手机敲三下，1秒录入客户信息：我用AI+n8n搭建的数据同步系统

说实话，这种重复劳动真的很要命，于是我就琢磨着能不能用自动化来解决这个问题。

研究了一圈后，决定用n8n搭一个智能的数据同步系统，核心思路就是用AI来识别截图内容，然后自动同步到飞书多维表格。

整个系统叫Firework数据同步，名字听起来挺炫的，但其实就是个自动化的客户信息处理流水线。

你把截图往webhook里一扔，AI就会自动判断这是新客户信息还是跟进记录，然后提取关键信息，上传文件，最后更新到数据库里。整个过程完全不需要人工干预。

系统是怎么工作的

我先说说整体的处理逻辑，这个系统主要分三个阶段：

第一阶段：接收和预处理

第二阶段：AI分析判断

这是整个系统的核心部分。我用的是Qwen-VL-Max模型，它会分析截图内容，判断这到底是要新建客户记录还是更新现有记录。在做的过程中，我也尝试了其他不同的模型，专门的视觉模型识别准确度要高一些。

判断逻辑很简单：

• • 如果ID或标识符以A开头 → 新建记录
• • 如果以B、C、D开头 → 更新记录
• • 如果截图包含"xxx与xxx的聊天记录"或"群聊" → 更新记录
  

  

第三阶段：信息提取和数据同步

根据AI的判断结果，系统会走不同的处理分支：

如果是新建记录，AI会识别包含"音视频通话"的客户信息页面，从用户头像旁边的信息列表中提取：

• • 备注名（格式：客户分类代码-咨询时间-昵称-合作方）
• • 客户分类代码（A/B/C/D）
• • 咨询时间
• • 合作方
• • 昵称和微信号

如果是更新记录，AI会识别聊天记录页面，提取跟进详情，然后根据备注名或微信号查找现有记录进行更新。

具体的处理流程

让我详细说说这个系统是怎么一步步工作的：

0. 快捷指令截图

先设置手机背面敲三下截图，快捷指令会调用图片上传到n8n处理。

1. 数据接收

Webhook → HTTP Request (文件上传) → Code5 (产品分类解析)

系统收到截图后，先把文件上传到任意图床，这里假设是https://tuchuang.com/api/upload，拿到文件URL。同时解析category字段，按分隔符拆分产品类型。

2. AI动作判断

HTTP Request1 (AI分析) → Code6 (结果解析) → Edit Fields2 (数据格式化) → If (条件判断)

调用Qwen模型分析截图，判断是create还是update操作。

3. 分支处理

如果是create操作：

HTTP Request2 (客户信息提取) → Code → Edit Fields → If1 (字段检查) → 飞书多维度表格操作

AI提取客户信息，检查备注名和客户分类代码是否存在，然后执行后续操作。

如果是update操作：

HTTP Request3 (聊天记录提取) → Code1 → Edit Fields1 → If2 (字段检查) → 飞书多维度表格操作

AI提取跟进详情，处理聊天内容。

**4. 飞书多维度表格操作

这里的逻辑比较复杂，系统会先搜索现有记录：

对于新建客户：

• • 搜索是否已存在相同备注名的记录
• • 不存在：上传文件到飞书空间 → 新建记录
• • 存在：上传文件 → 更新现有记录

对于跟进更新：

• • 先根据备注名搜索
• • 如果找到：上传文件 → 合并沟通信息 → 添加时间戳 → 更新记录
• • 如果没找到：根据微信号搜索 → 相应处理

实际使用效果

我测试了几个场景，效果还是挺不错的：

场景一：新客户信息录入

手机背后敲三下，扔了一张客户信息页面的截图进去，AI准确识别出了客户分类代码、咨询时间、合作方等信息，自动生成了标准格式的备注名，然后创建了新的客户记录。

整个过程不到10秒，以前手动录入至少要2分钟。

场景二：跟进记录更新

发了一张微信聊天截图，AI自动提取了聊天内容中的关键信息，生成了格式化的跟进详情，还自动添加了时间戳，然后更新到了对应的客户记录中。

场景三：批量处理

一口气扔了10张不同的截图，系统自动判断每张图片的类型，该新建的新建，该更新的更新，全程无需人工干预。

真的爽到飞起。

技术细节

整个系统用的技术栈还是比较主流的：

• • n8n: 工作流引擎，负责整个流程的编排
• • Qwen-VL-Max: AI视觉模型，通过OpenRouter API调用
• • 飞书: 多维表格存储，文件空间存储
• • 自建文件服务: 临时文件上传

关键的代码逻辑主要在几个Code节点里：

// 时间戳处理示例
const now = new Date();
const timeStamp = `${now.getFullYear()}-${String(now.getMonth() + 1).padStart(2, '0')}-${String(now.getDate()).padStart(2, '0')} ${String(now.getHours()).padStart(2, '0')}:${String(now.getMinutes()).padStart(2, '0')}`;
const newFollowUpWithTime = `[${timeStamp}] ${cleanNewText}`;

遇到的坑

当然，整个过程也不是一帆风顺的，踩了不少坑：

AI识别准确率问题

刚开始AI经常把客户信息页面和聊天记录搞混，后来优化了prompt，加了更具体的识别规则才解决。另外由于飞书的api支持的是unix的毫秒时间戳，所以需要对解析到的yy-mm-dd的格式解析。另外openai的接口识图对于图床响应要求很高，极容易失败，最好增加重试。或者用图床服务，别用自己搭建的图床。

文件上传稳定性

飞书的文件上传API有时候会超时，加了重试机制，设置了5秒等待时间。

数据格式处理

飞书表格对时间格式要求很严格，花了不少时间调试时间戳的转换逻辑。

实现方法

如果你也想搭建类似的系统，步骤其实不复杂：

第一步：制作苹果快捷指令

花半个小时熟悉了快捷指令的制作，主要是赋值、请求、列表、菜单等。 以中文语义在快捷指令app中搜索，找到之后，一个个的尝试使用。

第二步：准备环境

第三步：开发工作流

按照业务流程写出工作流，当然需要整套工作流json的可以私信我获取。

第四步：配置凭证

设置飞书凭证和OpenAI API凭证（用于调用Qwen模型）。

第五步：调试测试

先用几张测试图片跑一下，确保各个节点都正常工作。

总结

这个Firework数据同步系统算是解决了我的一个实际痛点，以前每天要花大量时间手动录入客户信息，现在基本实现了自动化。

虽然还有一些小问题需要优化，但整体效果还是很满意的。

最关键的是，这套系统的思路是通用的，你可以根据自己的业务场景调整AI的识别逻辑和数据处理流程，搭建属于自己的自动化系统。

如果你也在被重复的数据录入工作折磨，不妨试试用AI+自动化的方式来解决。

相信我，解放生产力的感觉真的很爽。