n8n 用 AI 分类消息：Chat Trigger 与 Basic LLM Chain 操作指南

1. 准备实例与一个新工作流

你需要一个可进入编辑器的 n8n 实例。本文从创建工作流开始，Cloud 或自托管的开通、安装和维护不在本练习内。官方入门页的手动搭建路径是 Personal → Create workflow；可把新工作流命名为“消息分类练习”。[1]

• 先确定本次只处理一条文本消息，使用虚构输入。
• 在画布添加 Chat Trigger，再将主流程连接到 Basic LLM Chain。
• 在 Chat Trigger 保持 Make Chat Publicly Available 关闭，使用手动聊天界面；本练习不加载以前的会话，Load Previous Session 保持 Off。

[1][2]

2. 连接模型并配置凭证

在 Basic LLM Chain 的模型连接处添加 DeepSeek Chat Model 子节点。按 n8n 的 DeepSeek credentials 文档，登录你自己的提供方账号，在 API keys 页面创建密钥，再把它填入 n8n 凭证的 API Key 字段。示例不包含密钥；密钥不应进入提示词、导出的公开文件或截图。[3][4][5]

在 Model 中选择当前账号列出的模型，不照抄别人的型号。这个节点动态读取可用模型；没有可选模型时，先核对凭证与账号访问条件。本文未验证你的余额、模型资格、请求费用或连接成功。[4][5]

3. 明确输入字段与分类规则

• 把 Basic LLM Chain 的 Prompt 设为 Take from previous node automatically；节点参数文档要求上游提供 chatInput。
• 在 Chat Messages 增加 System 消息，填入下面的原创规则。
• 本练习只返回一个类别名称，Require Specific Output Format 保持关闭；如以后启用特定格式，该开关会要求连接输出解析器。

[3]

原创 System 消息：“只根据用户消息分类。登录、密码或会话异常归为「登录问题」；询问产品功能归为「功能咨询」；没有明确问题归为「信息不足」。只返回这三个类别中的一个名称，不添加解释，不补充用户未提供的事实。”这是练习规则，不能保证模型每次遵守。[3][6]

4. 逐条测试并记录实际结果

在编辑器的手动聊天界面逐条发送下表输入。每条都核对 Chat Trigger 的输出是否有 chatInput，以及链是否收到同一段文字；随后检查链的输出与聊天回复。测试会执行工作流并涉及你所配置的模型，先确认自己的执行额度和提供方计费条件。[2][3]

本文来源[6]

每轮记录输入、模型、提示词版本与实际输出；再比较目标类别和是否出现额外文字。改模型或提示词后，重新跑同一组输入。上述四例只是入门检查，不足以证明准确率、稳定性或生产可用。[6]

5. 按数据流排查，而后决定是否公开

• 出现 No prompt specified 时，先查看 Prompt 是否为空或无效；自动读取模式还要确认上游字段名是 chatInput。
• 链已产生回复而聊天显示不符合预期时，核对 Response Mode。简单链路可用 When Last Node Finishes 返回最后执行节点的数据；Using Response Nodes 需要实际配置响应节点。
• 基础链路的回复字段应是 text 或 output；若后续自己改了字段名，Chat Trigger 可能发送整个对象。
• 保持聊天不公开，直到你已核对实际测试结果、访问认证和执行用量；公开入口的 Authentication 可以配置访问限制。

[3][2]

核验范围

已核对：n8n 创建工作流的手动入口、Chat Trigger 的访问和回复设置、Basic LLM Chain 的输入与提示词参数、DeepSeek Chat Model 节点与凭证配置、官方关于多输入测试的说明。所有来源逐页保留核验日期和内容 hash。[1][2][3][4][5][6]

未执行：账号注册、Cloud 开通、自托管安装、密钥创建、模型请求、工作流运行、公开聊天及费用测量。示例与目标类别为原创练习设计；未认证输出质量、中文效果、免费资格或生产稳定性。界面与可用模型以当前实例和账号为准。[2][4][6]