目    录

第1部分  基础篇

第1章  n8n概述 2

1.1  欢迎来到智能体时代：自动化是你的新超能力 2

1.1.1  低代码平台：智能自动化的流程基础 3

1.1.2  AI大模型：让自动化具备智能体能力 3

1.2  认识工作流与智能体：它们是你的左膀右臂 4

1.2.1  工作流：稳定的流程执行器 4

1.2.2  智能体：具备工具调用能力的AI助手 4

1.2.3  二者如何配合 4

1.2.4  小结 5

1.3  选择n8n：构建AI Agent的执行控制层 5

1.3.1  掌握自动化平台完整技术自主权 5

1.3.2  n8n具备的特性 6

1.3.3  主流自动化与Agent平台的定位差异 6

1.3.4  深入解析三类典型竞品 7

1.4  n8n的核心设计理念与关键特性 7

1.4.1  可视化编排界面 8

1.4.2  丰富的第三方应用集成 9

1.4.3  原生AI Agent能力的支持 9

1.4.4  人机协作审批 10

1.4.5  按需编写JavaScript/Python脚本 10

1.4.6  私有化部署与沙箱安全隔离 11

1.4.7  执行数据记录与可视化调试 12

1.4.8  Publish与自动保存 12

1.4.9  团队协作与工作流版本管理 13

1.5  n8n的理念与生态 13

1.5.1  开放与商业的平衡 13

1.5.2  生态资源 14

1.5.3  小结 14

1.6  n8n的技术架构：深入了解底层设计 14

1.6.1  核心技术栈与组成 14

1.6.2  执行模式：默认模式与队列模式 14

1.6.3  部署建议：以Docker Compose为主线 15

1.6.4  小结 15

1.7  社区、模板与学习路径 15

1.7.1  模板的价值 15

1.7.2  社区节点的使用原则 15

1.7.3  小结 16

1.8  企业应用场景概览 16

第2章  n8n环境搭建 17

2.1  n8n的版本区别 17

2.2  Cloud版本部署 18

2.2.1  适用场景 18

2.2.2  基本使用流程 18

2.2.3  套餐与使用建议 20

2.3  Community社区版本部署 21

2.3.1  部署前的准备 21

2.3.2  创建项目目录 21

2.3.3  编写docker-compose.yml 22

2.3.4  启动n8n 23

2.3.5  访问n8n并创建管理员账号 23

2.3.6  验证PostgreSQL和pgvector 24

2.3.7  常用管理命令 24

2.3.8  常见问题排查 25

2.3.9  更新与备份 25

2.3.10  其他部署方式 26

2.4  配置中文界面 26

2.4.1  使用浏览器翻译插件（推荐） 26

2.4.2  使用社区中文Docker镜像 27

2.4.3  不推荐在本书主线中手动替换容器文件 28

2.4.4  方案对比与选择建议 28

2.5  变量配置 28

2.5.1  为什么需要环境变量 29

2.5.2  常用环境变量速查 29

2.5.3  使用.env管理配置 29

2.6  权限路径与数据存储 30

2.6.1  .n8n目录里保存什么 30

2.6.2  /files路径怎么用 30

2.6.3  备份哪些内容 31

2.6.4  常见权限问题 31

2.7  n8n快速开发入门 32

2.7.1  第一个工作流：定时网站监控 32

2.7.2  第一个AI Agent：AI聊天助手 33

2.7.3  调试习惯 35

第3章  n8n核心概念 36

3.1  变量与表达式 36

3.1.1  固定值与表达式 36

3.1.2  表达式语法基础 38

3.2  数据流逻辑 40

3.2.1  核心数据结构：JSON与Binary 41

3.2.2  Item与列表List 42

3.2.3  隐式循环机制 42

3.3  凭据与安全 43

3.3.1  凭据管理机制 43

3.3.2  环境变量与敏感数据保护 49

3.4  模块化思维 49

3.4.1  节点分类 49

3.4.2  模板的复用价值 50

3.4.3  自定义组件：从Code到Sub-workflow 52

3.4.4  模块化设计的最佳实践 53

3.5  任务调度与执行 54

3.5.1  定时任务与Cron表达式 54

3.5.2  生产模式与开发模式 55

3.5.3  时区与并发控制 57

3.5.4  小结 58

第4章  画布与工作流管理 59

4.1  画布操作指南 59

4.1.1  界面布局与导航 59

4.1.2  节点的添加、连接与布局优化 60

4.1.3  快捷键与高效技巧 61

4.2  工作流生命周期管理 62

4.2.1  工作流的创建、保存、备份与导入导出 62

4.2.2  标签与分类管理 63

4.2.3  发布与取消发布 63

4.3  调试与监控 64

4.3.1  执行历史详解 64

4.3.2  单步调试与Pin Data 65

4.3.3  错误排查、重试、数据保留与错误监控 66

第5章  节点与触发器深度解析 68

5.1  常用节点详解 68

5.1.1  数据处理节点 68

5.1.2  逻辑控制节点 69

5.1.3  HTTP Request节点 70

5.1.4  Code节点 71

5.1.5  流程控制节点 71

5.1.6  最佳实践：提升可读性 72

5.2  触发器深度解析 72

5.2.1  Webhook：连接万物的即时入口 72

5.2.2  Webhook安全与鉴权 74

5.2.3  轮询触发器：主动拉取的策略 75

5.2.4  Error Trigger：全局错误处理的安全网 75

5.2.5  触发器应用案例 76

5.3  数据持久化 76

5.3.1  Data Table的概念与优势 76

5.3.2  节点资源与常用操作 77

5.3.3  典型应用场景 77

5.3.4  注意事项与进阶建议 78

第6章  编写与优化提示词 80

6.1  n8n视角下的提示词分类 80

6.1.1  n8n中的提示词特点 80

6.1.2  n8n中的Context 80

6.1.3  提示词的分类体系 81

6.2  编写高质量提示词的4种方法 81

6.2.1  角色扮演法 81

6.2.2  细节法 81

6.2.3  示例法 82

6.2.4  推理法 82

6.3  结构化提示词 83

6.3.1  RC-CF框架 83

6.3.2  常用结构化格式 83

6.3.3  n8n实践：构建结构化提示词 84

6.4  n8n中的提示词模式 84

6.4.1  Fixed模式 84

6.4.2  Expression模式 84

6.4.3  调试提示词 85

6.4.4  动态提示词的高级用法 85

6.5  系统提示词与用户提示词 85

6.5.1  系统提示词：定义角色与边界 85

6.5.2  用户提示词：传递任务与动态数据 86

6.5.3  两者如何协作 86

6.6  使用AI优化提示词 86

6.6.1  让大模型重写提示词 86

6.6.2  Meta-Prompting：生成多个候选版本 87

6.6.3  Evaluator-Optimizer模式 87

6.7  实践：打造一个“夸夸助手” 87

6.7.1  场景设计与工作流概览 87

6.7.2  配置系统提示词 88

6.7.3  配置用户提示词 89

6.7.4  运行与测试 89

6.7.5  进阶思路：加入随机风格 90

6.8  本章小结 90

第2部分  实战篇

第7章  实战案例：智能客服 92

7.1  工作流设计思路 92

7.1.1  要实现的功能 92

7.1.2  技术选型 92

7.1.3  本章学习路径 93

7.2  创建知识库文档导入工作流 93

7.2.1  准备工作 93

7.2.2  工作流整体架构 93

7.2.3  创建工作流与表单入口 94

7.2.4  配置Postgres PGVector Store 94

7.2.5  配置Data Loader与Text Splitter 95

7.2.6  配置Embeddings节点 96

7.2.7  测试知识库文档导入工作流 96

7.3  创建客服问答工作流与配置核心AI模块 98

7.3.1  创建工作流并添加Chat Trigger 98

7.3.2  添加AI Agent节点 98

7.3.3  测试客服问答工作流 101

7.4  创建飞书应用 104

7.4.1  创建企业自建应用 104

7.4.2  添加机器人能力 105

7.4.3  配置消息权限 105

7.4.4  配置事件订阅 106

7.4.5  发布版本 106

7.4.6  保存应用凭证 107

7.4.7  邀请机器人加入会话 108

7.5  配置飞书消息触发器与回复 109

7.5.1  安装飞书社区节点 109

7.5.2  创建飞书版客服工作流 110

7.5.3  复用AI Agent核心逻辑 110

7.5.4  配置AI Agent输入 111

7.5.5  配置飞书用户会话标识 112

7.5.6  添加Lark Reply节点 112

7.5.7  测试完整链路 113

7.6  复盘与小结 114

7.6.1  本章核心收获 114

7.6.2  后续优化方向 115

第8章  实战案例：挖掘Reddit商机 116

8.1  工作流设计思路 116

8.1.1  为什么从Reddit挖掘商机 116

8.1.2  要实现的功能 116

8.1.3  工作流整体架构 117

8.1.4  技术选型说明 118

8.1.5  准备工作 118

8.2  创建数据表与安装Apify节点 118

8.2.1  Data Table的作用 118

8.2.2  创建两张核心数据表 119

8.2.3  安装Apify社区节点 120

8.2.4  配置Apify凭据 121

8.3  构建数据采集和字段预处理模块 121

8.3.1  添加Schedule Trigger节点 122

8.3.2  使用HTTP Request获取RSS 122

8.3.3  使用XML节点解析数据 123

8.3.4  使用Merge节点合并数据 124

8.3.5  使用Code节点提取关键字段 124

8.3.6  完整测试 125

8.4  构建内容抓取和存储与去重模块 126

8.4.1  转换URL格式 126

8.4.2  配置Apify节点获取评论 127

8.4.3  使用Data Table存储抓取结果 128

8.4.4  过滤已经分析过的数据 129

8.5  构建AI智能分析和结果存储与通知模块 130

8.5.1  添加AI Agent与输出解析器 131

8.5.2  设计分析提示词 132

8.5.3  记录分析结果 133

8.5.4  过滤有价值内容 134

8.5.5  合并原始数据与分析结果 135

8.5.6  格式化通知内容 136

8.6  复盘与小结 137

8.6.1  本章核心收获 137

8.6.2  后续优化方向 137

第9章  实战案例：小红书文案提取与仿写 138

9.1  工作流设计思路 138

9.1.1  要解决的问题 138

9.1.2  效果展示 138

9.1.3  工作流整体架构 139

9.1.4  准备工作 140

9.2  安装XHS-Downloader环境 140

9.2.1  为什么需要XHS-Downloader 140

9.2.2  准备目录结构 140

9.2.3  编写XHS-Downloader的docker-compose.yml文件 141

9.2.4  给n8n增加共享卷 141

9.2.5  启动并验证服务 141

9.3  配置链接输入与数据获取阶段相关节点 142

9.3.1  Form Trigger：创建任务提交入口 142

9.3.2  Code节点：提取干净链接 144

9.3.3  HTTP Request：获取笔记详情并下载视频 145

9.3.4  测试与排查 146

9.4  配置Gemini提取视频文案节点 146

9.4.1  Read File(s) From Disk节点：读取视频文件 146

9.4.2  Google Gemini节点：音频转文字 147

9.4.3  测试与排查 148

9.5  打造“超级内容增长专家”AI内容创作节点 148

9.5.1  创作节点的提示词设计 148

9.5.2  添加AI Agent并连接模型 149

9.5.3  配置系统提示词和用户提示词 149

9.5.4  配置Options并测试 151

9.6  配置Webhook通知节点 152

9.6.1  为什么使用Webhook 152

9.6.2  获取飞书Webhook地址 152

9.6.3  添加HTTP Request节点 154

9.6.4  使用卡片消息美化结果 155

9.7  复盘与小结 156

9.7.1  本章核心收获 156

9.7.2  后续优化方向 156

第10章  实战案例：小红书知识图文流水线 157

10.1  工作流设计思路 157

10.1.1  自动化知识卡片创作 157

10.1.2  最终效果 158

10.1.3  工作流整体架构 158

10.1.4  技术选型说明 159

10.2  安装xiaohongshu-mcp 159

10.2.1  认识xiaohongshu-mcp与MCP 159

10.2.2  下载与安装 160

10.2.3  扫码登录 161

10.2.4  启动MCP服务 161

10.2.5  验证服务 162

10.2.6  Docker部署（可选） 163

10.3  配置AI Agent生成图片提示词节点 163

10.3.1  从主题到图片提示词的数据流 163

10.3.2  提交创作主题 164

10.3.3  图片提示词生成 164

10.3.4  提示词结构化输出 166

10.3.5  拆分提示词列表 168

10.3.6  测试提示词生成 169

10.4  配置Nano Banana Pro生成图片节点 170

10.4.1  生成图片 170

10.4.2  写入图片到磁盘 171

10.4.3  组装发布基础数据 172

10.4.4  测试与排查 173

10.5  配置AI Agent文案生成与数据组装节点 173

10.5.1  文案生成的设计思路 173

10.5.2  配置文案生成节点 173

10.5.3  配置文案模型与结构化输出 175

10.5.4  组装最终发布数据 175

10.5.5  测试文案生成效果 176

10.6  使用xiaohongshu-mcp自动发帖 177

10.6.1  为什么使用AI Agent + MCP Client Tool模式 177

10.6.2  自动发布小红书 177

10.6.3  配置小红书MCP工具 178

10.6.4  配置发布模型 179

10.6.5  检查连接与日志 180

10.7  完善消息通知 181

10.7.1  整理通知消息 182

10.7.2  发送到飞书Webhook 183

10.7.3  配置错误处理 183

10.8  完整流程测试与发布 184

10.8.1  端到端测试流程 184

10.8.2  激活工作流 185

10.8.3  批量创作技巧 186

10.9  复盘与小结 187

10.9.1  本章核心收获 187

10.9.2  后续优化方向 187

第11章  实战案例：量化投资工作流 188

11.1  工作流设计思路 188

11.1.1  为什么要进行投资量化分析 188

11.1.2  要构建的工作流 188

11.1.3  工作流整体架构 189

11.1.4  技术选型说明 190

11.1.5  环境准备 190

11.2  配置Data Table 190

11.2.1  两张Data Table的作用 190

11.2.2  创建dt_关注公司清单 191

11.2.3  创建dt_快讯分析结果 192

11.2.4  去重字段news_hash 192

11.2.5  验证清单 193

11.3  配置添加关注公司工作流 193

11.3.1  接收添加公司请求 193

11.3.2  解析股票信息 194

11.3.3  配置DeepSeek模型 195

11.3.4  配置股票结构化输出 195

11.3.5  写入关注公司表 196

11.3.6  返回处理结果 198

11.3.7  完整测试 198

11.4  部署aktools 199

11.4.1  为什么使用aktools 199

11.4.2  Docker部署 199

11.4.3  验证部署 200

11.4.4  在n8n中调用 201

11.4.5  数据源和访问路径说明 201

11.4.6  常用运维命令 201

11.5  配置快讯抓取节点 202

11.5.1  添加Schedule Trigger节点 202

11.5.2  使用HTTP Request抓取华尔街快讯 203

11.5.3  使用Code节点标准化快讯数据 203

11.5.4  使用Data Table筛选未处理快讯 204

11.5.5  使用IF节点判断是否有新快讯 205

11.5.6  使用Data Table Get获取关注公司清单 206

11.5.7  使用Code节点拼接关注公司提示词 207

11.5.8  使用Merge节点合并输入 207

11.5.9  使用NoOp节点处理无新快讯情况 208

11.5.10  数据采集层完整节点连接 209

11.6  配置AI Agent判断新闻相关性 209

11.6.1  配置快讯相关性分析Agent 209

11.6.2  配置模型与结构化输出 211

11.6.3  提取最高相关公司 213

11.6.4  结构化输出排查 214

11.7  通过aktools获取日线交易数据 214

11.7.1  数据获取层开始前的节点状态 214

11.7.2  准备行情请求参数 215

11.7.3  获取A股行情 216

11.8  计算技术指标和进行量化分析 217

11.8.1  技术指标科普小贴士 218

11.8.2  计算技术指标 218

11.8.3  合并分析上下文 220

11.8.4  综合投资分析 221

11.8.5  DeepSeek综合分析模型 222

11.8.6  综合分析结构化输出 222

11.8.7  常见问题与解决方案 224

11.9  记录分析结果并发送通知 225

11.9.1  入库字段规范化 225

11.9.2  写入分析结果 226

11.9.3  飞书卡片通知 227

11.9.4  通知和复盘建议 228

11.10  复盘与小结 228

11.10.1  本章核心收获 228

11.10.2  后续优化方向 228

第12章  实战案例：自动化全平台热搜舆情分析 230

12.1  工作流设计思路与背景 230

12.1.1  为什么要做多平台热榜 + AI舆情分析 230

12.1.2  要实现的功能 230

12.1.3  工作流整体架构 231

12.1.4  双库存储的设计 231

12.1.5  技术选型说明 232

12.1.6  本章前置知识 232

12.1.7  环境准备 232

12.2  部署DailyHotApi热搜聚合服务 232

12.2.1  DailyHotApi项目介绍 232

12.2.2  Docker部署 233

12.2.3  支持的平台和接口 234

12.2.4  常用运维命令 235

12.2.5  配置PostgreSQL数据库连接凭证 235

12.3  配置工作流入口与多平台热榜抓取 236

12.3.1  添加定时触发器 236

12.3.2  配置关键词 237

12.3.3  配置6个平台并行抓取（HTTP Request） 238

12.4  配置热榜数据合并与有效响应过滤 239

12.4.1  多平台结果合并 239

12.4.2  过滤成功响应 241

12.4.3  格式化热搜数据 241

12.4.4  是否有有效热点（IF节点） 243

12.4.5  运行验证 244

12.5  配置向量化入库与去重 245

12.5.1  向量入库去重 245

12.5.2  存储向量到数据库 246

12.5.3  向量入库嵌入模型 247

12.5.4  向量入库文档加载 248

12.5.5  向量入库文本切分 249

12.5.6  常见问题排查 250

12.5.7  运行验证 250

12.6  配置结构化历史主库与日对比 251

12.6.1  为什么需要结构化主库 251

12.6.2  配置“结构化历史入库与对比”节点 252

12.6.3  配置“合并结构化对比”节点 254

12.6.4  运行验证 255

12.7  配置AI Agent实现综合舆情分析 255

12.7.1  节点总览与连接关系 256

12.7.2  配置AI Agent“综合舆情分析”节点 256

12.7.3  配置“AI分析模型-DeepSeek”节点 257

12.7.4  配置“AI结构化输出解析”节点 258

12.7.5  配置“向量检索工具”节点 260

12.7.6  配置“向量检索”节点 261

12.7.7  配置“向量检索嵌入模型”节点 262

12.7.8  入库和检索的一致性检查 262

12.7.9  运行验证 263

12.8  配置分析结果发送到飞书 263

12.8.1  节点总览 263

12.8.2  生成飞书卡片 263

12.8.3  飞书发送通知 265

12.8.4  飞书应用配置 266

12.8.5  运行验证 266

12.9  复盘与小结 266

12.9.1  完整工作流回顾 267

12.9.2  本章核心收获 267

12.9.3  可扩展方向 268

12.9.4  与第11章的对比 268

第13章  实战案例：热点聚合与公众号草稿发布 269

13.1  项目背景与主-子工作流架构 269

13.1.1  为什么要做“热点聚合+AI二创+草稿发布” 269

13.1.2  与前面章节的区别 269

13.1.3  主-子工作流架构 270

13.1.4  整体架构图 270

13.1.5  技术选型 271

13.1.6  本章前置知识 271

13.2  准备工作：配置公众号社区节点和创建Data Table 271

13.2.1  理解Data Table的角色 271

13.2.2  创建rss_site数据表 272

13.2.3  创建rss_post数据表 272

13.2.4  安装wechat-offiaccount社区节点 273

13.2.5  配置wechat-offiaccount凭据 274

13.2.6  安装wechat-formatter社区节点 276

13.2.7  验证与测试 277

13.3  监控公众号发文 277

13.3.1  定时触发 277

13.3.2  读取RSS源配置 277

13.3.3  抓取RSS文章 278

13.3.4  标准化文章字段 279

13.3.5  wechat2rss简介 280

13.3.6  测试和常见问题 280

13.4  配置数据清洗、去重与入库 280

13.4.1  文章去重与排序 280

13.4.2  入库RSS文章 281

13.4.3  运行验证 283

13.5  配置AI热点分析与Top热点筛选 283

13.5.1  聚合候选文章 284

13.5.2  AI热点分析Agent 284

13.5.3  设计Prompt 286

13.5.4  热点结构化输出 287

13.5.5  选取Top2热点 288

13.5.6  跨平台热度判断与话题聚类逻辑 289

13.6  聚合热点内容AI二创写稿 289

13.6.1  循环热点话题 289

13.6.2  拆分热点文章 290

13.6.3  读取文章详情 291

13.6.4  组装二创素材 291

13.6.5  AI二创写稿 292

13.6.6  二创模型和结构化输出 293

13.6.7  循环逻辑说明 294

13.7  配置发布前通知与子工作流 295

13.7.1  飞书通知-文章待发布 295

13.7.2  准备发布入参 296

13.7.3  执行发布子工作流 297

13.7.4  主流程解耦设计理念 298

13.8  配置子工作流：公众号草稿发布与成功回执 298

13.8.1  子流程触发器 298

13.8.2  文章排版 299

13.8.3  获取AccessToken 300

13.8.4  生成默认封面图 301

13.8.5  上传封面素材 301

13.8.6  创建草稿 302

13.8.7  飞书通知-草稿创建成功 303

13.8.8  运行验证 304

13.9  复盘与小结 304

13.9.1  最终效果展示 304

13.9.2  核心知识点总结 306

13.9.3  扩展方向 307

第14章  实战案例：基于Seedance的批量爆款短视频生成工作流 308

14.1  工作流设计思路与背景 308

14.1.1  工作流整体架构 308

14.1.2  核心技术栈 309

14.1.3  开始前的准备 309

14.2  配置Gemini与Replicate的API Key 310

14.2.1  配置Replicate API凭据 310

14.2.2  配置Gemini API凭据 311

14.3  配置工作流入口与双阶段提示词生成 311

14.3.1  手动执行与配置参数 312

14.3.2  生成创意视频点子（阶段一Agent） 313

14.3.3  配置阶段一的模型、工具和解析器 314

14.3.4  生成详细视频提示词（阶段二Agent） 316

14.3.5  配置阶段二的模型、工具和解析器 317

14.3.6  运行测试 319

14.4  配置Seedance 2.0视频生成子工作流 320

14.4.1  成本与整体架构 320

14.4.2  添加调试入口和调试参数 321

14.4.3  生成视频 322

14.4.4  查询视频状态与判断完成 324

14.4.5  等待生成与返回结果 326

14.4.6  验证并添加生产入口 328

14.5  循环调用子工作流生成视频 330

14.5.1  整体数据流 330

14.5.2  提取场景描述 331

14.5.3  镜头循环 332

14.5.4  组装子工作流输入 332

14.5.5  调用单镜头生成 333

14.5.6  截取最后一帧 334

14.5.7  累积视频URL 336

14.6  收集视频URL并进行拼接 337

14.6.1  收集视频URL 337

14.6.2  拼接视频 338

14.6.3  查询并判断拼接状态 340

14.6.4  等待拼接完成 341

14.7  配置最终下载与本地落盘 342

14.7.1  下载最终视频 342

14.7.2  写入本地文件 343

14.7.3  运行与检查 344

14.8  复盘与小结 344

14.8.1  关键设计决策 344

14.8.2  自检清单 345

14.8.3  本章核心收获 345

14.8.4  可扩展方向 345

第15章  实战案例：n8n+OpenClaw构建安全可控的自动化能力 346

15.1  设计思路与背景 346

15.1.1  场景引入：当AI想要“动手”时 346

15.1.2  分工模式：让AI和n8n各司其职 347

15.1.3  架构总览 347

15.1.4  技术选型对比 348

15.1.5  本章目标 348

15.1.6  本章前置知识 348

15.1.7  环境准备 348

15.2  深入OpenClaw：搭建智能体的“大脑” 349

15.2.1  OpenClaw的核心特性 349

15.2.2  OpenClaw与传统AI助手的对比 349

15.2.3  OpenClaw架构简介 349

15.2.4  与n8n相关的四大核心概念 350

15.2.5  安装与启动 350

15.2.6  简单示例 351

15.2.7  OpenClaw的局限性 351

15.3  核心集成模式 352

15.3.1  从局限性到解决方案 352

15.3.2  模式一：Webhook触发 352

15.3.3  模式二：凭证隔离 353

15.3.4  模式三：Human-in-the-Loop 355

15.3.5  集成模式决策矩阵 356

15.3.6  本章实践路线说明 356

15.4  实战：搭建Webhook触发工作流 356

15.4.1  在n8n中创建接收工作流 356

15.4.2  提取参数并模拟业务逻辑 357

15.4.3  配置OpenClaw Skill 358

15.4.4  端到端测试 358

15.5  实战：凭证隔离与安全防护工作流 360

15.5.1  确认Webhook Basic Auth 360

15.5.2  搭建审批流程—Human-in-the-Loop 361

15.5.3  处理审批结果—批准与拒绝双分支 366

15.5.4  运行与集成测试 373

15.6  复盘与小结 377

15.6.1  本章核心收获 377

15.6.2  扩展方向 377

15.7  结语 378