用 AI 把 RFP 的问题答进 Google Doc

用 AI 把 RFP 的问题答进 Google Doc

一个 n8n 工作流，通过 webhook 收下 PDF 格式的招标邀请书（RFP）。它新建一份 Google Doc 来放回答，并让模型把 PDF 里的每个问题挑出来。随后一个 AI 助手逐个回答这些问题，依据是你粘贴进它系统消息里的公司参考文字，每个问题和回答都写进文档。最后一个写完时，Gmail 和 Slack 通知团队。

包里有什么

• workflow.json：n8n 导出的工作流，十四个节点和十张便签。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。

我们相对原来的副本改了什么

• 回答问题这一步原来用的是 n8n 的 OpenAI Assistant 节点。OpenAI 的弃用页面（2026 年 11 月 12 日查阅）写明 Assistants API 于 2026 年 8 月 26 日关停，替代方案是 Responses API 和 Conversations API。这一步现在是一个 AI Agent，Answer Question with Context，配了自己的模型节点 OpenAI Chat Model1，调用 gpt-5.6-terra。作者的 assistant 里存着公司文件。这里改成把公司参考文字粘贴进助手的系统消息，替换 <PASTE YOUR COMPANY REFERENCE TEXT HERE>。系统消息是我们写的，它要求助手在文字没覆盖某个问题时，说明缺了什么。
• 第一个模型节点没有设模型，所以 n8n 用了它的默认值 gpt-5-mini。OpenAI 的页面写明它于 2026 年 12 月 11 日关停，替代模型是 gpt-5.6-terra，所以 OpenAI Chat Model 现在明确写成 gpt-5.6-terra。
• Item List Output Parser 没有设 Number Of Items。设置留空时，n8n 的代码会要求模型给出三项，到三项就停，少于三项还会报错，所以一份 RFP 只会回答前三个问题。现在设成了 -1，也就是取消限制。
• Send Chat Notification 和 Send Email Notification 读的是 $('Set Variables').item.json.title，而那个节点并不产出这个字段。现在它们读 doc_title。
• webhook 的路径原来是一串生成的 id，现在是 rfp-questionnaire。
• Create new RFP Response Document 原来指向作者的一个 Drive 文件夹，现在用 default，也就是你云端硬盘的顶层。
• Add Metadata to Response Doc 写入的执行链接原来以 http://localhost:5678 开头，现在开头是 https://<YOUR_N8N_HOST>。
• 每个问题记录的文字原来取自 assistant 节点的输出，现在问题读自 For Each Question...，回答读自助手。
• 三张便签原来要你去设置 assistant，还链到作者的文件。现在它们描述的是助手和粘贴的文字。
• Google Docs、Gmail、Slack 和 OpenAI 节点与作者那边 n8n 里凭据的关联已删掉，请选你自己的。

开始之前

• 一个 n8n 实例，n8n Cloud 或自己的服务器都行，发送 RFP 的一方要能通过 webhook 访问到它。
• 一个能用 gpt-5.6-terra 的 OpenAI API 密钥。
• 一个用于 Google Docs 和 Gmail 的 Google 账号。
• 一个 Slack 工作区、一个能发消息的应用和一个频道。
• 一份文字可选中的 PDF 格式 RFP，以及一小段要粘贴的公司文字。
• 一个能发带文件的表单的工具，比如 curl 或 Postman。

设置

1. 在 n8n 里新建一个工作流，打开它的菜单，选 Import from File，选中 workflow.json。
2. 添加一个 OpenAI 凭据，在 OpenAI Chat Model 和 OpenAI Chat Model1 里选中它。
3. 打开 Answer Question with Context，把系统消息里的 <PASTE YOUR COMPANY REFERENCE TEXT HERE> 换成你的公司文字。
4. 添加一个 Google Docs 凭据，在 Create new RFP Response Document、Add Metadata to Response Doc 和 Record Question & Answer in Response Doc 里选中它。
5. 在 Add Metadata to Response Doc 里，把 <YOUR_N8N_HOST> 换成你的 n8n 地址。
6. 为 Send Email Notification 添加一个 Gmail 凭据，为 Send Chat Notification 添加一个 Slack 凭据。文件里的频道叫 RFP-channel，请选你自己的。
7. 点 Execute workflow。Wait for Request 在测试地址监听，也就是你 n8n 上的 /webhook-test/rfp-questionnaire。向它发一个表单，带上字段 id、title 和 reply_to，PDF 放在名为 data 的字段里。画布上的便签里有 curl 示例。
8. 去云端硬盘里打开新建的文档，看看回答。满意后，发布工作流，改用正式地址 /webhook/rfp-questionnaire。
9. 把正式地址分享出去之前，先给 Wait for Request 加上身份验证。

一次运行的过程

1. Wait for Request 接收 POST。它立刻回应发送方，不等工作做完。
2. Get RFP Data 从字段 data 里读出 PDF 的文字。
3. Set Variables 生成三个值：来自 title 的 doc_title，由编号、标题和时间组成的 doc_filename，以及 reply_to。
4. Create new RFP Response Document 在你云端硬盘的顶层，用这个文件名新建一份空的 Google Doc。
5. Add Metadata to Response Doc 在文档顶部写上标题、日期、申请人和执行链接。
6. Extract Questions From RFP（带 OpenAI Chat Model 的 Basic LLM Chain）被要求取出所有写给供应商的问题，原样不改。Item List Output Parser 按换行拆开回复，所以每个问题成为一个条目。
7. For Each Question... 一次交出一个问题。Answer Question with Context 根据参考文字回答一个，Record Question & Answer in Response Doc 把带编号的问题和回答加到文档末尾。
8. 循环结束后，Send Email Notification 给 reply_to 里的人发邮件，然后 Send Chat Notification 往 Slack 发一条。

改变风格

• 回答规则和公司文字：Answer Question with Context 里的系统消息。
• 哪些算问题：Extract Questions From RFP 里的提示词。
• 文档的版式：两个 Docs 更新节点里的文字。
• 文件名和文件夹：Set Variables 里的 doc_filename，以及 Create new RFP Response Document 里的文件夹。
• 通知谁、怎么通知：Send Email Notification 和 Send Chat Notification。
• 模型：OpenAI Chat Model 和 OpenAI Chat Model1。

注意事项

• 任何知道 webhook 地址的人都能启动一次运行，花你的 OpenAI 密钥，还能让你的 Gmail 给他们填进 reply_to 的任何地址发邮件。除了测试，使用前先给 Wait for Request 加上请求头验证。
• 回答只是草稿。助手根据你粘贴的文字写作，也被要求不要猜，但每条回答放进投标之前，都应该有人读过。
• 粘贴的文字要能和每个问题一起放进助手的提示词。资料很多的话，需要换一种做法，比如给助手配一个搜索工具。
• 扫描的 PDF 没有文字可读，Get RFP Data 返回的内容很少，模型找到的问题也就很少。
• 整份 PDF 的文字是一次性交给模型的。很长的 RFP 可能超出模型能接收的长度。
• 邮件说文档已完成，却没有附链接，尽管便签说有。想要的话，在 Send Email Notification 里加上文档链接。
• 每个问题都是一次单独的助手调用，再加上一次列问题的调用，所以长的 RFP 会产生很多次调用。
• 模型会读到你的 RFP 和公司文字，文档里的回答放在你的云端硬盘里，文档标题会发到 Slack 和申请人的邮箱。
• 文档里的执行链接只有能登录你的 n8n 的人才打得开。