n8n 和 Make.com 工作流程的微調工具呼叫

你有一個可以運作的 n8n 工作流程。客戶發送消息，OpenAI 節點決定要採取哪個操作，工作流程相應地分支。查詢訂單、檢查狀態、發起退款、升級給人工。每天運行 500 次。OpenAI 帳單是 $450/月，還在上漲。

以下是完全消除這個成本的模式：從現有工作流程執行中擷取訓練資料，在你的特定工具 schema 上微調小型模型，使用 Ollama 在本地部署，並用指向 localhost 的 HTTP Request 節點替換 OpenAI 節點。

相同的工作流程。相同的路由邏輯。相同的結構化輸出。零 API 成本。

架構

大多數 n8n AI 工作流程中的當前模式：

Webhook → OpenAI 節點（工具選擇）→ Switch 節點 → 操作分支

替換方案：

Webhook → HTTP Request（本地 Ollama）→ Switch 節點 → 操作分支

唯一變更的節點是 AI 決策點。下游的一切——Switch 節點、操作分支、資料庫寫入、郵件發送——保持完全不變。

微調模型的工作是狹窄的：接收用戶消息，以 JSON 輸出工具名稱和參數。它不需要是通用助手。它不需要寫詩或摘要文件。它需要為你的特定工具分類意圖並擷取參數。

範例：8 工具客戶支援工作流程

我們將介紹一個有八個工具的真實工作流程：

在 n8n 中，這個工作流程看起來像：Webhook 觸發器、帶工具定義的 OpenAI 節點、基於工具名稱的 Switch 節點，以及八個分支，各自執行適當的操作。

OpenAI 節點每次執行費用 $0.02-0.04，取決於提示長度和模型。每天 500 次執行，僅路由決策每月就花費 $300-600。

第一步：從工作流程日誌中擷取訓練資料

n8n 儲存每次工作流程運行的執行資料。這是你的訓練資料來源——配對了實際有效的工具呼叫的真實用戶消息。

在 n8n 中，進入工作流程的執行記錄並篩選成功的運行。每次執行包含輸入（用戶消息）和 OpenAI 節點的輸出（工具選擇 + 參數）。

匯出這些資料。你可以使用 n8n API 或 Code 節點來擷取它：

// n8n Code 節點——從執行歷史中擷取訓練對
const executions = await this.helpers.httpRequest({
  method: 'GET',
  url: 'http://localhost:5678/api/v1/executions',
  headers: { 'X-N8N-API-KEY': 'your-api-key' },
  qs: { workflowId: 'your-workflow-id', status: 'success', limit: 1000 }
});

const trainingPairs = executions.data.map(exec => {
  const webhookData = exec.data.resultData.runData['Webhook'][0];
  const openaiData = exec.data.resultData.runData['OpenAI'][0];

  return {
    userMessage: webhookData.data.main[0][0].json.body.message,
    toolCall: openaiData.data.main[0][0].json.tool_calls[0]
  };
});

return trainingPairs;

這給你真實的輸入-輸出對。如果你以每天 500 次執行運行了一個月的工作流程，那就是 15,000 個標記範例。已經足夠了。

篩選品質： 刪除用戶消息為空的執行、工具呼叫之後在下游分支中出現錯誤的執行（表示錯誤的路由決策），或工作流程被手動更正的執行。

第二步：格式化以進行微調

將你擷取的對轉換為標準 JSONL 訓練格式：

{"messages": [{"role": "system", "content": "You are a customer support router. Given a customer message, call the appropriate tool. Available tools: lookup_order, check_status, initiate_refund, update_address, send_notification, check_inventory, apply_discount, escalate_to_human."}, {"role": "user", "content": "Where's my order ORD-48291?"}, {"role": "assistant", "tool_calls": [{"function": {"name": "lookup_order", "arguments": "{\"order_id\": \"ORD-48291\"}"}}]}]}

在系統消息中包含完整的工具 schema。在所有範例中保持相同——這是你在推理時將使用的相同系統提示。

對於 8 工具工作流程，目標達到以下分佈：

分佈應該大致與你的真實流量匹配。如果 lookup_order 佔你 30% 的請求，它應該有最多的範例。如果你沒有足夠的工具真實資料，使用合成擴展填補空缺。

第三步：微調模型

對於工具呼叫路由，7B 或 8B 模型已經足夠了。Qwen 2.5 7B 和 Llama 3.3 8B 都效果很好。你在訓練帶有結構化輸出的分類器，而不是通用助手。

使用 Ertas，微調流程是：

1. 上傳你的 JSONL 資料集
2. 選擇基礎模型（工具呼叫推薦 Qwen 2.5 7B）
3. 配置 LoRA——rank 16，alpha 32，針對所有注意力層
4. 以學習率 2e-4 訓練 3 個 epoch

在單個 GPU 上訓練時間：1,100 個範例需要 30-45 分鐘。輸出是一個 LoRA 適配器——一個疊加在基礎模型上的 50-100MB 文件。

如果你還沒有足夠的真實執行資料，先從你的工具 schema 構建一個合成資料集，訓練初始模型，部署它，幾週後用真實資料重新訓練。

第四步：使用 Ollama 部署

以 GGUF 格式匯出你的微調模型並建立 Ollama Modelfile：

FROM ./qwen2.5-7b-customer-tools.gguf

PARAMETER temperature 0.1
PARAMETER num_ctx 2048

SYSTEM """You are a customer support router. Given a customer message, call the appropriate tool. Available tools: lookup_order, check_status, initiate_refund, update_address, send_notification, check_inventory, apply_discount, escalate_to_human. Respond with a JSON tool call or a conversational message if no tool applies."""

ollama create customer-router -f Modelfile
ollama run customer-router

測試它：

curl http://localhost:11434/api/chat -d '{
  "model": "customer-router",
  "messages": [{"role": "user", "content": "I want a refund for ORD-55123, it was defective"}],
  "stream": false
}'

預期輸出：

{
  "tool_calls": [{
    "function": {
      "name": "initiate_refund",
      "arguments": "{\"order_id\": \"ORD-55123\", \"reason\": \"defective\"}"
    }
  }]
}

在有 16GB RAM 的機器上的回應時間：200-400ms。足夠快可以用於即時工作流程執行。

第五步：替換 n8n 中的 OpenAI 節點

在你的 n8n 工作流程中，用 HTTP Request 節點替換 OpenAI 節點：

HTTP Request 節點配置：

• 方法：POST
• URL：http://localhost:11434/api/chat
• Body（JSON）：

{
  "model": "customer-router",
  "messages": [
    {
      "role": "user",
      "content": "={{ $json.body.message }}"
    }
  ],
  "stream": false,
  "format": "json"
}

來自 Ollama 的回應包含相同結構的工具呼叫。你的下游 Switch 節點解析工具名稱並路由到正確的分支——與以前完全一樣。

更新 Switch 節點以從 Ollama 回應格式而不是 OpenAI 回應格式解析。工具名稱在相同位置；你可能需要稍微調整 JSON 路徑。

成本比較

以下是不同自動化量的真實計算：

「微調本地」列是 $0，因為在你自己的硬體上推理沒有邊際成本。你已經在為伺服器付費了。即使每天 5,000 次執行，推理的電力成本也可以忽略不計——每月不到 $5。

一次性成本：微調計算（在雲 GPU 上 $5-20，或在 Ertas 上免費），加上建立資料集和測試的 4-8 小時時間。

每天 100 次執行的損益平衡：不到一週。

Make.com 等效方案

相同的模式在 Make.com 中也有效。用調用本地 Ollama 端點的 HTTP 模組替換 OpenAI 模組。

HTTP 模組配置：

• URL：http://your-server-ip:11434/api/chat
• 方法：POST
• Body 類型：Raw（JSON）
• 請求內容：

{
  "model": "customer-router",
  "messages": [{"role": "user", "content": "{{1.body.message}}"}],
  "stream": false,
  "format": "json"
}

如果你的 Make.com 實例在雲中運行而你的 Ollama 實例在本地運行，你需要暴露 Ollama 端點。選項：Cloudflare Tunnel（免費）、ngrok 或 VPN。對於生產環境，使用帶訪問策略的 Cloudflare Tunnel 來限制誰可以訪問端點。

Make.com 的定價模型實際上使節省更加顯著。你按操作付費，OpenAI 模組算作一個操作，加上你單獨向 OpenAI 付費。使用調用本地端點的 HTTP 模組，你仍然為 Make.com 操作付費，但完全消除了 OpenAI 成本。

可靠性提升

這是被低估的好處。成本節省引人注目，但可靠性往往是更大的收益。

通用 GPT-4 模型偶爾會幻覺工具名稱。它可能輸出 search_order 而不是 lookup_order，或 refund_order 而不是 initiate_refund。對人類來說足夠接近，但對你的 Switch 節點來說足夠錯誤以使其崩潰。

在你的八個工具名稱上專門訓練的微調模型永遠不會幻覺第九個。它在訓練資料中只見過這八個名稱。輸出空間被限制在你的實際 schema 中。

在客戶支援工作流程的測試中，微調 7B 模型達到：

• 工具選擇準確率： 94-97%（vs 帶提示工程的 GPT-4o-mini 89-93%）
• 參數擷取準確率： 91-95%（vs GPT-4o-mini 87-92%）
• Schema 合規性： 99.5%+（vs GPT-4o-mini 96-98%）
• 幻覺工具名稱： 0%（vs 通用模型 1-3%）

通用模型上的 1-3% 幻覺率聽起來不多，直到你每天運行 500 次執行。在 2% 時，那是每天 10 次失敗執行——10 個遇到錯誤的客戶，10 個支援票，10 次手動干預。

處理邊緣案例

不匹配任何工具的消息怎麼辦？模型需要進行對話式回應。

在你的訓練資料中包含負向範例——像「你們的營業時間是什麼？」或「謝謝幫助！」這樣的消息，不應該觸發任何工具。訓練模型為這些消息輸出對話式回應。

可能匹配多個工具的消息怎麼辦？「我想退貨並更改我的地址」——這需要兩個工具呼叫。如果你的工作流程支援順序執行，則訓練多工具範例；或者訓練模型選擇主要意圖並在後續輪次處理第二個。

新工具怎麼辦？當你向工作流程添加第九個工具時，你需要重新訓練。將新工具的範例添加到你的資料集中，包含將其與類似現有工具區分開的負向範例，並運行快速微調。使用 LoRA，重新訓練需要 30-45 分鐘。你可以在午餐時間完成。

---

遷移清單

以下是遷移清單：

1. 匯出執行歷史從你的 n8n/Make.com 工作流程（最少 500 次成功運行）
2. 格式化為 JSONL，帶有正確的工具呼叫結構和 20% 負向範例
3. 微調 7B 模型，使用 LoRA（30-45 分鐘）
4. 部署到與工作流程引擎相同的機器或網路上的 Ollama
5. 替換 OpenAI 節點為指向 localhost:11434 的 HTTP Request 節點
6. 測試在切換生產流量之前使用 50 個真實消息
7. 監控前 1,000 次執行，將工具選擇準確率與 OpenAI 基準進行比較
8. 每月重新訓練使用新的執行資料以持續改善

最難的部分是第 1 步——習慣在你自己硬體上運行的 7B 模型可以匹配 GPT-4 對你特定工具的路由準確率的想法。一旦你看到測試結果，其餘的就是直接的管道工作。

你的工作流程繼續運行。你的自動化繼續工作。你的 API 帳單降至零。

延伸閱讀

• How to Replace the OpenAI Node in n8n with a Fine-Tuned Model — 帶節點逐一配置截圖的步驟指南。
• Make.com with Local AI: The Complete Integration Guide — 將 Make.com HTTP 模組連接到本地 Ollama 端點的完整介紹。
• n8n + Ollama + Fine-Tuned Models: The Zero-Cost Stack — 在沒有持續成本的單一伺服器上運行完整自動化堆疊的架構指南。