نود Anthropic در N8N
نود Anthropic در N8N
نود Anthropic در n8n به شما اجازه میدهد مدلهای Claude را داخل ورکفلوهای خود اجرا کنید؛ از تولید و بازنویسی متن گرفته تا خلاصهسازی، استخراج اطلاعات ساختیافته، دستهبندی، پاسخگویی هوشمند و حتی ساخت خروجی JSON قابلاعتماد برای مراحل بعدی اتوماسیون.
معرفی نود در N8N
Anthropic یک نود از نوع «یکپارچهسازی با سرویس خارجی» است که درخواستهای شما را به API شرکت Anthropic ارسال میکند و پاسخ مدل را به شکل داده قابل استفاده در n8n برمیگرداند.
- کارکرد اصلی: ارسال پرامپت/پیامها به مدل Claude و دریافت خروجی (متن یا ساختار).
- دستهبندی نود: Integration / Action
- اهمیت در ورکفلوها: بهجای کدنویسی سنگین، میتوانید تصمیمگیری، تولید محتوا، استانداردسازی متنها و استخراج داده را به مدل بسپارید و نتیجه را به نودهای بعدی (Google Sheets، Slack، Notion، HTTP Request و…) متصل کنید.
موارد استفاده
1) خلاصهسازی تیکتها و پیامهای پشتیبانی
- ورودی: متن تیکت از Zendesk/Email/Telegram
- خروجی: خلاصه + پیشنهاد پاسخ + برچسب موضوع
- ترکیب پیشنهادی: Trigger (Webhook/Gmail) → Anthropic → If → Slack/Helpdesk Update
2) استخراج داده ساختیافته از متنهای نامنظم
- مثال: تبدیل متن فاکتور/سفارش به JSON (نام مشتری، شماره سفارش، مبلغ، آیتمها)
- ترکیب پیشنهادی: OCR/Email Parse → Anthropic → Set → Google Sheets / ERP
3) تولید محتوای استاندارد برای شبکههای اجتماعی
- تبدیل یک توضیح محصول به چند خروجی: کپشن اینستاگرام، عنوان سئو، متا دیسکریپشن، FAQ
- ترکیب پیشنهادی: Airtable (محصولات) → Anthropic → Split Out → Buffer/WordPress
4) دستهبندی و امتیازدهی لیدها (Lead Scoring)
- با تحلیل پیامها یا فرمها: تشخیص «داغ/سرد»، نیاز، صنعت، اولویت پیگیری
- ترکیب پیشنهادی: Typeform → Anthropic → If/Switch → CRM (HubSpot/Pipedrive)
5) ساخت پاسخهای قابل استناد از روی دانش سازمانی
- متون داخلی (FAQ، راهنما، سیاستها) را بهعنوان کانتکست به مدل بدهید و پاسخ استاندارد بگیرید.
- ترکیب پیشنهادی: Notion/Confluence → Aggregate → Anthropic → Reply (Email/Chat)
پارامترها و تنظیمات
نام فیلدها ممکن است بسته به نسخه n8n و پیادهسازی نود کمی تفاوت داشته باشد، اما منطق تنظیمات Anthropic تقریباً ثابت است. در ادامه پارامترهای کلیدی که معمولاً در نود Anthropic میبینید آورده شده است.
1) Credentials (اعتبارنامه)
- نام پارامتر: Anthropic API Credentials
نوع داده: Credential
کاربرد: اتصال امن به API با کلید Anthropic
مثال عملی: ذخیره API Key در Credentials و انتخاب آن در نود
نکته مهم: کلید API را داخل متن پرامپت یا فیلدهای معمولی قرار ندهید. همیشه از Credentials استفاده کنید.
2) Operation (عملیات)
- نام پارامتر: Operation
نوع داده: Option
کاربرد: تعیین نوع درخواست (مثلاً تولید متن/چت)
مثال عملی: انتخاب حالت Chat/Message برای گفتگو با مدل
3) Model (مدل)
- نام پارامتر: Model
نوع داده: String/Option
کاربرد: انتخاب مدل Claude مناسب از نظر کیفیت/سرعت/هزینه
مثال عملی: انتخاب یک مدل عمومی برای تولید محتوا و یک مدل سبکتر برای دستهبندیهای پرتکرار
نکته مهم: نام مدلها در Anthropic دورهای تغییر میکند. اگر با خطای «model not found» مواجه شدید، فهرست مدلهای مجاز را از مستندات Anthropic بررسی کنید.
4) Messages / Prompt (پیامها یا پرامپت)
- نام پارامتر: Messages
نوع داده: Array of objects
کاربرد: تعیین نقشها و محتوای گفتگو (system/user/assistant)
مثال عملی: یک پیام system برای قوانین و یک پیام user برای داده ورودی
مثال ساختار پیامها:
در n8n معمولاً میتوانید مقدار content را با Expression از آیتم ورودی پر کنید.
5) System Instruction (دستورالعمل سیستم)
- نام پارامتر: System / Instructions
نوع داده: String
کاربرد: تعیین قواعد ثابت: لحن، فرمت خروجی، محدودیتها، زبان
مثال عملی: «فقط JSON معتبر برگردان، بدون توضیح اضافی»
6) Max Tokens (حداکثر توکن خروجی)
- نام پارامتر: Max Tokens
نوع داده: Number
کاربرد: کنترل طول خروجی و هزینه
مثال عملی: برای خلاصهسازی 200 تا 400، برای تولید مقاله کوتاه 800 تا 1500
نکته مهم: مقدار بیش از حد بالا میتواند هم هزینه را افزایش دهد و هم احتمال خروجی طولانی و کمتمرکز را بیشتر کند.
7) Temperature (دما/خلاقیت)
- نام پارامتر: Temperature
نوع داده: Number (معمولاً 0 تا 1 یا 0 تا 2)
کاربرد: تعیین میزان خلاقیت و تنوع
مثال عملی: برای خروجی دقیق و قابلاعتماد: 0 تا 0.3، برای ایدهپردازی: 0.7 به بالا
8) Top P / Top K (تنوع نمونهگیری)
- نام پارامتر: Top P / Top K
نوع داده: Number
کاربرد: کنترل روش نمونهگیری برای تولید متن
مثال عملی: اگر خروجیها بیش از حد پراکنده است، Top P را کاهش دهید
نکته: معمولاً تنظیم Temperature به تنهایی کافی است. دستکاری همزمان چند پارامتر نمونهگیری میتواند نتایج را غیرقابل پیشبینی کند.
9) Stop Sequences (رشتههای توقف)
- نام پارامتر: Stop Sequences
نوع داده: Array of strings
کاربرد: قطع خروجی هنگام رسیدن به الگوهای خاص
مثال عملی: توقف هنگام رسیدن به «—END—»
10) Response Format / Output (فرمت خروجی)
- نام پارامتر: Response Format / Output
نوع داده: Option/String
کاربرد: درخواست خروجی متن ساده یا خروجی ساختیافته (در صورت پشتیبانی نود)
مثال عملی: خروجی JSON برای ارسال مستقیم به نود Set و سپس ذخیره در دیتابیس
نکته مهم: حتی اگر گزینه «JSON Mode» نداشتید، میتوانید با System Instruction خروجی را مجبور به JSON کنید و سپس با نود Code یا JSON Parse اعتبارسنجی انجام دهید.
ورودیها و خروجیها
ورودی (Input)
نود Anthropic معمولاً از آیتمهای ورودی n8n استفاده میکند و شما با Expression بخشهایی از داده را داخل پیامها قرار میدهید. رایجترین ورودیها:
- متن پیام کاربر (مثلاً از Webhook، Email، Slack)
- فیلدهای فرم (نام، شماره تماس، توضیحات)
- متن استخراجشده از فایل (PDF/OCR)
نمونه JSON ورودی بهعنوان آیتم n8n
{ “ticketId”: “ZD-10291”, “customerName”: “Ali Karimi”, “message”: “سلام، سفارش من هنوز نرسیده. شماره سفارش 78421. لطفاً پیگیری کنید.”, “channel”: “email”}
خروجی (Output)
خروجی معمولاً شامل متن تولیدشده مدل و متادیتا (بسته به نود) است. در بسیاری از سناریوها شما با یک فیلد مثل text یا content سروکار دارید.
نمونه JSON خروجی متداول
{ “id”: “msg_01Abc…”, “model”: “claude-…”, “content”: [ { “type”: “text”, “text”: “خلاصه: مشتری اعلام کرده سفارش 78421 هنوز تحویل نشده…nاقدام پیشنهادی: وضعیت ارسال را بررسی و زمان تقریبی تحویل را اعلام کنید.” } ], “usage”: { “input_tokens”: 210, “output_tokens”: 120 }}
نکته عملی برای استفاده از خروجی در نودهای بعدی
- اگر خروجی به صورت آرایه content برمیگردد، متن معمولاً در مسیر content[0].text قرار دارد.
- برای استانداردسازی، بعد از Anthropic از نود Set استفاده کنید و یک فیلد ثابت مثل aiText بسازید.
نکات پیشرفته و ترفندها
1) خروجی JSON قابل اتکا برای اتوماسیون
برای اینکه خروجی واقعاً قابل مصرف در مراحل بعدی باشد، این الگو بسیار کاربردی است:
- در System بنویسید: «فقط یک JSON معتبر برگردان. هیچ متن دیگری ننویس.»
- یک اسکیمای مشخص بدهید و کلیدها را دقیق تعیین کنید.
- بعد از Anthropic، با نود Code یا JSON Parse اعتبارسنجی کنید و اگر JSON نامعتبر بود، با یک مسیر خطا دوبارهکوشی (Retry) انجام دهید.
2) کاهش هزینه و افزایش سرعت با خلاصهسازی مرحلهای
- اگر ورودی خیلی طولانی است (گفتگوهای بلند، گزارشها)، ابتدا با یک نود Anthropic خلاصه کوتاه بسازید.
- در مرحله بعد خلاصه را برای تصمیمگیری/دستهبندی استفاده کنید.
- این کار توکن مصرفی را به شکل جدی کم میکند.
3) طراحی پرامپتهای چندبخشی با جداکنندههای واضح
وقتی دادههای مختلف را به مدل میدهید، جداکننده بگذارید تا مدل دچار اختلاط نشود:
—CONTEXT—
…
—USER MESSAGE—
…
—TASK—
…
4) ساخت مسیرهای تصمیمگیری با Switch/If
- از مدل بخواهید یک فیلد ساده مثل category برگرداند (billing, shipping, technical, other).
- سپس با نود Switch درخواستها را به تیم/کانال مربوطه هدایت کنید.
5) جلوگیری از نشت داده حساس
- قبل از ارسال به Anthropic، با نود Set یا Code دادهها را مینیمال کنید (فقط فیلدهای لازم).
- اطلاعات حساس مثل شماره کارت، کدملی، رمزها را ماسک کنید.
محدودیتها و خطاها
محدودیتها
- محدودیت توکن: ورودی و خروجی مجموعاً سقف دارند و بسته به مدل متفاوت است.
- عدم قطعیت خروجی: مدل ممکن است گاهی خروجی متفاوت تولید کند؛ برای فرآیندهای حساس از JSON + اعتبارسنجی استفاده کنید.
- وابستگی به اینترنت و سرویس: اختلال سرویس یا محدودیت نرخ (Rate Limit) میتواند ورکفلو را متوقف کند.
خطاهای رایج و راهحلها
- 401 Unauthorized / Invalid API Key
راهحل: بررسی Credentials، اطمینان از فعال بودن کلید، و اینکه کلید در محیط درست (Production/Dev) استفاده میشود.
- 404 Model not found
راهحل: نام مدل را مطابق مستندات Anthropic بهروزرسانی کنید و از مدلهای منسوخ استفاده نکنید.
- 429 Rate limit
راهحل: افزودن Wait/Retry، کاهش همزمانی (Concurrency)، یا صفبندی با Split In Batches.
- 400 Bad Request (ساختار messages اشتباه است)
راهحل: ساختار آرایه messages و فیلدهای role/content را بررسی کنید و از رشتههای خالی یا نوع داده نادرست جلوگیری کنید.
- خروجی JSON نامعتبر
راهحل: System سختگیرانهتر، کاهش Temperature، و اجرای مرحله اعتبارسنجی و اصلاح (Repair) با یک درخواست دوم.
ایده ها
- اتوماسیون تولید «پاسخ آماده پشتیبانی» از روی تیکتها و ذخیره در Notion بهعنوان بانک پاسخ
- سیستم کنترل کیفیت محتوا: بررسی نگارشی، لحن برند، و استخراج کلمات کلیدی قبل از انتشار در WordPress
- استخراج موجودیتها از قراردادها: نام طرفین، تاریخها، تعهدات، مبلغ و ساخت یک رکورد ساختیافته در Airtable
- ساخت دستیار داخلی برای تیم فروش: خلاصه مکالمات، اعتراضات مشتری، و پیشنهاد متن پیگیری در CRM
- تحلیل نظرات کاربران: احساسسنجی (Sentiment)، موضوعات پرتکرار و تولید گزارش هفتگی برای Slack