朋友刚拿 PM offer，我直接甩给她一套全自动学习方案

# n8n 知识框架


## 一、n8n 概述
### 什么是 n8n
- **全称**：nodemation（节点自动化）
- **定位**：开源的工作流自动化工具（类似 Zapier / Make）
- **特点**：基于节点的可视化架构，允许用户通过拖放连接不同应用/服务/API，构建复杂自动化流程
- **许可**：Fair-code（公平代码）—— 可免费使用、修改、自托管
### 核心特点
| 特性 | 说明 |
|------|------|
| 开源可自托管 | 数据隐私有保障，适合企业 |
| 200+ 集成节点 | 支持主流应用和服务 |
| 可视化工作流编辑器 | 拖拽操作，低门槛 |
| 强大表达式支持 | 双花括号 `{{ }}` 嵌入 JS 逻辑 |
| 灵活错误处理 | 支持重试、跳过、捕获分支 |
| Webhook + 实时事件 | 支持外部触发 |
| AI 集成 | 支持 OpenAI / GPT 等大模型 |
### 应用场景
- 数据同步（Airtable ↔ Notion ↔ Google Sheets）
- 自动化办公（钉钉/飞书消息、定时任务）
- API 集成（连接第三方服务）
- IoT 控制（智能家居设备联动）
- AI 工作流（调用 LLM 处理文本、数据）
---
## 二、核心概念
### 2.1 工作流（Workflow）⭐
**定义**：一系列连接在一起的节点，定义自动化任务的执行流程
**生命周期**：
```
设计阶段 → 测试阶段 → 激活阶段 → 执行阶段 → 维护阶段
```
**状态**：
- `Inactive`：设计/测试阶段，不自动响应触发
- `Active`：已激活，自动响应触发事件
**组成部分**：
- 触发器（Trigger）：定义何时启动
- 处理节点：对数据进行操作
- 连接线：定义数据流向和执行顺序
---
### 2.2 节点（Node）⭐
**定义**：工作流中的基本构建块，每个节点代表一个特定操作或服务
**节点结构**：
```
输入端（Input Pins） ← → 输出端（Output Pins）
```
**主要节点类型**：
| 类型 | 示例 | 用途 |
|------|------|------|
| **触发器节点** | Schedule / Webhook / Manual | 启动工作流 |
| **应用节点** | HTTP Request / 数据库 / 邮件 | 业务操作 |
| **逻辑节点** | IF / Switch / Merge / Split | 流程控制 |
| **AI 节点** | OpenAI / ChatGPT / AI Agent | 人工智能任务 |
| **数据转换节点** | Code / Set / Move Binary Data | 数据处理 |
| **存储节点** | Google Sheets / Notion / Airtable | 数据读写 |
**⭐ 高频核心节点**：
1. `HTTP Request` — 调用外部 API（最常用）
2. `Code` — 编写 JavaScript 自定义逻辑
3. `IF / Switch` — 条件分支
4. `Set` — 数据格式转换/字段编辑
5. `AI Agent` — 构建自主 AI 代理
---
### 2.3 连接（Connection）
- 定义节点间数据流向和执行顺序
- 数据从一个节点 `output` → 另一个节点 `input`
- 支持多输入/多输出分支
---
### 2.4 执行（Execution）⭐
**执行模式**：
- **手动触发**：点击运行按钮
- **定时执行**：Cron / Schedule（每日、每小时等）
- **Webhook**：收到 HTTP 请求时触发
- **事件触发**：应用内事件（Notion 更新、Airtable 变化）
- **聊天触发**：聊天消息触发
- **子工作流**：由其他工作流调用
**执行日志**：
- 每个节点显示输入/输出数据
- 支持查看完整执行链路和错误信息
---
## 三、触发器详解 ⭐
### 3.1 Schedule Trigger（定时触发）
```json
// 每天凌晨 2 点执行
{ "rule": { "hour": 2, "minute": 0 } }
```
**适用场景**：定时监控、定期回归测试、每日健康检查
### 3.2 Webhook Trigger（Webhook 触发）⭐
- 接收外部 HTTP 请求触发工作流
- 支持 GET / POST / PUT 等方法
- **需设置认证机制保证安全**
- **适用场景**：与 CI/CD 集成（GitHub Actions / Jenkins）、外部系统回调
### 3.3 Manual Trigger（手动触发）
- 调试/开发阶段使用
- 支持自定义参数输入界面
### 3.4 Application Trigger（应用事件触发）
- Notion / Airtable / Telegram 等应用事件触发
- 实时响应，无需轮询
---
## 四、表达式（Expressions）⭐⭐
**定义**：包含在 `{{ }}` 双花括号中的 JavaScript 代码片段
### 核心语法
```javascript
// 访问数据
{{ $json }}              // 获取整个 JSON 对象
{{ $json.fieldName }}    // 获取特定字段
{{ $("节点名").item.json.field }}  // 引用其他节点数据
// 运算
{{ $json.price * 1.1 }}  // 价格上浮 10%
{{ new Date().toISOString() }}  // 当前时间
```
### 数据访问路径
```
$json              → 当前节点的 JSON 数据
$input.all()       → 所有输入项
$node["NodeName"]  → 引用指定节点数据
$vars             → 工作流变量
$env              → 环境变量
```
### 典型使用场景
- 字段动态赋值
- 数据格式转换（字符串 ↔ 数字 ↔ 日期）
- 条件判断逻辑
- 跨节点数据引用
---
## 五、AI 集成 ⭐⭐
### 5.1 AI Agent 节点
- 构建自主 AI 代理
- 支持工具调用（搜索、计算、代码执行）
- 多轮对话上下文管理
### 5.2 大模型调用节点
- OpenAI（GPT-4 / GPT-3.5）⭐
- Anthropic（Claude）
- 本地模型（Ollama）
### 5.3 文档处理
- 总结文档
- 问答系统
- 翻译
### 5.4 AI + 自动化典型工作流
```
Webhook触发 → 提取文本 → 调用GPT分析 → 存储结果 → 发送通知
```
---
## 六、安装与部署
### 方式一：npx（快速体验）
```bash
npx n8n
# 访问 http://localhost:5678
```
### 方式二：Docker（推荐生产环境）⭐
```bash
# 创建数据卷
docker volume create n8n_data
# 运行容器
docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n
```
### 方式三：npm 全局安装
```bash
npm install -g n8n
n8n
```
### 方式四：自托管（完整部署）
- PostgreSQL 数据库
- Redis（可选，缓存）
- Nginx 反向代理 + SSL
---
## 七、实用技巧与最佳实践 ⭐
### 7.1 选工具原则
> 能用低代码解决的不写代码，工具组合 > 单一工具打天下
**案例**：Excel 表处理 → 用 Excel 公式比用 n8n IF 节点更高效
### 7.2 自动化价值评估公式
```
改进价值 = 人工操作年成本 - 自动化改造成本
改造成本 < 1年人工成本 → 值得做
改造成本 > 6个月人工成本 → 放弃
```
### 7.3 调试技巧
- 先用 **Manual Trigger** 调试
- 查看每个节点的 **输入/输出数据**
- 使用 **Code 节点** 打印中间变量
### 7.4 错误处理
- 添加 **Error Trigger** 节点捕获异常
- 设置重试策略（指数退避）
- 使用 **IF** 节点做数据校验
---
## 八、知识地图
```
n8n
├── 概述（定位、特点、应用场景）
├── 核心概念 ⭐
│   ├── 工作流（生命周期 / 状态）
│   ├── 节点（类型 / 核心节点）
│   ├── 连接（数据流向）
│   └── 执行（触发方式 / 执行日志）
├── 触发器 ⭐
│   ├── Schedule（定时）
│   ├── Webhook（HTTP回调）⭐
│   ├── Manual（手动）
│   └── Application（事件驱动）
├── 表达式 ⭐⭐
│   ├── {{ }} 语法
│   ├── $json / $node / $input
│   └── 数据转换与运算
├── AI 集成 ⭐⭐
│   ├── AI Agent
│   ├── 大模型调用（OpenAI/GPT）
│   └── 文档处理（总结/翻译/问答）
├── 安装部署
│   ├── npx（开发）
│   ├── Docker（生产）⭐
│   └── 自托管（企业）
└── 最佳实践
    ├── 工具选择原则
    ├── 自动化价值评估
    └── 调试与错误处理
```
---
## ⭐ 核心记忆口诀
> **n8n 三要素**：节点连成工作流，触发启动数据动  
> **表达式精髓**：`{{$json.` 走天下，`if/else` 分支佳  
> **部署选 Docker**，生产稳定易维护  
> **AI 找 Agent**，GPT 调用是核心  
> **价值不够不上**，省时省力才值得

# AI 产品经理面试知识框架

## 一、面试核心维度总览
AI 产品经理面试分为 **六大维度**，难度逐层递进：
```
维度一：技术理解与算法基础（入门级★★★★☆）
维度二：AI 基础知识 ⭐⭐⭐⭐⭐（核心必考）
维度三：产品思维与 AI 产品化能力 ⭐⭐⭐⭐⭐（核心必考）
维度四：业务理解与行业洞察 ⭐⭐⭐⭐
维度五：项目管理与跨部门协作 ⭐⭐⭐
维度六：伦理合规与高阶思维 ⭐⭐⭐
```
---
## 二、维度一：技术理解与算法基础 ⭐⭐⭐⭐☆
### 2.1 AI 三层概念区分 ⭐⭐⭐⭐⭐（极高频）
| 概念 | 定义 | 关系 |
|------|------|------|
| **人工智能（AI）** | 让机器具有人类智能的科学与技术 | 最顶层 |
| **机器学习（ML）** | 从数据中自动学习规律的算法 | AI 的子集 |
| **深度学习（DL）** | 基于神经网络的机器学习方法 | ML 的子集 |
**记忆口诀**：「AI 是大家庭，ML 是学习方法，DL 是深层的神经网络」
---
### 2.2 机器学习三大范式 ⭐⭐⭐⭐⭐（高频）
| 范式 | 定义 | 典型场景 | 面试案例 |
|------|------|---------|---------|
| **监督学习** | 有标签数据训练 | 分类（垃圾邮件）、回归（房价预测） | 推荐系统 |
| **无监督学习** | 无标签，自动发现结构 | 聚类（用户分群）、降维 | 用户画像 |
| **强化学习** | 通过奖励信号学习策略 | 游戏 AI、机器人控制 | AI 下棋 |
---
### 2.3 五大经典算法 ⭐⭐⭐⭐（高频）
| 算法 | 一句话理解 | 典型应用 |
|------|---------|---------|
| **线性回归** | 用一条直线拟合数据 | 预测连续值（房价、点击率） |
| **决策树** | 逐层if-else分类 | 信贷审批、可解释分类 |
| **KNN（K近邻）** | "看邻居判断你是谁" | 推荐系统 |
| **SVM（支持向量机）** | 画最宽的线分隔两类 | 文本分类、图像分类 |
| **随机森林** | 100个老师投票，比单个更稳 | 集成学习、比赛常用 |
---
### 2.4 大模型核心知识 ⭐⭐⭐⭐⭐（最高频）
#### Transformer 架构 ⭐⭐⭐⭐⭐
- **Self-Attention（自注意力）**：每个词关注整个句子中所有词的关系
- **Multi-Head Attention**：多头并行关注不同语义关系
- **Positional Encoding**：位置编码，理解词序
- **VS RNN**：可并行、解决长距离依赖、效果更好
#### BERT / GPT 系列
| 模型 | 特点 | 面试重点 |
|------|------|---------|
| **BERT** | 双向编码，理解上下文 | 预训练 + 微调 |
| **GPT** | 单向生成，自回归 | 文本生成、对话 |
| **GPT-4** | 多模态 + 更大参数量 | 复杂推理 |
#### ⭐ Attention 机制（极高频）
```
Step 1: 计算 Query（查询）和 Key（键）的相似度
Step 2: Softmax 归一化得到注意力权重
Step 3: 用权重对 Value 加权求和
```
**作用**：让模型在处理每个词时，能关注到句子中最相关的部分
---
### 2.5 模型优化与评估 ⭐⭐⭐⭐
| 概念 | 定义 | 产品经理视角 |
|------|------|------------|
| **过拟合** | 模型在训练数据上很好，测试数据上差 | 数据不够多样，要扩数据、加正则 |
| **欠拟合** | 模型在训练数据上就很差 | 模型太简单，需要换算法 |
| **数据漂移（Data Drift）** | 线上数据分布变了，模型效果下降 | 需要产品机制监控，触发重训练 |
| **冷启动** | 新用户/新物品没有历史数据 | 用产品策略（问卷、规则）补充 |
**评估指标**：
- 分类：准确率、精确率、召回率、F1、AUC
- 回归：MAE、MSE、RMSE
- 生成：BLEU、ROUGE（文本）；人工评估（体验）
---
### 2.6 大模型调优技术 ⭐⭐⭐⭐
| 技术 | 原理 | 适用场景 |
|------|------|---------|
| **Fine-tuning（微调）** | 用行业数据继续训练通用模型 | 垂直领域适配 |
| **LoRA** | 低秩适配，只更新部分参数 | 资源有限，效果好 |
| **Prompt Engineering** | 通过提示词引导模型输出 | 无需训练，快速迭代 |
| **RAG** | 检索+生成，结合外部知识 | 知识库问答 |
| **模型蒸馏/剪枝** | 压缩大模型体积 | 端侧部署、成本优化 |
---
### 2.7 其他技术概念
| 概念 | 面试重点 |
|------|---------|
| **迁移学习** | 用 A 领域的知识解决 B 领域问题（如用 ImageNet 预训练模型做医学图像） |
| **多模态** | 文本+图像+音频融合（GPT-4V、DALL·E）|
| **模型可解释性** | 为什么模型给出这个答案？（SHAP、LIME） |
| **联邦学习** | 数据不出本地，保护隐私的分布式训练 |
---
## 三、维度二：AI 基础知识（系统梳理）⭐⭐⭐⭐⭐
### 3.1 AI 模型分类与应用场景
```
计算机视觉（CV）
├── 图像分类（ResNet、VGG）
├── 目标检测（YOLO）
├── 人脸识别
└── 图像生成（Stable Diffusion、DALL·E）
自然语言处理（NLP）
├── 文本分类 / 情感分析
├── 命名实体识别（NER）
├── 机器翻译
├── 文本生成（GPT系列）
└── 问答系统（RAG）
推荐系统
├── 协同过滤
├── 深度学习推荐（DeepFM、DIN）
└── 图神经网络推荐
生成式AI（AIGC）⭐⭐⭐⭐⭐
├── 文生文（ChatGPT、Claude）
├── 文生图（DALL·E、Midjourney、Stable Diffusion）
├── 文生视频（Sora、可灵）
└── 语音合成（TTS）
```
### 3.2 数据工程基础
| 环节 | 说明 | PM 需知道的 |
|------|------|-----------|
| 数据采集 | 埋点、日志、爬虫、购买 | 数据源质量和成本 |
| 数据清洗 | 去重、缺失值处理、异常值 | 数据质量决定模型上限 |
| 特征工程 | 从原始数据提取特征 | 理解特征重要性 |
| 数据标注 | 人工标注、质量控制 | 标注成本和效率 |
| 数据存储 | 数据湖、数据仓库 | Hudi、Iceberg 等 |
---
## 四、维度三：产品思维与 AI 产品化能力 ⭐⭐⭐⭐⭐
### 4.1 AI 产品 vs 普通产品的核心差异 ⭐⭐⭐⭐⭐
| 维度 | 普通产品 | AI 产品 |
|------|---------|---------|
| **迭代周期** | 需求驱动 | 数据+模型驱动 |
| **不确定性** | 需求相对确定 | 输出不可完全预测 |
| **体验衡量** | 功能指标 | 体验+模型效果双重指标 |
| **用户预期** | 确定性的标准答案 | 接受"大概率正确" |
| **PM 能力** | 需求分析、项目管理 | 需懂技术边界和模型能力 |
### 4.2 从 0 到 1 设计 AI 产品 ⭐⭐⭐⭐⭐（极高频）
**标准流程**：
```
Step 1: 明确业务问题 → AI 能解决吗？（AI匹配度评估）
Step 2: 数据评估 → 有数据吗？数据够吗？数据质量如何？
Step 3: 选型 → 用预训练模型 / 自训练 / 购买 API？
Step 4: POC 验证 → 最小可行方案验证效果
Step 5: 产品化设计 → 用户体验、易用性、容错机制
Step 6: 上线 & 监控 → 数据漂移监控、用户反馈闭环
```
### 4.3 AI 产品PRD 核心要素 ⭐⭐⭐⭐
- **模型选型**：为什么选这个模型？（成本、效果、延迟）
- **数据方案**：训练数据来源、标注方案、数据集规模
- **评估指标**：业务指标 + 模型指标双轨
- **冷启动方案**：新用户/新物品如何处理
- **兜底策略**：模型效果差时的备选方案
- **容错机制**：对幻觉、错误输出的处理
### 4.4 AI 产品商业化路径 ⭐⭐⭐⭐
| 模式 | 说明 | 案例 |
|------|------|------|
| **API 调用** | 按调用次数收费 | OpenAI、Claude API |
| **SaaS 订阅** | 月/年订阅，功能分级 | Midjourney、 Jasper |
| **平台抽佣** | 交易分成 | AI 应用市场 |
| **增值服务** | 私有化部署、专业支持 | 企业级 AI 解决方案 |
**API 定价核心维度**（⭐面试高频）：
1. **使用量**：Token 数量 / 调用次数
2. **模型能力**：基础版 vs 高级版
3. **服务质量**：QPS 限制、 SLA 保障
---
## 五、维度四：业务理解与行业洞察 ⭐⭐⭐⭐
### 5.1 主流 AI 应用领域
| 领域 | 落地场景 | 核心痛点 |
|------|---------|---------|
| **教育** | AI 批改、自适应学习、AI 口语陪练 | 个性化程度 |
| **医疗** | 辅助诊断、医学影像分析 | 准确性、合规 |
| **金融** | 智能风控、智能投顾、反欺诈 | 可解释性、监管 |
| **内容** | AIGC 写作、AI 生成视频 | 版权、幻觉 |
| **客服** | 智能客服、FAQ 机器人 | 对话自然度 |
| **办公** | AI 助手、会议纪要、PPT 生成 | 多模态整合 |
### 5.2 竞品分析方法
**AARRR 模型**（Acquisition-Activation-Revenue-Retention-Referral）：
- 用户获取 → 激活 → 变现 → 留存 → 传播
**AI 产品竞品分析维度**：
1. 模型能力（效果）
2. 产品体验（易用性）
3. 定价策略
4. 生态丰富度
5. 数据飞轮效应
---
## 六、维度五：项目管理与跨部门协作 ⭐⭐⭐
### 6.1 AI 项目管理特殊性
| 普通项目 | AI 项目 |
|---------|---------|
| 需求明确 | 需求边界模糊，效果不可完全预期 |
| 有明确交付物 | 模型效果"够不够"是主观的 |
| 瀑布式可行 | 需要快速迭代、数据闭环 |
| 工期可估 | 训练时间不确定，需缓冲 |
### 6.2 与算法/工程团队协作
- **PM 需要**：理解模型能力边界，能评估技术可行性
- **沟通语言**：准确率/召回率/BLEU → 业务语言（转化率/满意度）
- **需求对齐**：明确什么效果算"达标"，避免无限调优
### 6.3 敏捷在 AI 项目中的应用
```
Sprint 1: 数据收集 + POC 验证
Sprint 2: 模型选型 + 基线模型
Sprint 3: 模型调优 + 产品化
Sprint 4: 集成 + 测试 + 上线
```
---
## 七、维度六：伦理合规与高阶思维 ⭐⭐⭐
### 7.1 必考伦理问题 ⭐⭐⭐⭐
| 问题 | 面试要点 |
|------|---------|
| **数据隐私** | 个人信息收集合规（GDPR/个保法）、数据脱敏 |
| **数据偏见** | 训练数据不公平 → 模型输出歧视；如何识别和修正 |
| **算法透明度** | 用户有权知道 AI 决策逻辑吗？（可解释性） |
| **幻觉问题** | AI 一本正经说错误内容，如何产品化缓解？ |
| **深度伪造** | 换脸、声音克隆的监管与防范 |
### 7.2 AI 幻觉应对策略（产品方案）⭐⭐⭐⭐
1. **RAG**：外挂知识库，让模型基于真实文档回答
2. **Prompt 约束**：明确告诉模型"不知道时说不知道"
3. **置信度过滤**：低置信度答案降权或换人工
4. **人工复核**：关键场景保持人工审核
5. **用户教育**：告知用户 AI 可能有误，需核实
---
## 八、高频真题分类汇总 ⭐⭐⭐⭐⭐
### 8.1 入门级（必答）
| # | 问题 |
|---|------|
| 1 | 什么是机器学习？和深度学习的区别？ |
| 2 | 监督学习和无监督学习的区别？各举一个产品例子 |
| 3 | 什么是过拟合？如何避免？ |
| 4 | 解释 Transformer 和 Self-Attention |
| 5 | AI 产品经理和普通产品经理的区别是什么？ |
### 8.2 进阶级（核心高频）
| # | 问题 |
|---|------|
| 6 | 如何评估一个 AI 产品的效果？（业务指标 + 模型指标） |
| 7 | 如何设计一个 AI 问答产品？ |
| 8 | AI 幻觉问题怎么解决？ |
| 9 | 什么是 RAG？解决什么问题？ |
| 10 | 如何选择合适的 AI 模型？（选型维度） |
| 11 | 数据漂移是什么？如何监控和处理？ |
| 12 | 怎么给 AI 产品定价？ |
### 8.3 高阶级（资深岗重点）
| # | 问题 |
|---|------|
| 13 | 如何从 0 到 1 构建一个 AI 产品？完整流程是什么？ |
| 14 | AI 项目的技术风险如何评估和管理？ |
| 15 | 你认为 AI 的边界是什么？哪些场景 AI 做不了？ |
| 16 | AIGC 对现有产品生态的冲击和机会是什么？ |
| 17 | 如何设计一个 AI 产品的透明度说明机制？ |
| 18 | 大模型微调（LoRA/Fine-tuning）哪个更适合你的场景？ |
---
## 九、四周备考计划
```
第一周：AI 基础知识
├── 机器学习三大范式（监督/无监督/强化）
├── 五大经典算法（线性回归→随机森林）
├── Transformer + Attention 机制 ⭐⭐⭐⭐⭐
└── 模型评估指标 + 过拟合/欠拟合
第二周：AI 产品化能力
├── AI产品 vs 普通产品差异
├── 从0到1设计AI产品流程
├── PRD核心要素
└── 商业化路径 + 定价策略
第三周：实战模拟
├── 高频100题分类练习
├── 产品设计类问题模拟
├── 简历项目深挖（STAR法则）
└── 技术黑话翻译成业务语言
第四周：冲刺 + 行业洞察
├── 公司研究 + 面试官背景
├── 行业趋势（AIGC / 多模态 / Agent）
├── AI伦理 + 合规问题
└── 心态调整 + 表达训练
```
---
## ⭐ 核心记忆口诀
> **AI 三层**：AI > ML > DL，像俄罗斯套娃  
> **Attention**：查键求权，乘以值得输出  
> **AI产品经理三板斧**：懂技术边界、懂数据闭环、懂幻觉兜底  
> **模型调优**：RAG 加知识，LoRA 省算力，Prompt 是最快路  
> **幻觉应对**：RAG 检索、置信过滤、Prompt 约束、人工兜底  
> **技术选型**：成本、效果、延迟三维度，没有最好只有最适合
##