工作流代码就已经在剪贴版了。

接下来，就在本地新建一个json文件把代码粘贴进去即可。注意工作流文件的命名要跟网页上的一致。如果有看到关于use cookies的弹窗，就关掉。

卧槽，牛逼！看来这个逻辑是对的，如图左边已经自动新建好了veo_workflows文件夹并且已经有了9个n8n工作流json文件了。

这个过程看出来GLM-4.7 在工具调用（Tool Use）上的表现非常稳。它精准地识别了网页元素，完成了点击、弹窗处理、复制 JSON 的全套动作。

当然，用playwright的效率还是比较慢的，完全就可以用AI写一段python或者js的爬虫代码来抓

例如可以观察一下网页，地址是https://n8n.io/workflows/?q=加上搜索词veo3.1+tiktok

应该不难，大家自己试下。

第二步：注入指令

素材有了，接下来就是最关键的一步：Prompt Engineering（提示词工程）。

我设计了一个n8n AI Agent 工作流设计专家指令：

# n8n AI Agent 工作流设计专家指令

你是一位精通 n8n 自动化与 AI Agent 架构的首席解决方案架构师。你的任务是根据用户输入的业务需求，结合本地参考的工作流模版，构建一个**工业级、模块化、可直接导入**的 n8n 工作流 JSON 文件。

## 1. 输入处理与上下文学习

### 1.1 深度分析参考系 (Context Loading)
你拥有访问 `n8n_references/` 目录下 10 个已下载工作流 JSON 文件的权限。在开始设计前，你必须：
1.**遍历阅读**：逐个分析这些 JSON 文件的结构。
2.**提取模式**：识别文件中优秀的逻辑结构，特别是：
...

### 1.2 用户需求解析
分析用户输入的自然语言需求，拆解为：
***输入源 (Inputs)**: 用户从哪里提供数据 (Form, Google Sheet, Webhook?)
***处理核 (Core Logic)**: 需要经过哪些 AI 处理 (LLM Analysis, Image Gen, RAG?)
***输出端 (Outputs)**: 结果发送到哪里 (Email, Slack, Database?)

---

## 2. 架构设计原则 (Design Philosophy)

### 2.1 AI Agent 核心化
除非用户需求极度简单（如纯数据搬运），否则**必须使用 `AI Agent` 节点**作为核心大脑，而不是简单的线性 Chain。
...

### 2.2 逻辑复用 (Logic Reuse)
**不要凭空创造节点配置。**
...

### 2.3 模块化与可视化 (Modularity)
生成的工作流必须清晰易读，严禁生成“意大利面条式”的混乱连线。
***使用 Sticky Notes 分区**：必须利用 n8n 的 Sticky Note 功能，将工作流划分为不同区域（Color-coded）,例如：
...

### 步骤 4：生成 JSON
* 输出必须是**纯净的 JSON 格式**，符合 n8n Workflow Schema。
* 确保 `nodes` 数组和 `connections` 对象完整对应。
* 确保所有引用的节点 ID 是唯一的。

它有多牛逼？

1. 1. 深度阅读：先把刚才下载的那 10 个模版全部读一遍，搞清楚别人是怎么处理 API 鉴权、怎么做循环（Loop）、怎么处理报错的。
2. 2. 逻辑复用：不要自己造轮子，如果参考文件里有写好的 HTTP 请求节点，直接拿来用。
3. 3. 模块化设计：强制要求使用 Sticky Notes（便签）把工作流分层，这样阅读性很高。

第三步：配置Skill

这部分可以补充阅读之前的文章，但这次会更简单。

在项目文件夹下生成文件夹.claude/skills

Claude Code会自动读取里面的skill文件夹，例如n8n-gen-skill

再到里面，新建一个关键的SKILL.md

处理好后，我们输入/skills，就会看到如图已经读取好了

接下来就测试一下：

帮我做一个用veo3.1生成tiktok带货视频的n8n工作流，要求每天定时晚上11点跑工作流，先读取我的谷歌表格，把状态为未完成的记录提取出来，里面是我放到的产品图、拍摄风格，需要你循环逐个图片作为参考图，连同拍摄风格传给veo3.1来生成视频，把生成好的视频，下载后上传到谷歌云盘，最后把视频地址同步回谷歌表格，同时这行标记状态为已完成。

老规矩，看到下图中n8n-gen-skill前面有绿灯，才证明是正在使用skill

处理完成。n8n_output 文件夹里多了两份文件。

第一份：需求说明文档（Markdown）

这简直是乙方的救星！ 里面详细记录了架构设计、节点配置方案，甚至连 Google Sheets 的表头结构都定义好了。你直接把这个丢给客户，专业度瞬间拉满。

直接解决了很多人拿到工作流后不知道怎么配置的问题。

第二份：n8n 工作流 JSON

我把生成的 JSON 文件直接导入 n8n。

太牛逼了！！我发誓我没有修改任何一个节点，这样的工作流，还不是傻瓜线形的，甚至连循环判断都是正确了，真的能省很多事。

这就是 GLM-4.7 + Context Learning 的威力。 它不是在“生成”，它是在“理解”了业务逻辑之后，像一个高级架构师一样在“构建”。

变天了

看到这里，你明白我开头为什么敢“断人财路”了吗？

以前你的护城河，是背下了几百个节点的参数，是熬夜试错的经验。 但就在刚刚，GLM-4.7 用几分钟的“思考”，把这些壁垒瞬间夷为平地。

说实话，这次 GLM-4.7 真的给了我一种久违的惊艳感。

不仅仅是它现在开源第一， 而是因为那些纸面的参数，在业务落地中变成了实实在在的提效——当我把生成的 JSON 导入 n8n，发现连循环逻辑、API 鉴权都严丝合缝，不需要我手动改一个标点符号。

这证明了它的思考模式 绝不是噱头。 它不再是一个只会补全代码的工具，而是一个真正拥有逻辑推理能力、能读懂你业务上下文的架构师。

以前，你的上限是你双手的速度；

搭配时下最强AI，你的上限仅取决于你的想象力。