从每月 $500 的 OpenAI 账单到 $0：将 n8n 工作流迁移到本地模型

你从一个使用 OpenAI 的 n8n 工作流开始。一个简单的——也许它分类传入的邮件或从表单提交中提取数据。API 调用每次执行只花费几分之一美分。几乎不被注意到。于是你又构建了五个工作流。然后十个。然后你给需要更好推理的工作流添加了 GPT-4。然后你的同事看到了你构建的东西，又要求了三个。

现在你盯着一张每月 $500 的 OpenAI 账单。而且还在攀升。

事实是：大多数工作流不需要 GPT-4。它们甚至不需要 GPT-3.5。它们需要一个在某个特定任务上非常出色的模型——分类、提取、重格式化、摘要——而这正是微调 7B 模型所做的。从 OpenAI API 调用迁移到本地微调模型并不像听起来那么可怕，成本节省是显著的：从每月数百美元到每 Token 成本字面上的零。

本指南逐步引导你完成整个迁移。我们将审计你的工作流，确定迁移优先级，为每种工作流类型微调模型，使用 Ollama 部署它们，并在 n8n 中替换端点而不破坏任何东西。

迁移审计

在迁移任何东西之前，你需要知道你在处理什么。审计的目标是盘点每个使用 AI 节点的 n8n 工作流，按复杂度和流量分类，并识别快速收益。

第 1 步：列出每个带有 AI 节点的工作流。 在 n8n 中，转到工作流列表并搜索包含 OpenAI 节点（或任何 AI/LLM 节点）的工作流。对于每个工作流，记录：

• 工作流名称和用途
• 使用的模型（GPT-4、GPT-4o、GPT-3.5-turbo）
• 每天大约执行次数
• 每次执行的平均输入 Token 数
• 每次执行的平均输出 Token 数
• 是否使用结构化输出（JSON 模式、函数调用）

第 2 步：按任务类型分类。 大多数 AI 驱动的 n8n 工作流属于以下类别：

第 3 步：计算每个工作流的成本。 将每个工作流的每日执行次数乘以 Token 使用量和模型的每 Token 费率。

首先迁移哪些工作流

并非所有工作流都是同等候选者。理想的首要目标是：

高流量、低复杂度。 每天分类 2,000 封邮件为 5 个类别的工作流是完美的。它有清晰的输入-输出模式、高流量（因此高节省）和低复杂度（微调 3B 模型就能轻松处理）。

结构化输出。 期望 JSON 输出的工作流——如从发票提取字段或解析表单数据——是很好的候选者。

重复模式。 如果一个工作流基本上以相同的转换执行数千次，只有输入数据变化，微调效果非常好。

优先级框架：

迁移框架

迁移分四个阶段。不要跳过阶段。不要急于求成。

阶段 1：导出执行数据

对于你要迁移的每个工作流，你需要来自真实执行的实际输入-输出对。这是你的训练数据。

从 n8n 执行日志： n8n 存储每个工作流运行的执行数据。对于 AI 节点的每次执行，提取：

• 发送给 OpenAI 的提示/输入
• 收到的响应/输出
• 工作流是否成功完成（过滤掉失败的）

每种工作流类型需要多少数据？

对于大多数 n8n 工作流，两到四周的执行日志提供的训练数据绑定有余。

阶段 2：按工作流微调

一个关键问题：训练一个模型用于所有工作流还是每种工作流类型一个模型？

每种工作流类型一个模型 几乎总是正确的选择。原因：

• 每个模型可以很小很快（3B-7B 参数），因为它只需要处理一个任务
• 质量更高，因为模型不会被竞争的任务模式混淆
• 你可以在需求变化时独立更新每个模型
• 如果一个模型表现不佳，你只需重训那个——不是所有的

阶段 3：部署和测试

在单个 Ollama 实例上部署所有微调模型。

并行测试策略： 在生产中切换任何东西之前，至少并行运行微调模型和现有 OpenAI 工作流一周。

你希望分类和提取工作流至少有 95% 匹配率。对于生成和摘要，需要人工判断——但输出应该在功能上等效。

阶段 4：切换和监控

一旦并行测试确认质量，切换生产工作流。

渐进式切换方案：

• 第 1 周： 迁移 P0 工作流（分类、提取）。保持 OpenAI 作为兜底。
• 第 2 周： 如果 P0 稳定，移除 P0 工作流的 OpenAI 兜底。带兜底迁移 P1 工作流。
• 第 3 周： 移除 P1 兜底。评估 P2 工作流。
• 第 4 周： 根据评估结果迁移或推迟 P2。

迁移成本计算器

典型迁移的费用对比：

之前：OpenAI API 成本

之后：本地微调模型

月节省：$355.50。年节省：$4,266。

30 天后的结果

一个月运行迁移技术栈后实际发生了什么：

成本降低：78%。 从 $453/月到 $97.50/月。

延迟改善：平均快 40%。 本地推理始终比 OpenAI API 调用快，特别是在高峰时段。

质量指标：

• 分类准确率：97.2%（本地） vs 98.1%（OpenAI）。差异不到 1%。
• 提取准确率：95.8%（本地） vs 96.4%（OpenAI）。差异可忽略。
• 摘要质量（人工评估，100 个样本）：4.2/5（本地） vs 4.4/5（OpenAI）。可接受。

每月 $500 的 OpenAI 账单不是不可避免的。它是使用通用模型完成特定任务的扩展产物。微调本地模型是解决方案——迁移比你想象的更简单。

---

延伸阅读

• 从 API 依赖到模型所有者：90 天迁移手册 — 从 API 到自有模型的完整分阶段计划。
• n8n + 本地 LLM 实现符合 HIPAA 的自动化 — 本地模型如何解决医疗工作流的合规问题。
• n8n 到微调模型的代理机构手册 — 将 n8n 迁移产品化为代理机构服务。
• 按 Token AI 定价的隐性成本 — 为什么按 Token 定价与可持续业务根本不兼容。