货运签到风险看板

原文要点

这是一条免费 n8n 模板：司机或调度端向 webhook POST 至少含 load_id 和状态文本的签到，缺字段就在 Google Sheets 的 Errors 表追加错误行并发 Discord 提醒。有效签到交 gpt-6-luna 抽取标准化状态、ETA、延误原因、风险等级和可对客户说的文本，再对照 Load Board 表的 delivery_appt 计算迟到程度，严重晚点升级为 exception。签到写入 Check Log 并更新看板行，按风险分别发 Discord、客户 Gmail、ops 升级或送达确认；每天 07:00 扫描安静和临期运单生成调度简报。需要 Sheets/Gmail OAuth2、OpenAI、Discord bot 四种凭据。

这次做成什么

在自己的 n8n 里搭一条缩小版练习流程：webhook 收签到→字段校验→AI 抽取风险→写三张表的模拟看板→按风险分支输出，用合成数据先跑通触发与分支逻辑。

准备什么

• 一个可访问的 n8n 实例（自托管或云端）和创建 webhook 的权限
• 一个 OpenAI API 密钥或等效聊天模型账号（模板用 gpt-6-luna，练习可换成本账号可用模型）
• 一个测试用 Google 账号及 Sheets OAuth2 凭据，或先用本地 CSV 模拟三张表
• 可选：测试用 Discord 服务器 bot token 与 Gmail 凭据，练习阶段可用日志节点替代

具体怎么做

1. 建三张表

   在测试 Google Sheets 文件里建 Load Board、Check Log、Errors 三个工作表。Load Board 列：load_id、driver_name、delivery_appt、customer_email、status、risk、last_check_in。Check Log 列：check_in_id、load_id、received_at、raw_status、normalized_status、eta、delay_reason、risk、customer_note。Errors 列：received_at、payload、reason。先手动往 Load Board 填两行合成运单。

2. 建 webhook 与校验

   在 n8n 新建工作流，添加 Webhook 触发器（POST，路径如 /driver-check-in），复制测试 URL。接一个 IF 节点判断 load_id 与 status 字段均非空：不满足时走假分支，用 Google Sheets Append 写 Errors 行（reason 填 missing_field），并用日志节点代替 Discord 提醒；满足时进主分支。

3. AI 抽取与迟到计算

   主分支接 HTTP Request 或 OpenAI 节点，用下方提示词把司机原文转成 JSON（状态、ETA、延误原因、risk、customer_note）。随后用 Google Sheets Lookup 在 Load Board 按 load_id 找到 delivery_appt，用 Code 节点计算 ETA 与预约时间的差值分钟数；超过 120 分钟时把 risk 改写为 exception。

4. 写表与风险分支

   追加一行 Check Log，并用 Google Sheets Update 按 load_id 更新 Load Board 的 status、risk、last_check_in。再接 Switch 节点按 risk 分支：normal 只记日志；at_risk 输出客户通知文本与调度提醒；exception 额外输出 ops 升级文本；normalized_status 为 delivered 时输出送达确认。练习阶段全部写到执行日志，不接真实邮件和 Discord。

5. 每日简报练习

   另加 Schedule Trigger 设为 07:00，读取 Load Board，筛选 last_check_in 距今超过 12 小时或 delivery_appt 在 24 小时内的行，拼接后用同一 AI 节点生成三行调度简报，先写入日志验证筛选条件正确再考虑接通知渠道。

可直接复制的材料

{
  "load_id": "LD-1001",
  "driver_name": "测试司机甲",
  "status": "刚过绥中服务区，堵车大概一小时，预计下午四点半到仓",
  "location": "G1 高速绥中段",
  "eta_text": "2026-10-12 16:30",
  "notes": "冷藏车，温度正常",
  "source": "driver_app"
}

你是货运调度助手。根据下面的司机签到原文，只输出一个 JSON 对象，不要输出任何其他文字或代码块标记。
字段要求：
- normalized_status：只能是 in_transit、delayed、arrived、delivered、issue 之一
- eta_iso：把 ETA 转成 ISO 8601 格式，无法判断就填 null
- delay_minutes：延误分钟数的整数估计，无延误填 0
- delay_reason：一句话延误原因，无则填空字符串
- risk：normal、watch、at_risk 三选一（是否升级 exception 由后续流程按预约时间判定，你不要输出 exception）
- customer_note：一段可以直接发给收货客户的中文说明，语气平稳、不超过 60 字，不要承诺做不到的时间
司机签到原文：
{{$json.status}}
附加信息：位置 {{$json.location}}，自述 ETA {{$json.eta_text}}，备注 {{$json.notes}}

你是值班调度员。下面是今日需要关注的运单列表（JSON 数组，含 load_id、司机、状态、风险、最近签到时间、交付预约）。请输出：1）一行总体概况；2）按风险从高到低列出每条运单一句话处置建议；3）一句提醒（如某车超过 12 小时无签到）。全部中文，总长度不超过 200 字，不要编造列表之外的信息。
运单列表：
{{$json.loads}}

输入与输出示例

本站虚构演示，AI 实际输出每次可能不同，数字仅说明字段对应关系，非调用结果。

输入

POST /driver-check-in，Body 为上方测试 JSON：load_id=LD-1001，司机报堵车预计 16:30 到；Load Board 中 LD-1001 的 delivery_appt 为 2026-10-12 15:00，customer_email 为 kehu@example.test。

对应输出

AI 抽取示例：{"normalized_status":"delayed","eta_iso":"2026-10-12T16:30:00+08:00","delay_minutes":90,"delay_reason":"G1 高速绥中段堵车","risk":"at_risk","customer_note":"您的货物因高速拥堵预计 16:30 送达，比预约晚约 90 分钟，我们持续跟踪。"}。迟到计算 90 分钟，未超 120 分钟阈值，保持 at_risk：Check Log 追加一行，Load Board 该行 status 更新为 delayed、risk 为 at_risk，输出一条客户通知文本和一条调度提醒到日志。

做完检查这些

• 缺少 load_id 的请求会在 Errors 表新增一行且 reason 为 missing_field，不进入 AI 抽取
• 有效签到后 Check Log 行数加一，Load Board 对应行的 last_check_in 变为本次接收时间
• ETA 比 delivery_appt 晚超过 120 分钟时 risk 被流程改写为 exception 并触发 ops 分支
• 07:00 定时运行能列出超过 12 小时未签到的运单并生成不超过 200 字的简报

容易卡住的地方

• 模板用 gpt-6-luna，你的 OpenAI 账号未必有该模型，需换成账号可用模型并同步改节点配置
• 字段名必须与 Sheets 列名完全一致（load_id、delivery_appt 等），大小写不一致会导致更新找不到行
• 迟到阈值 120 分钟是本站练习设定，原模板只说严重晚点升级 exception，具体阈值需自行决定
• 练习阶段不要填真实客户邮箱，改用 example.test 域名避免误发邮件
• 每天 07:00 的时区以 n8n 实例设置为准，自托管默认可能是 UTC，需在设置里确认