说实话，这篇文章发出来，可能会让不少人心里不舒服。
甚至可以说，它可能直接触动了某些人的利益链条。
起因是前几天分享的两篇关于n8n工作流的文章，反响相当热烈：
- 这10个n8n工作流，直接干死了90%的Tiktok视频生产，一键直出100条
- 这15个n8n工作流，直接干掉了90%的跨境电商营销工作
那几天，有超过500人加微信。但人在外地出差，很多消息都没能及时回复。不少同学想学n8n，也有一部分想让帮忙定制。但送上门的钱，全都推了。
为什么？原因很简单——大单交付太重、小单预算太低，两边都不讨好。更关键的是：由人类手工搭建工作流的时代，已经结束了。
这句话可能会得罪很多做n8n培训和代搭建的人。但事实就是如此：AI技术的本质是平权，它存在的意义就是把那些昂贵的、原本属于少数人的技术壁垒，夷为平地。
之前就有文章预警过：n8n已死！用Kimi跑通Claude Skills，直接替代工作流；以及，劝退：n8n等AI工作流不要学了，已经过时了。当时很多人不信，觉得是在博眼球。今天，不仅要帮大家省下这笔定制费，还要一次性把底牌亮出来——跑一个专门用于生成n8n工作流的Claude Skills。
技术选型：别跪了，国产AI站起来了
第一步就是解决AI选型的问题。工具层面无需质疑，Claude Code依然很强。但AI大模型怎么选？
昨天群里就有人吐槽：国外大模型的账号被封了，但又没解决方案，很焦虑。其实，现在的国产AI真的厉害。有一说一，虽然不能说全面超越海外御三家，但面对日常90%的工程项目已经没什么问题了。比如智谱今天发布的GLM-4.7。
为什么敢这么说？因为从GLM-4.5时代就开始用了，还写过几篇文章，算是一路看着它一步步变强的。刚好之前自己就订购了智谱的GLM Coding Plan，今天正好直接用旧的套餐，来测测这个新发布的GLM-4.7到底几斤几两。
第一时间去看了硬指标，只看做Claude Skills最需要的核心能力：Coding（编码）和Reasoning（推理）：
- 代码能力霸榜：在LiveCodeBench v6上，GLM-4.7拿下了84.9的高分。这是什么概念？不仅是开源第一，更直接超越了之前的版本答案Claude Sonnet 4.5。
- 工程化落地极强：在SWE-bench Verified中，它达到了73.8%的解决率。这意味着它不是在做题，而是真能帮你干活。
结论很简单：如果你的目标是搞定工作流，GLM-4.7是目前性价比最高、最稳的解法。但实战如何？就拿它来跑今天的需求，看它到底怎么个事。
开发Claude Code Skill
1. 配置Claude Code
首先，目前GLM-4.7的型号是glm-4.7-coding-preview。可以参考这段代码设置好Claude code：
mkdir -p ~/.claude && cat > ~/.claude/settings.json <这是MacBook的配置。配置完成后，当再次进入Claude Code，会看到底层的驱动引擎已经换成了glm-4.7-coding-preview。
2. 构建核心 Skills
很多人用AI生成工作流失败，是因为让AI“凭空想象”。n8n的节点参数非常复杂，凭空生成的JSON往往连导入都会报错。思路完全不同：不让AI创造，让它“抄作业”。也就是Context Learning（上下文学习）。（这个逻辑在之前的文章里讲过，建议先看一看。）
第一步：建立素材库
也就是说，要让AI先到网上根据需求找已经存在的类似工作流。
以前是手动用ChatGPT找完再处理的，但到底能不能用Claude code纯自动跑完，心里没底。所以要先试下，参考提示词：
请你调用 playwright mcp到https://n8n.io/workflows/ 下载10个用veo3.1生成视频的工作流json到本地文件夹，流程是打开网站后会有一个搜索框，输入相关的关键词后，下面会出现result的部分，选择合适的，点进去会进入工作流的介绍页面，判断合适后，左边会有`use for free`按钮，点击后会有弹窗，点`copy template to clipboard[json]`，此时工作流代码就已经在剪贴版了。
接下来，就在本地新建一个json文件把代码粘贴进去即可。注意工作流文件的命名要跟网页上的一致。如果有看到关于use cookies的弹窗，就关掉。表现非常稳健！逻辑是对的，左边已经自动新建好了veo_workflows文件夹，并且已经有了9个n8n工作流json文件。
这个过程可以看出来，GLM-4.7在工具调用（Tool Use）上的表现非常稳定。它精准地识别了网页元素，完成了点击、弹窗处理、复制JSON的全套动作。当然，用playwright的效率还是比较慢的，完全可以用AI写一段Python或者JS的爬虫代码来抓。观察一下网页地址是n8n.io/workflows/?…，应该不难，大家可以自己试试。
第二步：注入指令
素材有了，接下来就是最关键的一步：Prompt Engineering（提示词工程）。设计了一个n8n AI Agent 工作流设计专家指令。下面是核心框架，完整版受到篇幅限制，可以通过其他渠道获取：
# n8n AI Agent 工作流设计专家指令
你是一位精通 n8n 自动化与 AI Agent 架构的首席解决方案架构师。你的任务是根据用户输入的业务需求，结合本地参考的工作流模版，构建一个**工业级、模块化、可直接导入**的 n8n 工作流 JSON 文件。
## 1. 输入处理与上下文学习
### 1.1 深度分析参考系 (Context Loading)
你拥有访问`n8n_references/`目录下 10 个已下载工作流 JSON 文件的权限。在开始设计前，你必须：
1. **遍历阅读**：逐个分析这些 JSON 文件的结构。
2. **提取模式**：识别文件中优秀的逻辑结构，特别是...
### 1.2 用户需求解析
分析用户输入的自然语言需求，拆解为：
**输入源 (Inputs)**: 用户从哪里提供数据 (Form, Google Sheet, Webhook?)
**处理核 (Core Logic)**: 需要经过哪些 AI 处理 (LLM Analysis, Image Gen, RAG?)
**输出端 (Outputs)**: 结果发送到哪里 (Email, Slack, Database?)
## 2. 架构设计原则 (Design Philosophy)
### 2.1 AI Agent 核心化
除非用户需求极度简单（如纯数据搬运），否则**必须使用 `AI Agent` 节点**作为核心大脑，而不是简单的线性 Chain。
### 2.2 逻辑复用 (Logic Reuse)
不要凭空创造节点配置。...
### 2.3 模块化与可视化 (Modularity)
生成的工作流必须清晰易读，严禁生成“意大利面条式”的混乱连线。
**使用 Sticky Notes 分区**：必须利用 n8n 的 Sticky Note 功能，将工作流划分为不同区域（Color-coded）,例如：
### 步骤 4：生成 JSON
输出必须是**纯净的 JSON 格式**，符合 n8n Workflow Schema。
* 确保`nodes`数组和`connections`对象完整对应。
* 确保所有引用的节点 ID 是唯一的。这套指令有多厉害？
- 深度阅读：先把刚才下载的那10个模版全部读一遍，搞清楚别人是怎么处理API鉴权、怎么做循环（Loop）、怎么处理报错的。
- 逻辑复用：不要自己造轮子，如果参考文件里有写好的HTTP请求节点，直接拿来用。
- 模块化设计：强制要求使用Sticky Notes（便签）把工作流分层，这样阅读性很高。
第三步：配置Skill
这部分可以补充阅读之前的文章，但这次会更简单。在项目文件夹下生成文件夹.claude/skills，Claude Code会自动读取里面的skill文件夹，例如n8n-gen-skill。再到里面，新建一个关键的SKILL.md。完整版同样受篇幅限制，可以通过其他渠道获取完整版。
处理好后，输入/skills，就会看到已经读取好了。
接下来就测试一下：
帮我做一个用veo3.1生成tiktok带货视频的n8n工作流，要求每天定时晚上11点跑工作流，先读取我的谷歌表格，把状态为未完成的记录提取出来，里面是我放到的产品图、拍摄风格，需要你循环逐个图片作为参考图，连同拍摄风格传给veo3.1来生成视频，把生成好的视频，下载后上传到谷歌云盘，最后把视频地址同步回谷歌表格，同时这行标记状态为已完成。老规矩，看到下图中n8n-gen-skill前面有绿灯，才证明是正在使用skill。处理完成后，n8n_output文件夹里多了两份文件。
第一份：需求说明文档（Markdown）
这简直是乙方的救星！里面详细记录了架构设计、节点配置方案，甚至连Google Sheets的表头结构都定义好了。直接把这个丢给客户，专业度瞬间拉满。直接解决了很多人拿到工作流后不知道怎么配置的问题。
第二份：n8n 工作流 JSON
把生成的JSON文件直接导入n8n。太神奇了！没有修改任何一个节点，这样的工作流，还不是傻瓜线形的，甚至连循环判断都是正确的，真的能省很多事。
这就是GLM-4.7 + Context Learning的威力。它不是在“生成”，它是在“理解”了业务逻辑之后，像一个高级架构师一样在“构建”。
变天了
看到这里，明白开头为什么敢“断人财路”了吗？
以前你的护城河，是背下了几百个节点的参数，是熬夜试错的经验。但就在刚刚，GLM-4.7用几分钟的“思考”，把这些壁垒瞬间夷为平地。
说实话，这次GLM-4.7真的给人一种久违的惊艳感。不仅仅是它现在开源第一，而是因为那些纸面的参数，在业务落地中变成了实实在在的提效——当把生成的JSON导入n8n，发现连循环逻辑、API鉴权都严丝合缝，不需要手动改一个标点符号。
这证明了它的思考模式绝不是噱头。它不再是一个只会补全代码的工具，而是一个真正拥有逻辑推理能力、能读懂你业务上下文的架构师。
以前，你的上限是你双手的速度；搭配时下最强AI，你的上限仅取决于你的想象力。
