什么是自动化上限——为什么 Zapier 用户最先遇到它
如果你已经使用 Zapier 一段时间,你可能已经碰过那堵墙。简单的触发器运作良好:「当表单提交时,在 Google Sheets 中新增一行」。但当你需要自动化去做一个决定——分类这条线索、总结这封电邮、根据内容路由这个请求——Zapier 的逻辑工具开始让你感觉在用卷尺做木工。
这就是自动化上限。这是传统 if-then 自动化走到尽头的地方,你需要的是能够真正对数据进行推理的东西,而不只是将数据从 A 移到 B。
Make.com(前身为 Integromat)正是为此而生。其画布式工作流程构建器原生支持复杂的多分支逻辑。而在 2026 年,Make 新增了 AI Agents:能够接受目标、连接工具、并在不需要你指定每个步骤的情况下决定下一步该做什么的模块。这是一种与大多数从业者见过的不同类别的自动化。以下是如何建立你的第一个。
什么是 Make.com AI Agents——它们与普通自动化有何不同?
Make.com AI Agent 是场景中的一个模块,它将大型语言模型(如 GPT-4o 或 Claude)连接到一套工具——API、数据库、搜索功能、日历访问——并给它一个需要完成的目标。与按照固定步骤序列执行的标准自动化模块不同,AI Agent 根据目标和运行时收到的数据,自行决定使用哪些工具以及以什么顺序使用。
实际差异是显著的。处理客户查询的传统 Make.com 场景需要你将每一个可能的问题映射到特定的回应。而 AI Agent 场景可以阅读查询、分类其意图、在你的知识库中搜索相关答案、以你的品牌语气起草回应,并标记任何它无法解决的问题——所有这些都无需你预先定义每一条可能的路径。
根据 Make 2026 年的产品文档,Make 中的 AI Agents 可以通过为平台其余部分提供动力的同一连接器库,连接到超过 3,000 个应用程序。这意味着你已经可以用 Make 自动化的任何应用——Gmail、Notion、Slack、Airtable、HubSpot——都可以成为你的 AI Agent 自主使用的工具。
Make.com 画布如何用于构建 AI 工作流程?
Make 画布是一个可视化的拖放界面,每个自动化步骤都是一个「模块」,以图标表示。你用线条连接模块,线条代表数据从一个步骤流向下一个步骤。整个场景在触发时自动运行——可以通过排程、传入的 webhook、新电邮、表单提交或其他数十种事件触发。
在画布上构建感觉更像是绘制流程图,而不是写代码。你选择一个触发器模块(例如,来自 Gmail 的「监听电邮」),配置你想捕获的数据,然后将模块链接在一起以处理和响应该数据。当你添加 AI Agent 模块时,它就像任何其他步骤一样坐在那条链中——只不过它不是执行固定操作,而是根据你赋予的目标推理应该做什么。
AI Agent 模块的关键设置是:(1) 你希望它使用的模型——GPT-4o、Claude Sonnet 或其他已连接的 LLM;(2) 定义其角色和限制的系统提示;(3) 它被允许使用的工具;(4) 你期望的输出格式。配置好这四样东西,Agent 就能处理各种各样的任务,无需进一步编程。
如何在 Make.com 中构建你的第一个实用 AI Agent:逐步示例
Make.com AI Agent 的最佳入门项目是内容分类——阅读传入的文字(电邮、表单提交、社交媒体评论)并对其进行分类或总结,让你能更快地采取行动。以下是从零开始构建它的方法。
第一步——创建新场景。 登录 Make.com,点击「创建新场景」,然后选择你的触发器。在这个示例中,使用「监听电邮」并连接你的 Gmail 或 Outlook 账户。设置它每 15 分钟检查一次特定标签或文件夹中的新电邮。
第二步——添加 AI Agent 模块。 点击触发器后面的「+」,在模块库中搜索「AI Agent」。选择它。在配置面板中,选择你偏好的模型——GPT-4o 非常适合分类任务。将系统提示设置为:「你是一个内容分类助手。你的工作是阅读传入的电邮并输出一个包含三个字段的 JSON 对象:'category'(销售查询、支持请求、合作伙伴关系、垃圾邮件、其他之一)、'priority'(高/中/低)和 'one_line_summary'(20 字以内)。」
第三步——将电邮内容传给 Agent。 在 AI Agent 的「用户消息」字段中,使用 Make 的数据映射将电邮主题和正文作为输入传入。Agent 将处理这段文字并返回 JSON 分类结果。
第四步——按分类路由。 在 AI Agent 之后,添加一个路由器模块。为每个类别创建分支——销售查询进入你的 CRM,支持请求创建 Zendesk 工单,垃圾邮件被归档,依此类推。将 Agent 的 JSON 输出映射到路由器的过滤条件。
第五步——测试并激活。 用一封测试电邮手动运行场景。检查 Agent 的分类是否正确。如有需要调整系统提示——例如,如果它将合作伙伴关系电邮错误分类为垃圾邮件。当输出看起来稳定可靠时,激活场景。
这个完整的工作流程第一次构建大约需要 45 分钟。一旦运行,它就会自动处理每封传入的电邮,无需人工分类。
能否将 Make.com AI Agents 连接到你自己的知识库?
可以——这就是 Make.com AI Agents 真正展现能力的地方。通过将知识库工具(如 Notion、Airtable 或 Google Sheets 数据库)作为 Agent 的可用工具之一连接起来,Agent 可以在起草任何回应之前先搜索该数据库。这是一个不需要任何开发者设置的轻量级 RAG(检索增强生成)版本。
例如,营销团队可以构建一个场景,让 AI Agent 在回复媒体查询前,先搜索包含品牌指南、已批准信息和过往推广活动记录的 Notion 数据库。Agent 检索相关背景,将其纳入回应,并标记现有数据库中找不到答案的任何空白。
实际限制是 Make.com 的原生搜索工具返回精确或模糊匹配——它们不执行语义向量搜索。对于中小型知识库(500 条目以下),这对大多数使用场景都运作良好。对于更大或更复杂的检索任务,你需要通过 Make 的 HTTP 模块连接专用向量数据库——这仍然是无代码的,但需要更多配置。
构建 Make.com AI Agent 工作流程时常见的错误是什么?
最常见的失败模式是给 AI Agent 过于宽泛的目标而缺乏足够的限制。告诉它「处理客户查询」太过开放——Agent 没有明确的定义说明「处理」意味着什么、它可以访问什么信息,或者什么时候应该升级处理。好的 Agent 目标是具体的:「阅读这张支持工单,使用知识库输出一份建议的回应草稿。如果在知识库中找不到相关文章,输出『ESCALATE』而非草稿。」
第二个错误是不指定输出格式。如果你不告诉 Agent 返回 JSON 或特定的结构化格式,它的输出将是自然语言散文,难以在后续模块中解析。始终在系统提示中定义确切的输出模式,并测试 Agent 是否始终如一地遵守它。
第三:不要跳过错误处理分支。每个 Make.com 场景都应该有一条错误路径——如果 AI Agent 返回意外输出,或者 API 调用失败,会发生什么。没有这个,一封糟糕的电邮就可能破坏整个流程。Make 的「错误处理器」模块会捕获这些失败,并可以将其路由到 Slack 提醒或人工审核队列,而不是静默失败。
立即尝试:45 分钟内构建电邮分类 Agent
以下是一个完整的系统提示,你可以直接复制到上面电邮分类示例的 Make.com AI Agent 模块中:
系统提示(复制这段):
「你是一家 B2B 科技公司的电邮分类助手。阅读传入电邮的主题和正文,并只输出一个有效的 JSON 对象,不含任何额外文字。JSON 必须包含以下字段:'category'(销售查询、支持请求、合作伙伴关系、媒体/新闻、垃圾邮件、内部、其他之一)、'priority'(高、中或低)、'one_line_summary'(20 字以内描述电邮的主要请求)、'suggested_action'(一句话描述下一步应做什么)。不要在 JSON 对象外添加任何解释。」
将此粘贴到 AI Agent 模块的系统提示字段中。然后使用 Make 的变量语法将电邮主题和正文映射到用户消息字段:{{1.subject}} {{1.body}}(根据你的触发器调整模块编号)。
用五封测试电邮运行它,检查输出结果。如果某个类别有误,在系统提示中添加一个正确分类的示例作为 few-shot 范例。反复迭代直到准确率稳定,然后激活。
超越单步 Agent:多 Agent 工作流程是什么样的
一旦你熟悉了单个 AI Agent 模块,下一步自然是将多个 Agent 串联起来——前一个 Agent 的输出成为下一个 Agent 的输入。这称为多 Agent 工作流程,它解锁了质量上不同的自动化层次。
内容团队的实际案例:Agent 1 阅读原始研究简报并提取关键声明和来源。Agent 2 根据这些声明起草结构化文章大纲。Agent 3 根据品牌语气规则清单评估大纲,并标记任何不符合的内容。输出是一份经过质量检查的大纲,人类写手可以直接拿来进行初稿——省去所有手动构建结构的工作。
Make.com 原生支持这一点:每个 AI Agent 模块的输出只是流入下一个模块的数据,与画布上的任何其他步骤相同。唯一需要额外考虑的是成本——每次 Agent 调用都消耗 LLM 令牌,因此高流量场景中串联的 Agent 可能累积可观的 API 费用。在大规模部署多 Agent 流程前先进行成本估算。
懂AI,更懂你 — UD 相伴,AI 不冷。今天正在构建这些工作流程的从业者,每周都在节省数小时原本需要持续人工判断的工作。工具已存在,无需编程,而上限现在远比以前高得多。
想构建真正能运作你业务的 AI 工作流程?
UD AI Staff Solution 正是为此而生——能处理真实业务任务、整合你团队现有工具的 AI Agents。UD 团队手把手带你完成每一步——从工作流程设计到全面部署,让你不只是在实验,而是真正推出有效的自动化。