多门店巡检笔记自动分级与风险汇总

原文要点

原模板是免费n8n工作流：每天07:00定时触发，拉取一批多门店巡店笔记并逐店拆分；用OpenAI信息提取器把每条笔记分类为违规类别、严重度、法规条款和整改建议；按严重度算整改期限（严重=10天、重大=30天、轻微=90天）写入Google Sheets“Compliance Log”；汇总成区域风险分写入“Compliance Summary”；超阈值先发Gmail升级告警再发当日汇总；Sheets与Gmail节点均设onError=continueRegularOutput加重试3次间隔2000毫秒，单店出错不阻塞整批。

这次做成什么

搭建一个每天清晨自动运行的多门店巡检流水线：批量巡店笔记→逐店AI分类分级→按规则算整改期限→写两张Sheets表→算区域风险分→超阈值先告警再发日报。本站独立设计一个3门店合成数据的练习方案，复刻原模板的分级规则与分支逻辑。

准备什么

• 一个可用的OpenAI API Key，能调用聊天模型输出结构化JSON
• 一个Google账号，已建含Compliance Log与Compliance Summary两个标签页的表格
• 一个完成OAuth2授权的Gmail账号，用于发告警和日报邮件
• n8n实例（云端或自托管），能使用Schedule Trigger、OpenAI、Google Sheets、Gmail节点
• 练习用巡店笔记来源，本指南用合成的三门店JSON代替真实巡检系统

具体怎么做

1. 建表与定时触发

   在Google Sheets新建表格，建两个标签页：Compliance Log列依次为date、location_id、location_name、violation_category、severity、code_section、corrective_action、deadline；Compliance Summary列依次为date、locations_processed、critical_count、major_count、minor_count、risk_score、escalated。n8n里放Schedule Trigger，设为每天07:00并选对本地时区。

2. 接入批量笔记并逐店拆分

   原模板此处是演示数据节点，练习时直接粘贴下文artifacts里的三门店合成JSON；接Split Out节点按数组拆成每店一条记录。正式使用时把这一步换成数据库、API或Sheets读取节点，输出字段保持location_id、location_name、note三项。

3. AI提取违规信息

   挂OpenAI信息提取器（Information Extractor），连接OpenAI凭据，系统提示词用下方artifacts中的完整提示词，输入为当前门店的note文本，要求输出violation_category、severity（critical/major/minor）、code_section、corrective_action四个字段的结构化JSON。

4. 计算整改期限并写日志

   用Code节点按severity映射期限天数：critical加10天、major加30天、minor加90天，以当天日期为基准算出deadline；然后Append Row写入Compliance Log，按第一步的列序做字段映射。

5. 汇总风险分并分支发信

   把本批所有门店记录聚合进Code节点（代码见artifacts），算出critical_count、major_count、minor_count和risk_score，追加一行到Compliance Summary。接IF节点判断risk_score是否超过阈值（示例设10）或critical_count≥2：是则先发Gmail升级告警邮件，无论是否升级都继续发当日汇总邮件，正文逐店列出严重度和整改期限。

6. 配置容错

   在所有Google Sheets与Gmail节点上开启retryOnFail（重试3次、间隔2000毫秒）并把onError设为continueRegularOutput，保证单个门店的接口抖动不会中断整批处理和日报发送。

可直接复制的材料

你是连锁餐饮门店卫生巡检的合规分析员。用户会给你一条某门店的巡店笔记原文。请只依据笔记内容，输出严格JSON，不要输出任何其他文字。字段要求：
violation_category：违规类别，从以下选一：食品温度控制、交叉污染、员工卫生、设备清洁、害虫防治、储存与标识、其他。
severity：严重度，只能是 critical（可能造成即时食品安全危害）、major（明显违规但非即时危害）、minor（轻微不规范）三者之一。
code_section：对应的内部合规条款编号，格式如 FS-3.2，若无法判断填 FS-0.0。
corrective_action：一句话整改建议，说明做什么、达到什么状态。
若笔记中没有发现任何违规，severity填minor，violation_category填其他，corrective_action填“未发现违规，保持现有操作”。

// 输入：本批所有门店的提取结果数组 items
// 权重：critical=5分，major=2分，minor=1分
const CRITICAL_COUNT_THRESHOLD = 2;
const RISK_SCORE_THRESHOLD = 10;
let critical=0, major=0, minor=0;
for (const item of $input.all()) {
  const s = item.json.severity;
  if (s === 'critical') critical++;
  else if (s === 'major') major++;
  else minor++;
}
const riskScore = critical*5 + major*2 + minor*1;
const escalated = critical >= CRITICAL_COUNT_THRESHOLD || riskScore >= RISK_SCORE_THRESHOLD;
return [{ json: {
  date: new Date().toISOString().slice(0,10),
  locations_processed: $input.all().length,
  critical_count: critical, major_count: major, minor_count: minor,
  risk_score: riskScore, escalated: escalated
} }];

[
  {"location_id":"SH-101","location_name":"上海静安店","note":"冷库温度计显示8度，高于规定的4度上限；生鸡肉与即食沙拉放在同一层货架。员工洗手液用完未补充。"},
  {"location_id":"SH-102","location_name":"上海徐汇店","note":"炸炉油温正常，地面有少量油渍已当场清理；一名员工未戴发网操作。"},
  {"location_id":"HZ-201","location_name":"杭州西湖店","note":"灭蝇灯损坏两周未更换，后厨发现一处蟑螂痕迹；食材进货标签齐全，冷藏温度正常。"}
]

输入与输出示例

本站虚构演示输出，未实际调用OpenAI，真实分类结果以模型返回为准。

输入

门店SH-101的巡店笔记：冷库温度计显示8度，高于规定的4度上限；生鸡肉与即食沙拉放在同一层货架；员工洗手液用完未补充。

对应输出

{"violation_category":"食品温度控制","severity":"critical","code_section":"FS-3.2","corrective_action":"立即检修冷库制冷设备并将温度降至4度以下，生熟食材分层隔离存放，当日补充洗手液。"} 假设运行日为2026-09-15，deadline=2026-09-25（critical加10天）。该批次三店合计critical=1、major=1、minor=1时risk_score=8，低于阈值10，只发日报不发升级告警。

做完检查这些

• Schedule Trigger改为手动执行一次，Compliance Log应新增3行，每行severity与deadline齐全且期限天数与严重度对应
• Compliance Summary新增一行，risk_score等于本批critical×5+major×2+minor×1，escalated布尔值与阈值判断一致
• 把合成数据中critical门店改为2家后再跑一次，应收到升级告警邮件且日报邮件照常送达
• 人为断开一个Sheets节点的凭据再运行，其余门店记录仍写入，工作流不整体报错中断

容易卡住的地方

• 原模板自带的是演示批次数据，不接真实巡检来源则每天只会重复处理同样的示例记录
• AI判定的严重度是辅助判断，边界案例需要人工抽查，期限和升级分支才是确定性规则
• 两张Sheets标签页的列名与顺序必须与Append节点的字段映射一致，否则写入错位或失败
• Gmail与Sheets节点要逐一开启重试和continueRegularOutput，漏配一个节点就可能阻塞整批
• 每天每店一次OpenAI调用，门店量大时仍需自行估算API额度