anaksor-ocr
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
一个把你在 n8n 聊天窗口里输入的支出记下来的 n8n 工作流。智能体调用一个保存步骤,模型从你的消息里读出金额、说明和日期,再往 Google 表格里加一行。
在聊天里发一条消息,就把支出记进 Google 表格 是一款 n8n 工作流,属于财务类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,或复制它的 JSON,再导入 n8n 画布。在 n8n 里启用之前,它不会运行。
聊天消息
你在 n8n 的聊天窗口里发一条消息就开始,需要:
你的 Google 表格里多出一行,聊天窗口里有一句确认的回复
开始之前要准备好这些。
智能体和读取
运行聊天智能体,并从你的消息里读出金额、说明和日期。
需要OpenAI API 密钥
支出记录
每笔支出保存一行。
需要Google 账号登录
由 Mindket 于 2026年11月13日检查
这个 n8n 工作流把一条聊天消息记成一笔支出。你在 n8n 的聊天窗口里输入类似“coffee beans 18.40 eur on 3 march”的内容。一个带短期记忆的智能体把消息交给保存工具,工具运行同一个工作流里的第二条流程。在那条流程里,模型从消息中读出金额、说明和日期,一行新数据进入 Google 表格。随后智能体告诉你这笔支出已保存。干活的是九个节点,还有一张便签解释设置。
记录自己或小团队开销、宁愿敲一行字也不想打开表格的人。如果你需要收据、税务类别或汇率换算,就别选它,因为它只保存你消息里写的内容。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 自由职业 | 自由职业者 | 花钱的当下就记一笔 | 一位设计师买了字体授权,在聊天里输入名称和价格,表格里就多出一行。 |
| 零售 | 店主 | 记下小额现金支出 | 一位店主在收银台输入“cleaning supplies 23.50”。 |
| 活动 | 组织者 | 追踪一场活动的开销 | 一位组织者在布置场地那天,把每家供应商的账单输入聊天窗口。 |
| 家庭 | 一家人 | 维护一份共用的开销清单 | 一位家长输入“school trip 15”,这一行带着当天的日期。 |
你需要会一点 n8n:导入一个文件、添加 OpenAI 和 Google 凭据,再建一张有四个表头的表格。
任何能访问 OpenAI 和 Google 表格的 n8n 都能运行它。工具调用的是工作流保存下来的那一份,所以要先保存并发布,再试聊天。
点“下载”会把一个压缩包存到你的下载文件夹,里面有 workflow.json 和 Mindket 写的设置说明。你需要一个 OpenAI 密钥和一张 Google 表格。
| 需要 | 说明 |
|---|---|
| n8n | n8n Cloud 或你自己的服务器 |
| OpenAI | 一个 API 密钥 |
| 一个能编辑你表格的登录 | |
| 一张表格 | 一个标签页,表头是 date、cost、descr 和 msg |
workflow.json。OpenAI Chat Model 和 OpenAI Chat Model1 里选中它。Save expense into Google Sheets 里选中它。Parse msg and save to Sheets 指向的是这个工作流本身。文件把它的 Workflow 字段设成了这个工作流自己的 id。把你的开销输入聊天窗口,一条消息一笔支出。每条消息加一行。写明金额和用途,不是今天的话再加上日期。
| 要改的 | 在哪里改 |
|---|---|
| 智能体的规则和回复 | AI Agent 里的系统消息 |
| 模型从消息里读什么 | Expense text to JSON parser 里的属性 |
| 表格的列 | Save expense into Google Sheets |
| 模型 | 两个 OpenAI 聊天模型节点 |
| 工具调用的次数 | AI Agent 里的 Max Iterations 选项 |
一位自由职业者输入“coffee beans 18.40 eur on 3 march 2026”。模型返回金额 18.4、说明“coffee beans”和日期 2026-03-03。带着这些值和原话的一行进入表格,智能体回复这笔支出已保存,并附上保存这一步返回的内容。
没写日期的消息,用运行的时间作为日期。
新手:n8n 把工作流画成用线连起来的方框,每个方框是一个节点,只做一件事。智能体是一个自己决定何时调用工具的节点。信息提取器从一段文字里取出指定名字的字段。
专家:Parse msg and save to Sheets 是一个 Call n8n Workflow 工具,设成 ={{ $workflow.id }},它的 input1 取 chatInput。在被调用的流程里,Workflow Input Trigger 接到 Expense text to JSON parser,后者的 cost、descr 和 date 成为表格的列,msg 来自 input1。智能体在 3 次迭代后停下。
| 节点 | 做什么 | 要知道的 |
|---|---|---|
AI Agent | 接收消息并调用工具 | 3 次迭代后停止 |
Parse msg and save to Sheets | 运行第二条流程 | 按 id 调用这个工作流 |
Workflow Input Trigger | 启动第二条流程 | 一个文本字段 input1 |
Expense text to JSON parser | 读出金额、说明和日期 | 金额和说明必填 |
Save expense into Google Sheets | 追加一行 | 日期缺失时用运行时间 |
有两处模型名变了,而且工具运行的是工作流保存下来的那一份。
gpt-5-mini。按 OpenAI 的页面(2026 年 11 月 12 日查阅),它 2026 年 12 月 11 日关停,页面给出 gpt-5.6-terra。智能体要调用工具,而 gpt-6-luna 在 Chat Completions 里只有把推理强度设成 none 才能调用工具,n8n 的节点从不发这个值,所以智能体用 gpt-5.6-terra。提取器不调用工具,所以用更便宜的 gpt-6-luna一个把你在 n8n 聊天窗口里输入的支出记下来的 n8n 工作流。智能体调用一个保存步骤,模型从你的消息里读出金额、说明和日期,再往 Google 表格里加一行。
workflow.json:n8n 导出的工作流,10 个节点。九个在运行:聊天触发器;带 OpenAI 聊天模型、窗口记忆和保存工具的智能体;以及第二条流程,里面有一个 Workflow Input Trigger、一个带自己 OpenAI 聊天模型的信息提取器和 Google 表格这一步。一个是便签。里面没有任何凭据。README.md:这份设置说明,压缩包里的是英文版。OpenAI Chat Model 节点都没设模型,所以运行的是 n8n 为它们这一版定的默认值 gpt-5-mini。OpenAI 的弃用页面(2026 年 11 月 12 日查阅)显示这个模型 2026 年 12 月 11 日关停,并给出 gpt-5.6-terra。AI Agent 下面的 OpenAI Chat Model 现在用 gpt-5.6-terra。智能体要调用工具,而 OpenAI 关于 gpt-6-luna 的页面说,Chat Completions 里只有把推理强度设成 none 才支持函数调用,n8n 的聊天模型节点从不发这个值。Expense text to JSON parser 下面的 OpenAI Chat Model1 现在用 gpt-6-luna。那个节点把格式要求放进提示词,不调用任何工具。Parse msg and save to Sheets 原来指向原作者自己 n8n 里保存的一个工作流。它的 Workflow 字段现在是表达式 ={{ $workflow.id }},也就是这个工作流本身,所以工具运行的是你导入的这份副本的第二条流程。Save expense into Google Sheets 里的文档和标签页是空的,由你自己选。便签重写过,去掉了指向原作者表格的链接。Mindket 对照 n8n 的源码和 OpenAI 的页面读过这份副本,没有在真实的 n8n 上运行。
date、cost、descr 和 msg。workflow.json。OpenAI Chat Model 和 OpenAI Chat Model1 里选中它。Save expense into Google Sheets 里选中它。Parse msg and save to Sheets 指向的是这个工作流本身。文件把它的 Workflow 字段设成了这个工作流自己的 id。When chat message received 把你的消息交给 AI Agent,它带着 Window Buffer Memory 和 OpenAI Chat Model。Parse msg and save to Sheets 对智能体来说叫 save_expense_in_db。它运行这个工作流的第二条流程,并把你的消息作为 input1 交给它。Workflow Input Trigger 启动那条流程,把 input1 交给 Expense text to JSON parser。Expense text to JSON parser 请它的模型把这笔支出转成 JSON,有三个字段:cost(数字,必填)、descr(说明,必填)和 date(UTC 格式的日期)。Save expense into Google Sheets 追加一行,有 date、cost、descr 和 msg(也就是你的原话)。模型没给日期时,日期用运行的时间。AI Agent 里的系统消息。Expense text to JSON parser 里的属性。Save expense into Google Sheets。想加一个字段,就同时加到提取器和表格里。AI Agent 下面要保留一个能调用工具的。AI Agent 里的 Max Iterations 选项。NOTICE.md 674 B README.md 5 KB workflow.json 9 KB
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
Qwen · 工具包
Qwen2.5-7B-Instruct 的 GGUF 文件,提供八种量化大小,可通过 llama.cpp 在本地聊天。适合想在自己电脑上用 7.6B 强力模型、又不想搭 Python 环境的人。
ACE-Step · 工具包
用 4B 扩散解码器根据文字生成音乐,50 步并带引导控制,音频质量高于基础版。适合拥有 12 GB 或更多显存 GPU 的创作者。
NeoQuasar · 工具包
用一个 4.1M 参数、基于 45 多家交易所数据训练的基础模型来预测金融 K 线序列。适合想用小模型做价格预测实验的量化研究人员和开发者。
一个 n8n 工作流:发票逾期 7、14、30 天时,各发一条希伯来语 WhatsApp 提醒。它每天早上从 Google 表格读出未付款的发票,消息发出后给对应的行做标记。
一个归档发票的 n8n 工作流。它盯着一个 Google Drive 文件夹,把每个新文件交给 LlamaParse 读取,再由 OpenAI 模型取出明细行,Airtable 里得到一条发票记录和每个明细行各一条记录。