Nick Saraev 從基本節點做出 n8n AI 自動化流程

第一套名單開發流程會讀取 LinkedIn 與公司網站資料，生成客製電子報或報告，再交給自動寄信流程；提案生成器則把表單中的客戶資料轉成問題、解法、時程與價格欄位，寫入簡報或提案文件。網站 AI Agent 的節點數反而不多：聊天訊息進入 Agent，接上 OpenAI 模型、短期記憶與 Google Calendar 工具，用來回答問題、篩選訪客並預約會議。Nick Saraev 在這裡特別把輸出穩定性放在多 Agent 串接之前，因為企業流程需要可預測的結果。

AI 負責生成，資料庫與排程負責讓流程持續運作

內容再利用引擎從 YouTube 或 podcast 網址取得逐字稿，再由 OpenAI 拆出 Instagram、LinkedIn 與 Facebook 文案及圖片描述；生成結果先放進資料庫，另一條每日流程再按排程逐筆發出，避免一次把內容全倒進平台。YouTube 趨勢偵測器也拆成兩條流程：第一條從 Google Sheets 讀取頻道 ID，透過 YouTube API 更新影片與觀看數；第二條定期篩選高於頻道平均表現的影片，整理成每日 email 摘要。

這些範例把 AI 放在流程中間，而不是把整件事交給一個模型。觸發條件、資料來源、欄位格式、測試筆數、儲存位置與最後的送出動作，仍由 n8n 的節點連線決定。5 小時 45 分的趨勢偵測流程就能看到 Google Sheets、Loop Over Items、兩個 YouTube 節點、Filter 與回寫試算表形成封閉迴路。

後半段把自動化接到陌生開發

最後兩個大型系統都圍繞陌生開發。LinkedIn 流程先把自然語言條件轉成 Apollo 搜尋網址，再透過第三方服務擷取名單、補齊個人資料、生成開場白、寫入 Google Sheets，最後呼叫工具送出連線邀請。多行 icebreaker 生成器則更進一步爬取潛在客戶網站，摘要各頁內容後再產生看似針對該公司的 email 開頭。

這些流程依賴多個外部帳號、API、付費服務與個人資料。課程示範如何限制測試筆數，也曾把寄信動作停在草稿以免直接寄出，但法規、同意、平台條款與資料保存不是主要教學內容。一則高互動留言也把焦點放在個資送往 OpenAI、Google 或其他外部 API 時可能產生的隱私與資料落地風險；這是使用者真正部署前仍須自行補上的一層。

售價與回覆率是創作者的商業主張

片名把賣出 10,000 美元以上的 AI 流程放在最前面，影片各章也反覆提出 1,000 至 15,000 美元的導入價格、5% 至 15% 的回覆率，以及自己把自動化公司做到每月 72,000 美元的經驗。這些數字都來自 Nick Saraev 的自述，課程沒有提供獨立樣本、成本明細或對照資料，因此只能視為他的銷售定位與實務經驗，不能當成照做就能重現的結果。

片尾也把界線說得很直接：技術能力只是起點，能不能取得客戶仍取決於執行、持續開發與商業活動；接著便導向他自己的 Maker School 付費計畫。這讓整套內容同時具備長篇實作課與銷售入口兩個角色。讀者可以沿著章節重做工作流程，但報價、成效、資料合規與長期維護，仍然需要在課程之外另外驗證。