每15分钟用Gemini给B2B订单做异常风险审查

原文要点

原模板说明：n8n 每15分钟跑一次，从 Google Sheets 的 Orders 取第一条 Pending 经销商订单，再查 Customers、Order_History、Products、Credit、Returns，计算历史均值/峰值，把订单、客户、信用占用、退货指标打包给 Google Gemini 输出结构化风险；结果写回订单行，状态为 Approved 或 Under Review，需审订单追加 Review_Cases 并发 Slack，Audit_Log 记录模型名与最终决定。页面要求 Service Account、Sheet ID、Slack channel、Gemini(Google PaLM) 凭据。

这次做成什么

在 n8n 搭一个可练习的“每15分钟审一条B2B订单”流程：调度触发→读取/关联→计算指标→Gemini 风险评估→分支写回与告警。本站不给出可导入原工作流 JSON，只给独立字段设计、提示词和合成数据，界面参数需以原模板核对。

准备什么

• n8n 可用实例与 Google Sheets Service Account 凭据，表格已共享给服务账号邮箱
• 一个练习 Google Sheet，含 Orders/Customers/Order_History/Products/Credit/Returns/Review_Cases/Audit_Log 八个标签页
• Slack OAuth 可发帖凭据与测试频道 ID，Gemini(Google PaLM) API 凭据
• 只用合成订单与隔离测试表，不连接真实经销商资金或生产 Slack

具体怎么做

1. 建表与字段

   在练习表建八个标签页。Orders 至少含 Order_ID,Status,Customer_ID,SKU,Quantity,Order_Value,Currency,Risk_Level,Risk_Score,Risk_Reason；Customers 含 Customer_ID,Tier,Country；Credit 含 Customer_ID,Credit_Limit,Open_Balance；Returns 含 Customer_ID,Return_Rate_90d；Audit_Log 含 Run_At,Order_ID,Model,Decision。填入下方合成 CSV。

2. 配置触发与读取

   n8n 用 Schedule Trigger 每15分钟；Google Sheets 节点读 Orders，Filter 设 Status 等于 Pending，Limit 1。Config/Set 节点放 SHEET_ID、SLACK_CHANNEL_ID、CURRENCY_SYMBOL、MODEL_NAME，均指向练习值。

3. 关联与计算

   用 Customer_ID 关联 Customers/Credit/Returns，用 SKU 关联 Products，用 Customer_ID 汇总 Order_History 的 Avg_Order_Value 与 Max_Order_Value。Code 节点输出 context：order、customer、creditUtilization=Order_Value/(Credit_Limit-Open_Balance)、valueVsAvg、returnRate。

4. AI 审查与分支

   把 context 作为 JSON 传给 Gemini Chat，系统提示词用下方 artifact，要求只返回 JSON。IF 节点按 risk_level 为 high 或 status 建议为 Under Review 分支：否则写回 Approved；是则写回 Under Review、追加 Review_Cases、Slack 发帖；最后 Audit_Log 追加模型名、分数、决定。

可直接复制的材料

你是B2B经销商订单异常审查员。只能使用输入JSON中的事实，不得编造客户、库存或付款信息。输出严格JSON，不要Markdown：{"risk_level":"low|medium|high","risk_score":0-100整数,"risk_reason":"中文一句，引用具体字段","recommended_status":"Approved|Under Review","checks":["信用占用","历史金额偏离","退货率","产品或客户信息缺失"]}。规则：creditUtilization>0.9或字段缺失至少medium；Order_Value>2*Avg_Order_Value且Return_Rate_90d>0.15建议high；证据不足给medium并说明缺失。输入：{{$json.context}}

Order_ID,Status,Customer_ID,SKU,Quantity,Order_Value,Currency
SO-9001,Pending,C-100,SKU-ALU-Frame,12,18600,CNY
SO-9002,Pending,C-200,SKU-VALVE-9,3,4200,CNY

{"SHEET_ID":"练习表ID_替换","SLACK_CHANNEL_ID":"C0TEST123","CURRENCY_SYMBOL":"¥","MODEL_NAME":"gemini-chat-以凭据为准","REVIEW_TAB":"Review_Cases","AUDIT_TAB":"Audit_Log"}

输入与输出示例

本站虚构演示，未调用 Gemini 或原模板；分支路径按原模板描述设计。

输入

Orders 合成行 SO-9001：Customer_ID=C-100, SKU=SKU-ALU-Frame, Quantity=12, Order_Value=18600 CNY；Credit 显示 Credit_Limit=20000, Open_Balance=4000；Order_History 均值 6000、峰值 15000；Returns 90天退货率0.18。

对应输出

Gemini 应返回示意：{"risk_level":"high","risk_score":86,"risk_reason":"信用占用约116%且订单额18600高于历史均值6000并叠加退货率0.18","recommended_status":"Under Review"}；n8n 把 Orders.Risk_Level 写 high、Status 写 Under Review，Review_Cases 追加 SO-9001，Slack 收到告警，Audit_Log 记录 MODEL_NAME 与 Under Review。

做完检查这些

• Schedule Trigger 间隔为15分钟，且每次只取 Status=Pending 的第一条练习订单
• context 中能看到 Order_Value、Avg_Order_Value、Max_Order_Value、creditUtilization、Return_Rate_90d 五个字段
• Gemini 输出可被 JSON Parse 解析，含 risk_level/risk_score/risk_reason/recommended_status 四键
• high 或 Under Review 时同时写回 Orders、追加 Review_Cases、发 Slack、写 Audit_Log；low 时只写回 Approved 与审计

容易卡住的地方

• 服务账号未共享表格会读不到 Sheets；Slack 缺 chat:write 或频道未邀请应用会发帖失败
• Credit_Limit-Open_Balance 为0时信用占用会除零，要在 Code 节点先判空
• Gemini 返回多余文字会导致 JSON Parse 失败，提示词必须禁止Markdown并做错误分支
• 每15分钟只处理一条会积压，峰值时段不要据此承诺清库速度