מהפכת ה-No-Code: יצירת תרחישים אוטומטית ב-N8N עם AI Co-Pilot

בעולם האוטומציה, רבים מבלים שעות יקרות ביצירת תרחישים (scenarios) בפלטפורמות כמו N8N או Make.com. אך מה אם הייתה דרך לייצר תרחישים אלו באופן אוטומטי, שתחסוך זמן, כאב ראש וכסף? במאמר זה, נצלול לעומק התהליך של בניית AI Co-Pilot – עוזר חכם מבוסס דפדפן (תוסף כרום) – שיכול ליצור עבורכם תרחישי N8N מורכבים בהתבסס על הנחיות טקסטואליות או אפילו תמונות. זהו צעד משמעותי בתחום של בינה מלאכותית שהיא לא רק צ'אט, אלא עולם שלם של אוטומציות ואינטגרציות.

מהו ה-AI Co-Pilot ליצירת תרחישים?

ה-AI Co-Pilot הוא למעשה תוסף כרום הפועל ברקע בזמן שאתם עובדים בפלטפורמת N8N. הוא מאפשר לכם לתאר במילים פשוטות (או באמצעות העלאת תמונה) את התרחיש שברצונכם לבנות. לדוגמה, תוכלו לבקש: "צור לי סוכן AI עם גישה ל-Airtable ול-Gmail". לאחר קבלת הבקשה, ה-Co-Pilot, באמצעות מערכת מורכבת של תרחישי N8N מאחורי הקלעים, ינתח את הבקשה וייצר עבורכם את קוד ה-JSON של התרחיש המבוקש, מוכן להעתקה והדבקה ישירות לתוך N8N.

העוזר החכם הזה מאומן על תיעוד נרחב של N8N ומאות דוגמאות של קובצי JSON, מה שמאפשר לו להבין את מבנה התרחישים וליצור אותם בצורה יעילה. אף על פי שהדוגמה מתמקדת ב-N8N, ניתן ליישם עקרונות דומים גם עבור פלטפורמות אחרות כמו Make.com.

כיצד המערכת עובדת? (סקירה כללית)

המערכת מורכבת משני חלקים עיקריים: תוסף הכרום (ה-Co-Pilot) והמנוע הלוגי מאחוריו (תרחישי N8N). התהליך מתבצע כך:

קלט משתמש: תוסף הכרום קולט את בקשת המשתמש (טקסט או תמונה) ישירות מהדפדפן.
שליחה ל-Webhook: הבקשה נשלחת ל-Webhook ייעודי בתרחיש N8N ראשי.
תרחיש ראשי ב-N8N (Agent Build): תרחיש זה מזהה אם הקלט הוא טקסט או תמונה. אם זו תמונה, הוא מנתח אותה באמצעות מודל AI (כגון GPT-4 Vision) כדי להבין את התהליך המתואר בה. לאחר מכן, הוא קורא לתרחיש N8N נוסף, "סוכן משנה", ומעביר אליו את המידע הרלוונטי. סוכנים אלו הם חלק מהדור הבא של סוכני AI.
תרחיש סוכן המשנה ב-N8N (Sub-agent Build): כאן מתבצע עיקר העבודה:
- שליפת נתונים מ-Airtable: התרחיש ניגש למאגר נתונים ב-Airtable המכיל תרחישי N8N קיימים, כולל מזהה (ID), תיאור קצר, תיאור ארוך וקוד ה-JSON המלא של כל תרחיש.
- ה "בורר הזהב" (Golden Selector): באמצעות מודל שפה גדול (LLM), המערכת סורקת את התיאורים הקצרים של כל התרחישים הקיימים ומזהה את שלושת התרחישים הרלוונטיים ביותר לבקשת המשתמש. טכניקה זו דומה לעקרונות של Agentic RAG לשליפת מידע חכמה.
- שליפת JSON מלא: לאחר זיהוי שלושת התרחישים הרלוונטיים, המערכת שולפת את קודי ה-JSON המלאים שלהם מהמאגר.
- יצירת התרחיש (Creator): LLM נוסף (ה"יוצר") מקבל את בקשת המשתמש המקורית ואת שלושת קודי ה-JSON לדוגמה, ויוצר על בסיסם קוד JSON חדש לתרחיש המבוקש.
- עריכה וליטוש (Editor): LLM שלישי (ה"עורך") בודק את ה-JSON שנוצר, מתקן שגיאות אפשריות ומבטיח שהוא תקין ומוכן לשימוש.
פלט: קוד ה-JSON הסופי מוחזר מהסוכן המשנה לתרחיש הראשי, ומשם הוא נשלח בחזרה לתוסף הכרום בדפדפן של המשתמש. המשתמש יכול להעתיק את הקוד ולהדביק אותו ישירות ב-N8N.

שלב 1: בניית ה-AI Co-Pilot (תוסף כרום)

ה-Co-Pilot הוא תוסף כרום שניתן לפתח באמצעות כלים ייעודיים ליצירת תוספים, או אפילו להיעזר ב-AI עצמו לכתיבת הקוד. כדי לקבל תוצאות ויזואליות טובות, מומלץ לספק ל-AI דוגמאות קוד ועיצוב (למשל מאתרים כמו CodePen.io).

הקבצים המרכזיים בתוסף כרום כוללים בדרך כלל:

manifest.json: קובץ ההגדרות הראשי של התוסף.
popup.html: מבנה ה-HTML של החלון הקופץ של התוסף (אם יש כזה).
popup.js: הלוגיקה של החלון הקופץ.
content.js: קובץ JavaScript שרץ בהקשר של דפי האינטרנט שהמשתמש גולש אליהם (במקרה שלנו, N8N).
popup.css: עיצוב ה-CSS.

התאמה אישית קריטית: בקובץ content.js (או בקובץ הלוגיקה הראשי של התוסף), יש להזין את כתובת ה-Webhook של תרחיש ה-N8N הראשי. חשוב לבצע עריכה זו באמצעות עורך טקסט פשוט (כמו TextEdit ב-Mac במצב Plain Text, או Notepad ב-Windows) כדי למנוע הוספת עיצובים בלתי רצויים לקוד.

לאחר הכנת קבצי התוסף, טוענים אותו לדפדפן כרום דרך עמוד התוספים (chrome://extensions), על ידי הפעלת "מצב מפתח" (Developer mode) ובחירה באפשרות "טען תוסף לא ארוז" (Load unpacked).

שלב 2: בניית תרחישי האוטומציה ב-N8N

המנוע הלוגי מאחורי ה-Co-Pilot מורכב משני תרחישי N8N עיקריים.

התרחיש הראשי (Agent Build)

טריגר Webhook: מקבל בקשות POST מתוסף הכרום. חשוב להגדיר את ה-Webhook כך שלא יגיב מיידית (Respond: Using 'Respond to Webhook' node).
מודול Switch: מפצל את הלוגיקה בהתאם לסוג הקלט – טקסט או תמונה. הבדיקה מתבצעת על השדה body.command שמכיל את הטקסט. אם הוא ריק, מניחים שהקלט הוא תמונה (שנשלחת בשדה אחר, למשל imageFile).
מסלול טקסט:
- מודול Set: שומר את הטקסט מהשדה body.command במשתנה (למשל, whatUserWants).
מסלול תמונה:
- מודול OpenAI (Analyze an Image): משתמש במודל כמו GPT-4 Vision או O4 Mini של OpenAI (או כלים דומים) כדי לנתח את התמונה. הפרומפט יכול להיות "Describe the steps involved in the workflow". מומלץ להוסיף לפרומפט מידע קונטקסטואלי על N8N כדי לשפר את דיוק הניתוח. בחירת מודל ה-AI הנכון למשימה היא קריטית כאן.
- מודול Set: שומר את הפלט הטקסטואלי של ניתוח התמונה במשתנה whatUserWants.
מודול Execute Workflow: קורא לתרחיש המשנה ("Sub-agent Build") ומעביר אליו את המשתנים whatUserWants ו-workflowId (מזהה ייחודי לשיחה, יכול לשמש למימוש זיכרון עתידי).
מודול Respond to Webhook: מחזיר את קוד ה-JSON הסופי (שמתקבל מה-sub-agent) בחזרה לתוסף הכרום.

תרחיש המשנה (Sub-agent Build)

טריגר 'When executed by another workflow': מופעל על ידי התרחיש הראשי.
מודול Set: קולט את הפרמטרים whatUserWants ו-workflowId. (לצורכי בדיקה, ניתן להוסיף טריגר ידני עם נתונים לדוגמה).
מודול Airtable (Get Data / Search Records): שולף את כל הרשומות מבסיס נתונים ייעודי ב-Airtable. כל רשומה מייצגת תרחיש N8N קיים ומכילה שדות כמו ID, תיאור קצר, תיאור ארוך, וחשוב מכל – קוד ה-JSON המלא של התרחיש.
מודול Code (עיבוד ראשוני – "WD40"): מקבל כקלט את כל הרשומות מ-Airtable. מטרתו היא ליצור פלט טקסטואלי מצומצם המכיל רק את ה-ID והתיאור הקצר של כל תרחיש. זה מפחית את כמות המידע שנשלחת ל-LLM בשלב הבא וחוסך עלויות עיבוד.
מודול OpenAI ("בורר הזהב" - Golden Selector): משתמש ב-LLM. הפרומפט למערכת (System Prompt) מנחה אותו לבחור שלושה תרחישים המתאימים ביותר לבקשת המשתמש, ולהחזיר רק את מספרי ה-ID שלהם במערך JSON (למשל: [1, 59, 11]). הודעת המשתמש (User Message) מכילה את בקשת המשתמש (whatUserWants) ואת רשימת ה-ID והתיאורים הקצרים שנוצרה במודול ה-Code הקודם. ניתן להתעמק בפענוח מודלי הבינה המלאכותית של OpenAI כדי לבחור את המודל היעיל ביותר.
מודול Code (שליפת JSON מלא לדוגמאות): מקבל כקלט את שלושת ה-ID שנבחרו על ידי ה"בורר הזהב", ואת כל הנתונים המקוריים שנקראו מ-Airtable. הוא מאתר ומחזיר את קודי ה-JSON המלאים של שלושת התרחישים הנבחרים.
מודול OpenAI ("היוצר" - Creator): ה-LLM הזה מקבל פרומפט מערכת מורכב המגדיר אותו כמומחה ביצירת JSON-ים של N8N, עם בסיס ידע על מבנה התרחישים, דוגמאות וכו'. הודעת המשתמש מכילה את בקשת המשתמש המקורית (whatUserWants) ואת שלושת קודי ה-JSON המלאים שנשלפו כדוגמאות. על בסיס כל זה, ה"יוצר" מייצר קוד JSON חדש לתרחיש המבוקש.
מודול OpenAI ("העורך" - Editor): ה-LLM האחרון בתהליך. הוא מקבל את ה-JSON שנוצר על ידי ה"יוצר". פרומפט המערכת שלו מנחה אותו לבדוק את ה-JSON, לתקן שגיאות נפוצות (ניתן לאמן אותו על דוגמאות של שגיאות ותיקונים), ולוודא שהקוד תקין ומוכן לשימוש. הפלט שלו הוא קוד ה-JSON הסופי שיוחזר למשתמש. ישנם כלים כמו Augment Code שיכולים להוות אלטרנטיבה חינמית ועוצמתית לקידוד בעזרת AI בתהליכים דומים.

מגבלות ושיפורים עתידיים

חשוב לציין שמערכת זו, כפי שהוצגה, היא "דור ראשון" ואינה מושלמת ב-100% מהמקרים. הצלחתה תלויה מאוד באיכות וכמות הנתונים (דוגמאות התרחישים) במאגר ה-Airtable, ובאיכות ההנחיות (prompts) שניתנות למודלי ה-LLM. טיפול בתמלול אוטומטי של בקשות קוליות, או שילוב של תמלול עם צילום מסך, עשויים לשפר את הבנת הבקשה.

שיפורים עתידיים אפשריים כוללים:

זיכרון (Memory): הוספת יכולת לנהל שיחה עם ה-AI Co-Pilot. אם הקוד שנוצר אינו מושלם, המשתמש יוכל לבקש תיקונים באופן אינטראקטיבי.
ייבוא תרחישים קיימים: אפשרות למשתמש להעלות קובץ JSON של תרחיש קיים, וה-AI ינתח אותו או ישתמש בו כבסיס ליצירת תרחיש חדש.
הבחנה בין פלטפורמות: יכולת להתאים את הפלט באופן אוטומטי ל-N8N או ל-Make.com (או פלטפורמות אחרות) בהתאם לצורך.
שילוב כלים מתקדמים: שימוש בכלים כמו Context 7 לשדרוג סייעני קוד עם גישה לתיעוד עדכני יכול לשפר את איכות הקוד הנוצר.
יעילות וחיסכון בעלויות: בחינת מודלים כמו Gemini 2.5 Pro ו-Flash יכולה לעזור בייעול וחיסכון בעלויות הרצת המודלים.

הכיוון הכללי הוא חלק ממפת הדרכים לעתיד הבינה המלאכותית, הכוללת מודלים חדשים וסוכנים חכמים יותר.

סיכום

בניית AI Co-Pilot ליצירת תרחישי אוטומציה ב-N8N היא דוגמה מרתקת לכוחה של הבינה המלאכותית בייעול תהליכי עבודה מורכבים. על אף שהפתרון שהוצג כאן הוא בסיסי ודורש עוד פיתוח, הוא מדגים את הפוטנציאל העצום הטמון בגישה זו. אנו מקווים שמאמר זה יעורר בכם השראה ויעודד אתכם לחקור, לבנות ולהרחיב פתרונות דומים, ובכך להמשיך ולדחוף את גבולות האפשרי בעולם האוטומציה וה-AI.