N8N 串接 OpenAI GPT-4o：讓工作流有『理解能力』的完整設定

N8N 串接 OpenAI 指的是在 N8N 工作流裡加入 OpenAI 節點，把 GPT-4o 這類大型語言模型接進你的自動化流程，讓工作流從「只會搬資料」升級成「看得懂內容、能做判斷」。這篇從申請 API key 開始，一步步帶你完成設定、選對模型、控好成本，並避開新手最常踩的幾個坑。

GPT-4o 的價值在於它是 OpenAI 在「能力、速度、價格」之間取得平衡的多模態模型——夠聰明、夠快、又不會貴到讓自動化跑不起來。它是大多數 N8N + AI 場景的預設首選。先把它接穩，後面要做 AI Agent、RAG、內容生產都站得住腳。

第一步：拿到 OpenAI API Key

登入 OpenAI Platform，到 API Keys 頁面建立一把新的 key。
複製當下立刻保存——key 只會完整顯示一次，關掉視窗就再也看不到。
確認帳戶有設定付款方式且有額度。沒儲值的話，呼叫會直接回 quota 相關錯誤。

安全提醒：這把 key 等於你的錢包。絕對不要把它寫進工作流的節點欄位、貼進 prompt、或留在程式碼裡。它只該存在 N8N 的 Credentials 機制中。建議在 OpenAI 後台針對這把 key 設定每月用量上限，當作第一道成本防線。

第二步：在 N8N 設定 OpenAI 憑證

N8N 左側選 Credentials → New，搜尋 OpenAI。
把剛才的 API key 貼進 API Key 欄位儲存。
之後所有 OpenAI 節點都從下拉選單引用這組憑證，不必重複貼 key。

這樣做的好處：key 集中管理，要輪替時改一處即可；而且 key 不會散落在各個節點的設定裡被不小心匯出。

第三步：加入 OpenAI 節點並選對操作

加一個 OpenAI 節點，你會看到幾種 Resource / Operation。最常用的是 Message a Model（對話補全）。其他像 Image、Audio、Embeddings 視需求再用。

選模型時填 gpt-4o。這裡先建立一個重要觀念——不是每個任務都該用最貴的模型：

模型	適合場景	成本
`gpt-4o`	需要理解、推理、判斷的主力任務	中
`gpt-4o-mini`	分類、抽取、簡單改寫等高頻輕量任務	低
頂規推理模型	複雜多步推理、程式生成	高

實務建議：先用 gpt-4o 把品質跑出來，確認流程對了，再評估哪些步驟可以降到 gpt-4o-mini 省錢。先求對，再求省。

第四步：寫好 Prompt 結構

OpenAI 節點的訊息分角色，這個結構直接決定輸出品質：

System：定義模型的角色、規則、輸出格式。這是你下指令的地方。
User：放實際要處理的內容，通常用 N8N 的表達式 {{ $json.xxx }} 帶入前一個節點的資料。

一個把雜亂客戶留言整理成結構化資料的範例：

System:
你是資料整理助理。把使用者提供的客戶留言整理成 JSON：
{ "name": "...", "intent": "詢價/客訴/一般", "summary": "一句話摘要" }
只輸出 JSON，不要任何多餘文字。

User:
{{ $json.message }}

關鍵技巧：

在 System 給明確輸出格式，最好附一個 JSON 範例，模型照著做的機率大增。
用表達式帶入動態資料，別把要處理的內容寫死在 prompt 裡。
需要穩定結果就把 temperature 設低（0–0.3）；需要創意發想再調高。

第五步：拿到結構化輸出（別讓下游吃到一坨文字）

如果你要的是 JSON，光在 prompt 裡拜託模型還不夠保險。兩個做法二選一或併用：

開啟 JSON 模式 / Response Format：在節點設定要求模型回傳合法 JSON，能大幅降低脫稿機率。
後面接驗證節點：用 Code 節點或 Structured Output Parser 解析並驗證格式，不合格就走錯誤分支。

鐵則：永遠不要假設 LLM 的輸出 100% 符合格式。模型偶爾會多一句客套話或漏個括號，沒驗證就讓它流進資料庫或 API，遲早出事。

第六步：錯誤處理與重試（生產級的關鍵差別）

玩具工作流和生產級工作流的差別，往往就在這一步。OpenAI API 會因為這些原因失敗：

Rate limit（429）：短時間呼叫太密集。
Quota 用罄：帳戶額度見底。
逾時：模型回應慢或網路抖動。
內容被擋：觸發 OpenAI 的安全政策。

對應做法：

在 OpenAI 節點開啟 Retry On Fail，設定重試次數與間隔，吸收暫時性的 429 與逾時。
用 Error Trigger 或節點的錯誤輸出分支，把失敗導向告警（推 Slack）而不是默默吞掉。
批次處理時加入節流，避免自己把自己打到 rate limit。

一個沒有重試、沒有錯誤分支的 OpenAI 工作流，在 demo 時很漂亮，上生產線第一次遇到 429 就會悄悄壞掉，而你完全不會知道。

第七步：控成本——省錢從這幾刀下手

GPT-4o 不貴，但失控的呼叫量會讓它變貴。四個立即可做的省錢動作：

模型降級：把不需要推理的步驟（分類、抽取）換成 gpt-4o-mini。
精簡 prompt：input token 也要錢。別把整份文件無腦塞進去，先過濾、截斷、只留必要段落。
限制輸出長度：設定 max_tokens，避免模型長篇大論。
加快取：相同輸入重複呼叫時，先查本地快取（Redis / 資料庫）再決定要不要打 API。

把這四刀做下去，同樣的工作流月成本常常能砍掉一半以上。

常見問題排查

回 401 / 認證錯誤：key 貼錯或失效，回 Credentials 重設。
回 429：開重試、降呼叫頻率、確認沒同時有多個工作流在轟同一把 key。
輸出不是 JSON：開 JSON 模式 + 降 temperature + prompt 附範例,三招齊下。
回應很慢：考慮 gpt-4o-mini、縮短輸入、或把長任務拆成多個小步驟。
中文輸出怪怪的：在 System Prompt 明確指定「用繁體中文回覆」，並給語氣範例。

結語：接穩這顆大腦，後面都好走

把 GPT-4o 穩穩接進 N8N，等於幫你的工作流裝上一顆會理解、會判斷的大腦。但「會跑」和「跑得穩」是兩回事——憑證管好、輸出驗證、錯誤重試、成本控管，這四件事做齊，你的 AI 工作流才能真的放上生產線。

接好單一模型呼叫之後，下一步就是讓模型自己決定該做什麼。想把 GPT-4o 從「被動回答」升級成「主動做事」，接著看 N8N x LLM 打造 AI Agent 工作流實戰教學，把這顆大腦放進一個會自主判斷的 Agent 裡。