Как добавить ИИ в сценарий n8n и проверять ответы перед отправкой
Как добавить ИИ в сценарий n8n и проверять ответы перед отправкой — задача, которая чаще всего возникает при автоматизации переписки, обработки заявок, подготовки черновиков и разбора данных. n8n удобен тем, что модель становится одним из шагов: до неё данные приводят к понятному виду, после неё проверяют, и только затем результат уходит в почту, мессенджер, CRM или документ.
Главная ошибка — соединить модель напрямую с отправкой и считать, что аккуратный текст уже готов к использованию. Модель может ошибиться в факте, формате, тоне или пропустить обязательное поле, причём ошибка будет выглядеть правдоподобно. Ниже — безопасный каркас: где поставить ИИ в n8n, какие проверки добавить и как не усложнить сценарий раньше времени.
Названия нод и параметры отличаются в зависимости от версии n8n и установленных интеграций, поэтому сверяйтесь с интерфейсом вашей системы и документацией. Дальше речь идёт о логике, а не о конкретных кнопках.
Где ИИ в n8n вписывается в сценарий
Модель редко бывает «всем сценарием». Обычно это один или несколько шагов, между которыми есть подготовка данных и контроль результата. Чем яснее задача у модели, тем проще проверить ответ.
Технически это может быть отдельная нода — например, AI Agent или Basic LLM Chain в подходящей версии — либо обычный HTTP Request к API провайдера. Важнее не название ноды, а контракт: что сценарий отправляет модели и что ожидает получить обратно.
- Классификация входящего запроса. Модель определяет тему, срочность или тип обращения, чтобы сценарий направил его в нужную ветку.
- Черновик ответа. Модель готовит текст для сотрудника или клиента, который затем проверяют по правилам и при необходимости редактируют.
- Извлечение данных. Из письма или формы вытаскиваются название компании, дата, номер заказа или другой параметр — с последующей сверкой с источником.
- Переписывание и суммаризация. Длинный текст сокращают, переводят или приводят к единому стилю, сохраняя обязательные смысловые блоки.
Для каждого шага определите, что именно должна вернуть модель. Свободный текст удобен для черновика, но плохо проверяется автоматически. Структурированный ответ — например, JSON с полями — проще валидировать, сравнивать с входными данными и передавать дальше.
Если модель должна вернуть текст письма, попросите отдельно тему, тело, тон и список фактов, которые нельзя менять. Так у проверки появятся конкретные объекты: тема не длиннее заданного лимита, тело содержит нужные пункты, факты совпадают с заявкой.
Как добавить ИИ в сценарий n8n: минимальная схема
Минимальная цепочка выглядит скучно, но именно она снижает риск. Сначала вход приводится к предсказуемому виду, затем вызывается модель, затем ответ проверяется и только потом отправляется.
- Триггер. Webhook, форма, письмо или расписание фиксируют событие и запускают сценарий.
- Нормализация входа. Поля приводятся к единому виду, лишнее убирается, обязательные данные проверяются до вызова ИИ.
- Вызов ИИ. Отдельная нода или HTTP Request; в промпте описаны роль, задача, формат ответа и ограничения.
- Разбор ответа. Из результата извлекается текст или JSON; если формат сломан, сценарий не идёт дальше.
- Проверка. Проверяются обязательные поля, допустимые значения, длина, ссылки и запрещённые формулировки.
- Ветвление. Ответ либо отправляется автоматически, либо уходит на ручную проверку, либо возвращается с понятной ошибкой.
- Логирование. Сохраняются вход, ответ, результат проверки и решение — без лишних персональных данных.
Ключевое решение — не отправлять ответ из той же ноды, которая вызвала модель. Между генерацией и отправкой должен быть явный шаг проверки. Если проверка не пройдена, сценарий не должен «молча» отправлять пустое сообщение или падать без уведомления. Нужен понятный fallback: черновик для сотрудника, сообщение об ошибке ответственному или возврат заявки в очередь.
Если цепочка разрастается, полезно заранее продумать обработку сбоев и повторные попытки. Практический разбор такой логики есть в материале «Как собрать в n8n цепочку с проверкой данных и обработкой сбоев» — его можно использовать как ориентир для структуры, не копируя конкретные настройки.
Отдельно продумайте, что считать успехом. Успешная отправка — не то же самое, что корректный ответ. Если сценарий просто вызвал модель и не получил ошибку, это ещё не значит, что результат можно отправлять. Критерий успеха должен включать пройденные проверки и понятное состояние: отправлено, отправлено после правки, отправлено на ручную проверку или остановлено.
Промпт стоит писать так, будто его будет читать очень буквальный исполнитель. Опишите, какие данные брать только из входа, что делать при нехватке сведений, какой формат вернуть и чего делать нельзя. Фраза «если данных не хватает, верни поле missing со списком недостающего» работает лучше, чем надежда на догадливость модели.
Что проверять в ответе ИИ перед отправкой
Проверки зависят от риска. Для внутренней суммаризации достаточно длины и отсутствия секретов, для письма клиенту нужны факты, тон и ссылки, для юридически значимого сообщения — человек.
- Формат. JSON парсится, обязательные поля на месте, типы данных совпадают, пустых значений нет.
- Содержание. Нет выдуманных фактов, ссылок, цен и обещаний; числа и даты совпадают с входными данными.
- Ограничения. Соблюдены длина, язык, тон и отсутствие запрещённых слов или недопустимых советов.
- Безопасность. В ответе нет персональных данных, секретов, токенов и внутренних ссылок, если они не должны уходить наружу.
- Адресат. Ответ предназначен тому же человеку, канал и тема совпадают с исходным обращением.
- Действие. Если ответ предполагает отправку документа, платежа или юридически значимого сообщения, нужен отдельный контроль.
Отдельно проверяйте числа, даты, имена, адреса и суммы, если они есть во входных данных. Модель может незаметно изменить порядок цифр или добавить правдоподобную деталь. Надёжнее не «доверять» ответу, а сверять поля с исходной заявкой, базой или документом. Если сверка невозможна, это повод для ручной проверки, а не для автоматической отправки.
Для внешних сообщений полезно проверять адресата и канал: ответ должен уходить тому же человеку и в тот же контекст. Ошибка с чужим адресом или темой иногда опаснее неточной формулировки.
Если ответ должен содержать ссылку, проверяйте её по белому списку доменов. Не позволяйте модели добавлять произвольные URL: даже правдоподобная ссылка может вести не туда. То же касается вложений: сценарий должен отправлять только тот файл, который был заранее определён и проверен, а не тот, который модель «упомянула» в тексте.
В сценариях, где речь идёт о документах и подписании, требования к проверке выше: там важны и сам файл, и его содержимое, и статус подписания. Полезно посмотреть, как устроена такая логика, в разборе «Как спроектировать сценарий подписания документов и проверить файлы в DigiDoc» — там акцент на проверке файлов, а не на генерации текста.
Как организовать проверку на практике
Практическая проверка обычно строится в несколько уровней. Не нужно сразу внедрять всё: начните с формата и обязательных полей, затем добавляйте правила и выборочный человеческий контроль.
- Структурная проверка. Схема JSON, проверка типов, обязательных полей и пустых значений. В n8n это можно собрать через Code, IF, Switch или Set, а при сложной схеме — через отдельный сервис валидации.
- Правиловая проверка. Регулярные выражения, списки допустимых значений, сверка с базой, лимиты длины и проверка ссылок по белому списку.
- Смысловая проверка. Второй вызов ИИ как критик или классификатор риска. Он помогает найти подозрительные места, но его результат тоже не истина, а сигнал.
- Человеческая проверка. Для высокорисковых ответов, новых тем, жалоб, финансовых и юридических вопросов.
Принцип «fail closed» звучит просто: если проверка не пройдена, отправка не происходит. Это лучше, чем «fail open», когда сценарий отправляет всё, что вернула модель, а ошибки замечают постфактум. Для повторов задайте предел: одна повторная попытка с уточнённым промптом, затем fallback. Бесконечные повторы только расходуют ресурсы и запутывают логику.
Для повторных попыток меняйте не только формулировку «попробуй ещё раз», но и условия: добавьте в промпт явную схему ответа, пример допустимого JSON и запрет на выдуманные поля. Если модель снова возвращает невалидный результат, не отправляйте его. Лучше сохранить исходный ответ для разбора и перевести заявку в состояние, где человек увидит проблему.
Логирование стоит проектировать вместе с проверками, а не после. Минимально полезно фиксировать идентификатор заявки, версию промпта, модель, статус проверки и причину отказа. Тексты и персональные данные храните только там, где это действительно нужно для разбора, и ограничивайте доступ. Если в промпт попадают персональные данные, отправка во внешний AI-сервис может требовать дополнительной проверки: какие данные допустимо передавать, есть ли договор с поставщиком, как настроены хранение и удаление. Это не юридическая консультация; сверьтесь с политикой компании и официальными рекомендациями для вашей ситуации — для организации в ЕС, включая Эстонию, вопрос особенно актуален, если сценарий касается клиентских данных.
Перед включением автоматической отправки прогоните сценарий на наборе прошлых обращений. Полезно вручную собрать несколько десятков типичных и несколько неудобных примеров: пустые поля, длинные письма, другой язык, жалоба, запрос счёта. Смотрите не только на долю успешных прогонов, но и на характер ошибок. Если модель ошибается в одном и том же месте, исправлять нужно промпт и проверки, а не увеличивать число повторов.
Ошибки, из-за которых проверка не работает
Проверка часто существует формально: в схеме есть нода IF, но она пропускает почти всё. Вот несколько ошибок, из-за которых контроль не работает.
Проверка стоит после отправки. Иногда сценарий сначала отправляет сообщение, а потом логирует результат. Исправлять ошибку позже дороже; проверка должна быть до внешнего действия.
Правила слишком мягкие. Проверка «текст не пустой» не ловит выдуманную ссылку, неверную сумму или не тот язык. Добавьте обязательные поля, допустимые значения и сверку с источником.
Нет безопасного fallback. Если при ошибке сценарий просто останавливается, заявка может потеряться. Если отправляет пустоту — получить странное сообщение. Нужен понятный маршрут: человеку, в очередь или в уведомление.
Промпт не задаёт формат. Просьба «напиши хорошо» не помогает автоматической проверке. Лучше явно описать, что должно быть в ответе, что запрещено и что делать при нехватке данных.
Второй ИИ считают арбитром. Модель-критик может помочь найти сомнительные места, но её ответ тоже вероятностный. Для высокорисковых решений нужен человек или формальное правило, а не ещё одна генерация.
Нет версионирования. Промпт, модель и правила проверки меняются. Без фиксации версий трудно понять, почему вчерашний ответ проходил проверку, а сегодняшний — нет. Храните версии хотя бы в описании сценария или в отдельном журнале изменений.
Автоматическая отправка в высокорисковых случаях. Жалобы, финансовые вопросы, юридические формулировки и персональные данные плохо подходят для полностью автоматического ответа. Даже хорошая модель не снимает ответственность за коммуникацию. В таких сценариях лучше готовить черновик и оставлять финальное решение человеку.
Частые вопросы
Нужен ли отдельный сервис проверки, если в n8n уже есть ИИ?
Не обязательно. Начните с встроенных возможностей: проверка JSON, обязательных полей, допустимых значений и ветвления через IF или Switch. Отдельный сервис или второй вызов модели имеет смысл, когда правила сложные, ответов много или нужна независимая оценка риска. Но и второй ИИ не гарантирует истинность — он лишь помогает найти подозрительные места.
Можно ли проверять ответы ИИ автоматически на 100%?
Нет. Автоматика хорошо ловит формат, пустые поля, запрещённые слова и несоответствия правилам, но не всегда понимает смысл, контекст и последствия. Для высокорисковых ответов — жалоб, финансовых вопросов, документов, персональных данных — оставляйте ручную проверку или ограничивайте автоматическую отправку.
Что делать, если ИИ вернул невалидный JSON?
Не отправляйте такой ответ. Разберите его в отдельной ветке, зафиксируйте ошибку и попробуйте один повтор с более строгим промптом и явной схемой. Если повтор снова не прошёл, переведите сценарий в безопасный fallback: черновик для человека, уведомление ответственному или отказ с понятным сообщением. Полезно сохранить исходный ответ для разбора, но без лишних персональных данных.