既然节点会挂，我就用 LLM 搞了个自愈系统。今天下午，我盯着 n8n 工作流里那个自动滚动的绿色运行日志，突然意识到一个恐怖的事实：我亲手搭建的自动化管道，每一个节点都是一个潜在的断点。API 频率限制、网站反爬改版、第三方服务抽风、甚至我自己的 OpenAI 额度耗尽，任何一个环节崩掉，整个流程就卡死，像个植物人一样等着我去“抢救”。这他妈哪是自动化，这是给自己找了份 24 小时值班的网管工作。
2019年那会儿带团队做外包，最怕的就是客户半夜打电话说“系统挂了”。当时靠的是人肉轮班，电话打到爆。现在回归超级个体，难道还要被自己写的代码绑架？绝对不行。我得让系统自己会看病，会开药。
我的思路很简单，但实现起来全是坑。核心就一句话：用 LLM 做交叉验证和路径重路由。比如，我有一个核心节点是调用某电商平台的 API 抓取商品价格。传统做法是 try-catch，挂了就发警报邮件给我。现在不是。我在这个节点前后，部署了两个“侦察兵”LLM 调用。一个在请求前，用 GPT-4 根据历史请求数据和当前时间，预判 API 可能返回的错误类型（是限流403，还是数据结构变更200但内容为空）。另一个在请求后，如果原始节点返回的状态码或数据格式异常，不是直接报错，而是把错误信息、原始请求参数、以及爬下来的残缺 HTML（如果有）一起喂给另一个 LLM。
这个事后 LLM 的任务不是修代码，而是“找路”。它的系统指令是：“你是一个资源发现引擎。基于当前的错误描述和残留数据，列举三个可能的替代方案来获取目标信息。方案必须具体，例如：1. 更换同平台另一个未被频控的端点（给出具体URL示例）；2. 使用 Playwright 模拟浏览器点击绕过 API 限制（给出大致代码逻辑）；3. 切换至备用数据源，如竞品网站 A 或聚合平台 B（给出具体网址和解析建议）。”
然后，自愈系统会启动一个并行的“尝试队列”，按照 LLM 建议的优先级，去快速测试这些替代路径。测试过程本身也是自动化的，用简单的规则判断成功与否（比如是否能解析出价格数字）。一旦有一条路走通，工作流就会自动切换到这条新分支，并把这次“绕行”的成功方案和上下文，作为新的知识片段存储到向量数据库里。下次类似错误再出现，系统会先查知识库，直接用历史成功方案尝试，不行再召唤 LLM。
这里最大的坑有两个。一是 LLM 的幻觉。它可能建议一个根本不存在的 API 端点，或者给出无法执行的代码。我的应对是“沙盒测试”和“信用评分”。每个 LLM 建议的方案，都会在一个资源消耗极小的隔离环境里快速跑一下，失败就直接丢弃，并且给这个“建议”扣分。多次提供有效方案的 LLM 模型（我同时接入了 GPT-4 和 Claude）会获得更高权重。二是成本。每次错误都叫 GPT-4 来会诊，账单吃不消。所以我做了分级触发机制。只有高频核心节点、且错误类型不在现有知识库里的，才会动用顶级模型。一般的、已知的错误，直接走预设的备用路由。
搞这个不是为了炫技。2023年被 AI 震撼之后，我一直在想，一个超级个体凭什么和团队竞争？靠的就是这种“自愈力”。我的时间必须用在创造和决策上，而不是像消防员一样到处救火。这套系统运行两周，已经默默处理了十七次节点故障，我只在它尝试了所有路径都失败后，收到过一条钉钉告警。那一刻我才觉得，自动化终于有点自动的样子了。
它还不完美。LLM 的响应延迟是个问题，复杂场景下的路径寻找成功率大概在七成。但这已经让我晚上能关掉提醒睡个整觉了。所谓的超级个体，不是把自己累成狗，而是打造一个即使你躺平，也能持续运转并自我优化的系统。系统韧性，才是未来几年个人IP最深的护城河。接下来我打算把这套逻辑封装成 n8n 的自定义节点，就叫它“Surgeon”（外科医生）吧。
