自然语言生成自动化工作流：基于大语言模型的n8n工作流智能构建平台

本文介绍的开源项目n8n_workflow_generator，核心是利用生成式AI将自然语言指令自动转换为可执行的n8n工作流，解决非技术用户使用n8n的学习门槛问题。项目通过对Qwen2.5-Coder-7B模型进行QLoRA微调，基于4000+公开n8n工作流数据集训练，实现了93.3%的有效JSON生成率。平台支持自然语言转换、智能集成识别、可视化编辑与多方式导出，降低自动化门槛，加速开发流程。

在数字化工作环境中，n8n是流行的开源工作流自动化工具，但初学者和非技术用户面临诸多门槛：需理解节点功能与配置、手动处理认证、掌握分支逻辑及n8n特有的JSON结构。本项目旨在通过大语言模型能力，让用户用自然语言描述需求，自动生成对应n8n工作流，解决上述痛点。

1. 自然语言转工作流：例如用户输入"每天读取Gmail邮件，用Gemini摘要保存到Google Sheets并发送Telegram通知"，系统输出包含Trigger、Gmail、Gemini、Google Sheets、Telegram节点的完整JSON。
2. 智能集成识别：自动识别需求中的服务，支持通信工具（Gmail、Slack、Telegram）、数据存储（Google Sheets、Airtable）、AI服务（OpenAI、Gemini）等，用户可选择偏好服务优化配置。
3. 可视化与导出：生成的工作流可在画布上拖拽编辑、调整连接，支持下载JSON、复制剪贴板、导入n8n或通过API部署。

数据集构建：从Zie619/n8n-workflows等仓库收集4033个独特工作流，涵盖495种节点，生成32264条提示-工作流配对数据；预处理包括移除噪声、标准化结构、过滤损坏文件。 提示增强：为每个工作流生成多个变体提示（如同一Gmail-Slack工作流的不同描述）提升泛化能力。 模型训练：选用Qwen2.5-Coder-7B-Instruct基础模型，采用QLoRA微调（Unsloth框架，上下文长度6144，LoRA秩16，学习率2e-4），训练1 epoch后验证损失0.3777，测试集有效JSON生成率93.3%。

系统流程：用户提示→意图理解→集成检测与选择→提示精炼→微调模型→工作流JSON生成→验证→可视化渲染→导出。 技术栈：前端（React、Vite、SVG画布、Lucide Icons）；后端（Python、Hugging Face Transformers、Unsloth、Pandas/NumPy）；支持多LLM提供商（OpenAI、Gemini、Groq、Ollama本地模型）。

1. 降低门槛：非技术用户无需学习节点配置，用自然语言即可构建自动化流程。
2. 加速开发：经验丰富的n8n用户可快速生成工作流骨架再微调，提升效率。
3. 知识复用：基于大规模数据集训练，模型学习到最佳实践，生成代码质量有保障。

未来规划：多智能体工作流规划、自动凭证映射、工作流执行模拟、强化学习优化、多分支逻辑处理、自动化合规检查。 行业意义：展示生成式AI在工作流自动化的潜力：自然语言即代码、领域专用模型、人机协作模式、低代码向对话式开发演进。为类似系统提供完整技术参考（数据收集→预处理→训练→可视化）。