使用自架 Mistral NeMo 與 Ollama 進行結構化資料擷取 - n8n 工作流程

• 將資料隱私放在首位，選擇使用本地、自架 LLM 而非外部 API 的個人與組織。


• 使用 n8n 範本和 LangChain 功能來建構複雜 AI 鏈的開發人員與自動化專家。


• 需要從非結構化文字輸入中高可靠地擷取結構化資料的使用者。


• 任何使用 Ollama 來管理如 Mistral NeMo 這類本地大型語言模型的使用者。

資料擷取，特別是個人資料的擷取，需要高度的精確性，並且經常會引發隱私方面的擔憂。這個強大的 n8n 工作流程提供了解決方案，它利用自架的大型語言模型 (LLM)，特別是透過 Ollama 運行的 Mistral NeMo，確保敏感資料保留在您自己的基礎架構內。

這個 n8n 範本的核心價值在於其強健的資料驗證機制。它將嚴格的 JSON Schema（在「結構化輸出解析器」n8n 節點中定義）與「自動修正輸出解析器」相結合。此機制可確保，即使 LLM 的初始回覆未遵循所需的資料結構，n8n 節點也會自動再次提示模型進行修正，從而確保每一次輸出的 JSON 都是乾淨、可靠且標準化的。這個進階的 n8n 流程非常適合用於自動化客服資料記錄或聯絡人管理，同時又能遵守隱私標準。

此自動化流程始於 When chat message received n8n 觸發器所捕捉到的新訊息事件，進而啟動整個 n8n 工作流程。

1. 觸發與提示： n8n 觸發器將收到的訊息餵入 Basic LLM Chain n8n 節點。此鏈結將使用者訊息與特定的系統指示結合，引導模型依照 Schema 擷取資料。


2. 本地 LLM 處理： 此鏈結連接到 Ollama Chat Model，使用 mistral-nemo:latest 模型。該 LLM 在本地處理請求並生成初步的回應嘗試。


3. 結構化驗證： LLM 的回應會通過 Structured Output Parser（結構化輸出解析器）。此 n8n 節點會針對預先定義的 JSON Schema 嚴格檢查輸出內容，該 Schema 預期包含如 name（姓名）、surname（姓氏）和 commtype（聯絡類型）等欄位。


4. 錯誤修正（自動修復）： 如果輸出未通過 Schema 驗證，執行流程會進入 Auto-fixing Output Parser（自動修正輸出解析器）。這個關鍵的 n8n 節點會將新的、修正用的提示（prompt）傳送回同一個 Ollama LLM，並附上錯誤細節，迫使模型修正其原始的 JSON 輸出。


5. 最終輸出： 一旦獲得有效的 JSON 結構，資料便會被 Extract JSON Output (Set) n8n 節點捕捉，從而完成這個可靠的 n8n 工作流程的結構化資料擷取程序。

若要部署這個精密的 n8n 工作流程，請遵循以下步驟：

1. 前置作業： 您必須在本地運行 Ollama 或確保其在您的網路中可存取，並且 mistral-nemo:latest 模型必須已經拉取並準備就緒。


2. 匯入： 複製提供的 n8n 工作流程 JSON 資料，並使用 n8n 中的「新增 (New)」 -> 「從 JSON 匯入 (Import from JSON)」選項將其貼上。


3. Ollama 憑證設定： 開啟 Ollama Chat Model n8n 節點。點擊「憑證 (Credentials)」，然後設定一組新的 Ollama API 憑證，將其指向您的自架 Ollama 端點（例如：http://localhost:11434）。


4. 觸發器設定： 確保您的 When chat message received n8n 觸發器已正確設定，以便從您想要的通訊來源接收進來的資料（這通常需要針對該聊天平台設定 Webhook 或特定整合）。


5. Schema 審閱： 審閱 Structured Output Parser n8n 節點內的 JSON Schema，以確保所需的欄位符合您的精確業務需求。如果您更改了資料來源或 Schema，請修改 Basic LLM Chain 的提示內容。


6. 啟用： 儲存並啟用 n8n 工作流程以開始自動化作業。

此 n8n 工作流程依賴幾個專門的節點來達成其結構化資料擷取的目標：

When chat message received (n8n 觸發器)：
功能： 在收到聊天或訊息負載時啟動 n8n 工作流程。
關鍵設定： 作為非結構化文字的主要輸入機制。

Basic LLM Chain (n8n 節點)：
功能： 編排初始的 AI 請求，將系統指示（用於擷取資料）與使用者輸入相結合。
關鍵設定： 使用表達式動態地將當前日期（{{ $now.toISO() }}）包含在提示中，並設定為使用輸出解析器 (Output Parser)。

Ollama Chat Model (n8n 節點)：
功能： 作為 AI 處理的運算引擎，連接到本地的 Ollama 實例。
關鍵設定： 使用 mistral-nemo:latest 模型，並設定較低的溫度 (0.1) 以獲得決定性的輸出，同時利用如 useMLock 等功能來優化效能。

Structured Output Parser (n8n 節點)：
功能： 使用複雜的 JSON Schema 定義並強制執行所需輸出的確切結構，包括必要欄位（如 name、commtype）和特定的列舉值 (enums)。
關鍵設定： 輸入 Schema 指定了六個欄位，定義了資料類型和描述以確保可靠的擷取。

Auto-fixing Output Parser (n8n 節點)：
功能： 提供關鍵的錯誤恢復機制。如果 LLM 的回應未能滿足 Structured Output Parser 所設定的 Schema 要求，此 n8n 節點會透過重新提示模型來自動嘗試修正錯誤。