Привет Я хочу создать ии агента на базе n8n Основные задачи агента У меня есть база…
- User
Привет Я хочу создать ии агента на базе n8n Основные задачи агента У меня есть база данных с большим количеством емейл адрессов оффшорных работодателей я хочу чтобы агент исследовал каждый эмейл, находил компанию, которой он пренадлежит и писал письмо в которое он бы прикреплял мое резюме, а так же персонализировал письмо с учетом данных компании и письмо должно иметь маленький шанс попадения в спам Затем написанное письмо он проверял на сервисе https://www.mail-tester.com/ на вероятность попадения письма в спам Если письмо хорошее, персонализированное под конкретную компанию и с маленькой вероятностью попадения в спам, он бы отправлял письмо и брал следующий емейл адресс из базы данных
Assistant
Отличная и амбициозная задача для n8n! Создание такого AI-агента вполне возможно, но требует внимания к деталям, особенно в части исследования компаний и борьбы со спамом.
Давайте разберем, как это можно реализовать на n8n.
Общая архитектура рабочего процесса n8n
- Триггер: Запуск рабочего процесса (вручную, по расписанию, при добавлении новой записи в БД).
- Получение списка email-ов: Из вашей базы данных.
- Итерация по каждому email-у: Обработка каждой записи по отдельности.
- Извлечение домена: Из email-адреса для исследования компании.
- Исследование компании: Поиск информации о компании с использованием домена (через LLM, SerperDev/Google Search API, или другие API).
- Генерация персонализированного письма: С помощью LLM (OpenAI, Anthropic и т.д.) на основе полученных данных о компании.
- Подготовка резюме: Убедиться, что резюме доступно для прикрепления.
- Проверка письма на спам (сложный шаг): Симуляция или фактическая проверка через сервис.
- Условие отправки: Если проверка на спам успешна и письмо хорошее.
- Отправка письма: Через SMTP, SendGrid, Mailgun и т.д.
- Логирование: Запись статуса отправки в вашу БД или лог.
Необходимые компоненты и навыки
- n8n instance: Установленный (self-hosted или cloud).
- OpenAI API Key (или другой LLM): Для генерации текста и исследования.
- Доступ к вашей базе данных: (PostgreSQL, MySQL, Airtable, Google Sheets и т.д.)
- Почтовый сервис для отправки: SMTP-сервер, SendGrid, Mailgun, Brevo (бывший Sendinblue) и т.д.
- Сервис для веб-поиска (опционально, но рекомендуется): SerperDev, Google Search API, Brave Search API (для более точного исследования компаний).
- Основы работы с n8n: Понимание узлов (Nodes), выражений (Expressions), потоков (Workflows).
- Понимание работы с JSON: Данные в n8n часто передаются в формате JSON.
- Понимание API: Для взаимодействия с LLM и, возможно, сервисами проверки спама.
Пошаговая реализация в n8n
Давайте пройдемся по каждому узлу (Node) в n8n.
Шаг 1: Триггер (Trigger)
- Узел:
Start(Manual),Schedule(для запуска по расписанию), илиDatabase Trigger(если ваша БД поддерживает).- Например:
ScheduleNode, запускающийся раз в день/неделю.
- Например:
Шаг 2: Получение списка email-ов
- Узел:
PostgreSQL/MySQL/Airtable/Google Sheet/Read CSV(в зависимости от того, где хранятся email-ы).- Пример с PostgreSQL:
- Node:
PostgreSQL - Operation:
Read - Query:
SELECT email_address, company_name FROM offshore_employers WHERE status = 'pending_application' LIMIT 100;(Ограничьте количество за один прогон, чтобы не перегружать API). - Credentials: Настройте подключение к вашей БД.
- Node:
- Пример с PostgreSQL:
Шаг 3: Итерация по каждому email-у
- Узел:
Split In Batches- Batch Size:
1(чтобы обрабатывать каждый email индивидуально) - Это позволит обрабатывать каждый email как отдельный элемент.
- Batch Size:
Шаг 4: Извлечение домена компании
- Узел:
Set(илиCodeдля более сложной логики).- Value:
{{ $json.email_address.split('@')[1] }}(Это извлечет домен из email-адреса) - New Field Name:
company_domain
- Value:
Шаг 5: Исследование компании
Это самый важный и потенциально сложный шаг. Нам нужны данные для персонализации.
-
Узел 1 (Веб-поиск - Опционально, но рекомендуется):
SerperDevилиGoogle Search(для доступа к Google Search API)- Node:
SerperDev - Operation:
Search - Query:
{{ "About " + $json.company_domain + " company mission values projects" }} - Credentials: Ваш API ключ SerperDev.
- Почему это нужно? LLM без доступа к интернету будет галлюцинировать. SerperDev даст LLM актуальные данные.
- Node:
-
Узел 2 (Генерация данных о компании с помощью LLM):
OpenAI(или другой LLM)- Node:
OpenAI - Operation:
Chat Completion - Model:
gpt-4(лучше для точности) илиgpt-3.5-turbo(дешевле) - System Prompt: "Ты — эксперт по анализу компаний для составления резюме. Твоя задача — извлечь ключевую информацию о компании из предоставленных данных, которая будет полезна для персонализации сопроводительного письма. Фокусируйся на миссии, ценностях, последних проектах, отрасли, и уникальных особенностях компании."
- User Prompt: "Проанализируй следующую информацию о компании с доменом
{{ $json.company_domain }}: \n\n{{ JSON.stringify($json.nodes['SerperDev'].json) }}\n\nПредоставь следующую информацию в формате JSON: \ncompany_name(название компании), \nindustry(отрасль), \nmission_summary(краткая выжимка миссии/ценностей), \nrecent_achievements(кратко о последних достижениях/проектах, если найдено), \npersonalized_talking_points(2-3 пункта, на что можно сослаться в письме для персонализации), \npotential_contact_department(например, 'HR Department' или 'Recruiting Team')." - Важно: LLM должен выдать JSON, который мы потом распарсим.
- Node:
-
Узел 3 (Парсинг JSON):
JSON- Node:
JSON - Operation:
Parse - Source Field: Выберите поле, где OpenAI выдал JSON (например,
data.choices[0].message.content). - Result Field Name:
company_info
- Node:
Шаг 6: Генерация персонализированного письма
- Узел:
OpenAI(или другой LLM)-
Node:
OpenAI -
Operation:
Chat Completion -
Model:
gpt-4(рекомендуется для качества) -
System Prompt: "Ты — профессиональный помощник по написанию сопроводительных писем. Создай персонализированное и убедительное сопроводительное письмо на английском языке для соискателя, основываясь на предоставленной информации о компании и его резюме. Письмо должно быть вежливым, прямым, без лишних слов, и оптимизированным для избежания спам-фильтров. Включи 1-2 предложения, демонстрирующих понимание компании, и 1-2 предложения о том, как навыки соискателя соответствуют их потребностям. Резюме будет приложено отдельно. Не включай имя кандидата или контактные данные в тело письма, они будут в резюме."
-
User Prompt: "Email адресат:
{{ $json.email_address }}Данные компании:json\n{{ JSON.stringify($json.nodes['JSON'].json.company_info) }}\nМои ключевые навыки (примеры):Project Management, Full-stack Development, Data Analysis, Marketing Strategy, Financial Modeling(ЗАМЕНИТЕ НА СВОИ РЕАЛЬНЫЕ НАВЫКИ!) Название вакансии (если применимо, иначе обобщенно):[ВАКАНСИЯ, ЕСЛИ ЗНАЕТЕ, ИНАЧЕ ОСТАВЬТЕ ПУСТОЙ ИЛИ УКАЖИТЕ 'potential opportunities']Сгенерируй письмо в формате JSON со следующими полями:
subject: Тема письма.body: Тело письма. " -
Важно: Замените
[ВАШИ КЛЮЧЕВЫЕ НАВЫКИ]и[ВАКАНСИЯ]на актуальные данные.
-
- Узел:
JSON- Node:
JSON - Operation:
Parse - Source Field: Выберите поле, где OpenAI выдал JSON письма.
- Result Field Name:
email_content
- Node:
Шаг 7: Подготовка резюме
Ваше резюме должно быть доступно для прикрепления. Лучший способ - хранить его в облаке (Google Drive, S3) и использовать публичную ссылку, или кодировать его в Base64. Для n8n, особенно при отправке через SMTP, Base64 часто наиболее удобен.
- Вариант 1 (Public URL): Если ваш почтовый сервис поддерживает прикрепление файлов по URL (редко).
- Вариант 2 (Base64):
- Заранее сконвертируйте ваш PDF/DOCX файл резюме в строку Base64. Есть множество онлайн-инструментов для этого.
- Храните эту строку Base64 как переменную в n8n или прямо в узле
Set. - Node:
Set- New Field Name:
resume_base64 - Value:
Ваша_огромная_строка_Base64_резюме - New Field Name:
resume_filename - Value:
Your_Name_Resume.pdf(или .docx) - New Field Name:
resume_mimetype - Value:
application/pdf(илиapplication/vnd.openxmlformats-officedocument.wordprocessingml.document)
- New Field Name:
Шаг 8: Проверка письма на спам (Критический и Сложный Момент)
Сервис
mail-tester.comне предназначен для автоматической работы через API. Он ожидает, что вы отправите ему письмо, а затем вручную или через JavaScript в браузере запросите результат по уникальной ссылке. Автоматизировать это через n8n без использования headless-браузера (Puppeteer/Playwright, что сильно усложняет n8n) или сложного скрейпинга (который будет очень хрупким) крайне сложно и ненадежно.Реалистичные альтернативы и подходы:
- Положитесь на LLM и общие рекомендации: LLM хорошо обучены на большом количестве текста и могут избегать очевидных спам-триггеров. Сосредоточьтесь на том, чтобы ваш почтовый сервис (SMTP, SendGrid и т.д.) был правильно настроен (SPF, DKIM, DMARC записи). Это главный фактор доставляемости.
- Платные сервисы с API: Такие как
Email on AcidилиLitmusпредоставляют API для проверки доставляемости и спам-очков. Но они платные и недешевые. - Игнорировать mail-tester.com для автоматизации: Если вы не готовы инвестировать в сложные решения, просто пропустите этот шаг. Сосредоточьтесь на качестве контента (LLM) и надежности вашего почтового провайдера.
Если вы настаиваете на симуляции проверки (очень хрупкий подход):
- Узел:
HTTP Request(для получения временного email от mail-tester.com - потребует очень сложного парсинга HTML, не рекомендуется). - Узел:
Email Send(отправить письмо на этот временный email). - Узел:
Wait(подождать 10-20 секунд). - Узел:
HTTP Request(запросить результаты с mail-tester.com - опять сложный парсинг). - Узел:
Code(парсить HTML, искать "spam score" и извлекать число).
Мой совет: Для начала, пропустите прямую интеграцию с
mail-tester.com. Вместо этого, LLM уже настроен на избегание спам-триггеров, и это будет основным способом. Ваш почтовый сервис (например, SendGrid) сам имеет хорошую репутацию.Шаг 9: Условие отправки письма
- Узел:
IF- Value 1:
true(если мы пропускаем проверку на спам и предполагаем, что письмо всегда "хорошее" по контенту). - Operation:
Is True - Если бы была проверка на спам:
{{ $json.spam_score < 5 }}(гдеspam_score- это поле, полученное из проверки).
- Value 1:
Шаг 10: Отправка письма
- Узел:
Email Send(илиSendGrid,Mailgun,SMTP)- Node:
Email Send(использует встроенный SMTP n8n, или вы можете настроить внешний SMTP) - Credentials: Настройте ваш почтовый аккаунт (SMTP Host, Port, User, Password).
- From Name:
Ваше Имя - From Email:
ваш@email.com - To:
{{ $json.email_address }} - Subject:
{{ $json.nodes['JSON1'].json.email_content.subject }}(Предполагая, что 'JSON1' это узел парсинга JSON письма) - Body:
{{ $json.nodes['JSON1'].json.email_content.body }} - Attachments:
- File Name:
{{ $json.resume_filename }} - Mime Type:
{{ $json.resume_mimetype }} - Data:
{{ $json.resume_base64 }}(если используете Base64)
- File Name:
- Node:
Шаг 11: Логирование статуса
- Узел:
Update(для вашей базы данных, напримерPostgreSQL/MySQL).- Node:
PostgreSQL - Operation:
Update - Table:
offshore_employers - Update Key:
email_address - Update Value:
{{ $json.email_address }} - Update Columns:
status:sentsent_date:{{ $now }}last_attempt_status:successcompany_details_json:{{ JSON.stringify($json.nodes['JSON'].json.company_info) }}(сохранить данные о компании)email_subject:{{ $json.nodes['JSON1'].json.email_content.subject }}email_body_preview:{{ $json.nodes['JSON1'].json.email_content.body.substring(0, 500) + '...' }}
- Node:
- Соедините оба выхода
IFузла: Один путь (Success) идет кEmail Sendи затем кUpdate. Второй путь (False/Failed Spam Check) идет к другому узлуUpdate, который записываетstatus: 'failed_spam_check'илиstatus: 'skipped'.
Важные соображения
-
Борьба со спамом (на самом деле):
- Репутация IP-адреса/домена: Используйте надежный почтовый провайдер (SendGrid, Mailgun, Brevo), а не обычный SMTP-сервер с вашего хостинга. Эти сервисы поддерживают хорошую репутацию IP.
- SPF, DKIM, DMARC: Убедитесь, что записи для вашего отправляющего домена правильно настроены. Это очень важно для доставляемости.
- Warm-up: Если вы начинаете отправлять много писем с нового домена/IP, начните с небольшого количества, постепенно увеличивая объем.
- Качество контента: LLM очень поможет, но избегайте:
- Слишком много ссылок.
- Слова-триггеры спама ("free", "guarantee", "urgent", "cash").
- Больших картинок в теле письма.
- Всего текста большими буквами.
- Необычных шрифтов или форматирования.
- Список отписки: В идеале, должен быть.
- Персонализация: Сама персонализация, которую делает LLM, является мощным инструментом против спама, так как письма выглядят менее массовыми.
-
Управление резюме:
- Если у вас несколько резюме, или вам нужно менять их динамически, это можно реализовать, сохраняя их в S3/Google Drive и передавая URL или Base64 в зависимости от условий.
-
Обработка ошибок:
- Используйте
Error Workflowв n8n, чтобы перехватывать ошибки (например, если OpenAI API выдал ошибку, или email не отправился). Это позволит вам логировать неудачные попытки и, возможно, повторять их позже. - Можно добавить узел
Try/Catchдля более гранулярной обработки ошибок.
- Используйте
-
Стоимость:
- OpenAI API: Зависит от количества токенов (объема текста) и используемой модели (GPT-4 дороже GPT-3.5). Исследование и генерация каждого письма будет стоить несколько центов.
- SerperDev/Google Search API: Имеют свои ценовые модели, часто по запросам.
- Почтовый сервис: SendGrid/Mailgun имеют бесплатные или очень дешевые тарифы для небольшого объема.
- n8n хостинг: Если self-hosted, то стоимость сервера. Если n8n Cloud, то ежемесячная подписка.
-
Юридические/Этические вопросы:
- Убедитесь, что вы соблюдаете законодательство о защите данных (GDPR, CCPA) и антиспам-законы (CAN-SPAM Act в США, положения GDPR в ЕС) при отправке нежелательных писем. Массовая рассылка по "холодным" адресам может иметь юридические последствия и нанести ущерб репутации вашего домена.
- Этот инструмент мощный, используйте его ответственно.
Это достаточно сложный, но очень мощный рабочий процесс, который можно создать в n8n. Удачи!