博物馆微气候异常自动分级与派单

原文要点

这是Swapnil Mandloi发布的付费n8n模板：定时器每30分钟扫描一次，从传感器厂商HTTP API取各展厅温湿度，与Postgres中上次读数比对，只保留超过RH或温度变化阈值的读数；超阈值的读数经OpenAI结构化抽取得到文保风险评估与建议响应窗口，再与实测差值合成严重度并分为watch/urgent/critical三路，分别建Jira工单、发Slack告警、把证据JSON归档到Google Drive，最后把新快照写回Postgres。作者称配置耗时约35–50分钟，外部动作失败重试3次间隔2秒。

这次做成什么

在自有n8n实例中照此思路搭一条博物馆微气候异常分级派单练习流：定时拉取模拟传感器数据→与Postgres上次快照比对→仅对超阈值展厅调用AI风险评估→按严重度分流到Jira/Slack/Drive→写回快照。原模板需付费购买，本页是本站按其公开说明独立设计的等价练习方案，不是原工作流文件；OpenAI、Jira等第三方服务可能另行收费。

准备什么

• 自托管或n8n Cloud实例，且可访问外网HTTP节点
• 一个可用的PostgreSQL数据库及具备建表、读写权限的账号
• OpenAI API Key（建议用便宜的mini级模型做练习）
• Jira项目、Slack Bot、Google Drive账号，练习时可先换成邮箱或Webhook占位
• 本页下方提供的合成展厅测试数据，不连接真实传感器

具体怎么做

1. 建状态表与快照表

   在Postgres执行下方DDL：prior_state表按zone_id存上次温湿度，snapshots表存每次运行的captured_at与readings_json审计记录。先用INSERT写入3个展厅的基线读数（如A厅温度20.0、湿度50.0）。

2. 定时触发并拉取传感器读数

   添加Schedule Trigger设为每30分钟；接HTTP Request节点指向传感器API（练习时改用Mock接口或Webhook.site返回下方合成JSON），Header带上厂商凭据；再用Postgres节点SELECT prior_state全表，把两路数据用Merge按zone_id对齐。

3. 计算差值并过滤超阈值读数

   在Code节点对每个zone计算Δtemp与ΔRH绝对值，只保留ΔRH≥4个百分点或Δtemp≥1.5℃的展厅（阈值按自己政策改），输出changed数组；无异常时走空分支直接写快照，不调用AI以省钱。

4. AI结构化风险评估

   用OpenAI节点配Structured Output，粘贴下方评估提示词，把changed数组中每条读数连同差值一起送入，要求返回risk_level、evidence、response_window_hours三个字段；随后Code节点把AI结果与差值合成severity=基础分+差值加权，映射为watch/urgent/critical。

5. 按严重度三路分流

   Switch节点按route分流：watch建Jira工单（填项目Key、摘要含zone_id与差值），urgent额外发Slack告警到指定频道，critical两者都做并把该条证据JSON上传到Google Drive指定文件夹；三路用Merge汇合。

6. 写回快照并试跑

   最后用Postgres节点把本次全部读数INSERT进snapshots并UPSERT更新prior_state；手动Execute一次，确认只有超阈值的展厅产生工单/消息，基线数据第二次跑时应无异常。

可直接复制的材料

CREATE TABLE prior_state (
  zone_id TEXT PRIMARY KEY,
  temperature_c NUMERIC(5,2) NOT NULL,
  rh_pct NUMERIC(5,2) NOT NULL,
  updated_at TIMESTAMPTZ DEFAULT now()
);
CREATE TABLE snapshots (
  id BIGSERIAL PRIMARY KEY,
  captured_at TIMESTAMPTZ NOT NULL DEFAULT now(),
  readings_json JSONB NOT NULL
);
INSERT INTO prior_state (zone_id, temperature_c, rh_pct) VALUES
  ('hall-a', 20.0, 50.0),
  ('hall-b', 21.0, 55.0),
  ('hall-c', 19.5, 48.0);

你是博物馆预防性保护助理。下面是某展厅相对于上次读数的微气候变化数据（JSON）：
{"zone_id":"{{zone_id}}","temperature_c":{{temperature_c}},"rh_pct":{{rh_pct}},"delta_temp_c":{{delta_temp_c}},"delta_rh_pct":{{delta_rh_pct}}}
请只输出JSON，不要输出其他文字，字段如下：
risk_level：low/medium/high 之一，依据纸质、纺织品与木质藏品对湿度骤变的常见敏感性判断；
evidence：一句话说明判断依据，引用具体差值；
response_window_hours：建议多少小时内到场处理，high不超过4小时，medium不超过24小时，low不超过72小时。

[
  {"zone_id":"hall-a","temperature_c":20.3,"rh_pct":50.8},
  {"zone_id":"hall-b","temperature_c":23.4,"rh_pct":62.5},
  {"zone_id":"hall-c","temperature_c":19.6,"rh_pct":48.2}
]

输入与输出示例

本站虚构演示输出，字段与上方提示词约定一致，非原作者运行结果

输入

hall-b本次读数temperature_c=23.4、rh_pct=62.5，基线为21.0/55.0，即Δtemp=2.4℃、ΔRH=7.5个百分点，超过阈值

对应输出

{"zone_id":"hall-b","risk_level":"high","evidence":"相对湿度半小时内上升7.5个百分点并伴随2.4℃升温，纸张与纺织品藏品存在吸湿变形风险","response_window_hours":4,"route":"urgent"}

做完检查这些

• 第二次手动运行时无新差值，OpenAI节点不触发，Jira与Slack均无新增内容
• hall-b测试数据触发后，Jira工单摘要中包含zone_id=hall-b与ΔRH=7.5
• snapshots表每次运行新增一行且readings_json包含全部3个展厅读数
• prior_state在运行后更新为本次读数，供下一轮比对

容易卡住的地方

• 原模板需付费购买，本页为等价练习方案，节点名与按钮位置需以你实际导入或自建的流程为准
• 传感器标签可能暴露藏品位置，Drive/Jira/数据库权限要按最小化原则配置
• AI评估不替代文保人员判断，传感器校准与藏品敏感性数据需人工维护
• 模型调用按变更条目数计费，阈值设太低会让每次扫描都调AI推高费用