前兩小時先處理資料怎麼流動
八個多小時的課程沒有直接從 AI Agent 開始。Nick Saraev 先用約兩小時說明 n8n 的基本結構：觸發節點啟動流程，後續節點接收資料、改寫欄位，再把結果交給下一步；JSON、資料型別與 expressions，則決定每個節點能不能讀到正確的值。這個順序也和 n8n 官方文件對工作流程的定義一致：資料會由一個節點流向下一個節點，每一步各自接收、處理並傳出結果。
課程不是只示範拖拉節點。畫面保留測試執行、憑證連線、欄位映射、迴圈與錯誤後重接的過程。到了 1 小時 50 分左右，一條 Gmail Trigger → Edit Fields → Split Out → Limit → OpenAI 的簡單流程，已經把觸發、整理、拆分、限制測試量與 AI 處理串在一起。
來源：影片畫面擷取自 YouTube／Nick Saraev
七個實作反覆使用同一套骨架
基礎之後的七個實作章節題目不同，結構卻一直重複：由表單或排程啟動，透過 API 或爬取服務取得資料，交給 AI 產生有固定欄位的 JSON，再用篩選、迴圈與合併節點整理，最後寫進 Google Sheets、建立文件、寄信或呼叫平台 API。課程的重點因此不只是某一套範本，而是讓同一組元件在不同商業問題裡重新排列。
第一套名單開發流程會讀取 LinkedIn 與公司網站資料，生成客製電子報或報告，再交給自動寄信流程；提案生成器則把表單中的客戶資料轉成問題、解法、時程與價格欄位，寫入簡報或提案文件。網站 AI Agent 的節點數反而不多：聊天訊息進入 Agent，接上 OpenAI 模型、短期記憶與 Google Calendar 工具，用來回答問題、篩選訪客並預約會議。Nick Saraev 在這裡特別把輸出穩定性放在多 Agent 串接之前，因為企業流程需要可預測的結果。
AI 負責生成，資料庫與排程負責讓流程持續運作
內容再利用引擎從 YouTube 或 podcast 網址取得逐字稿，再由 OpenAI 拆出 Instagram、LinkedIn 與 Facebook 文案及圖片描述；生成結果先放進資料庫，另一條每日流程再按排程逐筆發出，避免一次把內容全倒進平台。YouTube 趨勢偵測器也拆成兩條流程：第一條從 Google Sheets 讀取頻道 ID，透過 YouTube API 更新影片與觀看數；第二條定期篩選高於頻道平均表現的影片，整理成每日 email 摘要。
這些範例把 AI 放在流程中間，而不是把整件事交給一個模型。觸發條件、資料來源、欄位格式、測試筆數、儲存位置與最後的送出動作，仍由 n8n 的節點連線決定。5 小時 45 分的趨勢偵測流程就能看到 Google Sheets、Loop Over Items、兩個 YouTube 節點、Filter 與回寫試算表形成封閉迴路。
來源：影片畫面擷取自 YouTube／Nick Saraev
後半段把自動化接到陌生開發
最後兩個大型系統都圍繞陌生開發。LinkedIn 流程先把自然語言條件轉成 Apollo 搜尋網址，再透過第三方服務擷取名單、補齊個人資料、生成開場白、寫入 Google Sheets，最後呼叫工具送出連線邀請。多行 icebreaker 生成器則更進一步爬取潛在客戶網站，摘要各頁內容後再產生看似針對該公司的 email 開頭。
這些流程依賴多個外部帳號、API、付費服務與個人資料。課程示範如何限制測試筆數，也曾把寄信動作停在草稿以免直接寄出，但法規、同意、平台條款與資料保存不是主要教學內容。一則高互動留言也把焦點放在個資送往 OpenAI、Google 或其他外部 API 時可能產生的隱私與資料落地風險；這是使用者真正部署前仍須自行補上的一層。
售價與回覆率是創作者的商業主張
片名把賣出 10,000 美元以上的 AI 流程放在最前面，影片各章也反覆提出 1,000 至 15,000 美元的導入價格、5% 至 15% 的回覆率，以及自己把自動化公司做到每月 72,000 美元的經驗。這些數字都來自 Nick Saraev 的自述，課程沒有提供獨立樣本、成本明細或對照資料，因此只能視為他的銷售定位與實務經驗，不能當成照做就能重現的結果。
片尾也把界線說得很直接：技術能力只是起點，能不能取得客戶仍取決於執行、持續開發與商業活動；接著便導向他自己的 Maker School 付費計畫。這讓整套內容同時具備長篇實作課與銷售入口兩個角色。讀者可以沿著章節重做工作流程，但報價、成效、資料合規與長期維護，仍然需要在課程之外另外驗證。
N8N ULTIMATE COURSE 8+ Hours (Sell $10k+ AI Workflows) ／ Nick Saraev · 在 YouTube 觀看 ↗