1. 项目概述：当n8n遇上Claude，自动化工作流的智能进化

最近在折腾自动化工作流时，发现了一个挺有意思的项目： freddy-schuetz/n8n-claw-agents 。简单来说，这是一个为n8n这个强大的开源自动化工具，集成Anthropic Claude AI模型能力的项目。它不是一个独立的软件，而是一个“能力增强包”，让你能在n8n的节点（Node）里直接调用Claude的API，把大语言模型的逻辑推理、内容生成和智能决策能力，无缝嵌入到你已有的自动化流程中。

如果你用过n8n，就知道它的核心价值在于用可视化的方式连接各种应用和服务，实现“如果A发生，就执行B和C”的自动化逻辑。但传统的自动化节点，处理的大多是结构化的数据流转和预定义的操作。当遇到需要理解自然语言、进行内容摘要、分类复杂文本或者基于上下文做判断时，往往就力不从心了。 n8n-claw-agents 的出现，正好补上了这块短板。它让你能在工作流的任意环节，插入一个“AI大脑”，让整个流程变得更聪明、更灵活。

这个项目特别适合两类人：一是已经在用n8n搭建了复杂工作流，但希望引入AI能力来优化决策环节的开发者或运维人员；二是那些想快速构建智能客服助手、内容审核流水线、数据分析报告生成器等AI应用的团队，他们可以借助n8n成熟的生态和这个项目，省去大量底层API对接和流程编排的代码工作。接下来，我就结合自己的实践，把这个项目的核心玩法、配置细节以及踩过的坑，系统地梳理一遍。

2. 核心架构与设计思路拆解

2.1 为什么是n8n + Claude的组合？

在深入代码之前，我们先聊聊这个组合的合理性。n8n本身是一个基于Node.js的工作流自动化平台，其最大优势是拥有超过200个官方集成节点（如Slack、Google Sheets、GitHub等）和一个活跃社区贡献的众多自定义节点。它的工作流引擎稳定，调度、错误处理和日志记录都很完善。而Anthropic的Claude模型，尤其是Claude 3系列（如Haiku、Sonnet、Opus），在长文本理解、指令遵循和安全性方面表现突出，API设计也相对简洁稳定。

n8n-claw-agents 项目本质上是构建了一个n8n自定义节点（Custom Node）。这个节点充当了n8n工作流引擎与Claude API之间的桥梁。设计思路非常清晰： 将Claude模型封装成一个标准的n8n处理单元 。这样，在可视化编辑器里，你可以像使用“HTTP Request”节点或“Function”节点一样，拖拽一个“Claude Agent”节点到画布上，配置好API密钥、模型参数和提示词（Prompt），它就能接收上游节点的数据，调用Claude API进行处理，然后将结果输出给下游节点。

这种设计带来了几个显著好处。首先， 学习成本极低 。如果你熟悉n8n，几乎不需要学习新的框架，就能上手AI功能。其次， 集成度极高 。AI处理环节可以直接利用n8n已有的数据获取节点（如从数据库、CSV文件、网页抓取数据）和结果输出节点（如发送邮件、写入Notion、发布到Discord），快速形成闭环。最后， 维护性更好 。所有的AI调用逻辑、密钥管理和错误重试，都被封装在n8n的平台内，你可以用统一的界面监控日志、设置速率限制和故障报警。

2.2 项目核心组件解析

这个项目的代码结构并不复杂，但清晰地体现了n8n自定义节点的开发规范。核心是几个文件：

  1. 节点描述文件（通常是 ClaudeAgent.node.ts 或 ClaudeAgent.node.js ） ：这是节点的“身份证”和“说明书”。它定义了节点在n8n编辑器中的名称、图标、颜色、输入输出数量、配置属性表单（就是节点双击后弹出的那个配置面板）。在这里，你会看到作者定义了诸如 claudeApiKey 、 model 、 maxTokens 、 temperature 、 systemPrompt 、 userPrompt 等配置字段。
  2. 节点执行逻辑文件 ：这里包含了节点的核心函数，负责在n8n工作流运行时被调用。它的工作流程通常是：
    • 从n8n上下文中获取节点的配置参数（如API密钥、提示词）。
    • 接收来自上游节点的输入数据（ items ）。
    • 遍历每个输入项，根据配置组装成符合Claude API格式的请求体（特别是处理 system 和 user 消息的模板化）。
    • 向Anthropic的API端点发送HTTP请求。
    • 处理API响应，解析出返回的文本内容（或工具调用结果）。
    • 将结果附加到数据项中，传递给下游节点。
  3. 包描述文件（ package.json ） ：定义了项目的元数据、依赖（比如 @anthropic-ai/sdk 官方SDK或直接使用 axios 发请求）以及n8n特定的节点加载路径。

一个关键的设计细节是 提示词（Prompt）的模板化 。在配置面板中， systemPrompt 和 userPrompt 字段通常支持n8n的表达式语法（例如 {{$json.fieldName}} ）。这意味着你可以动态地将上游数据注入到提示词中。比如，上游节点读取了一封客户邮件，你可以配置 userPrompt 为：“总结以下邮件内容：{{$json.emailBody}}”。这种动态能力是自动化工作流智能化的灵魂所在。

3. 从零开始的部署与配置实操

3.1 环境准备与项目获取

假设你已经有一个正在运行的n8n实例。部署方式可以是Docker、npm直接安装，或者使用n8n云服务。这里以自托管的n8n为例。

首先，你需要获取这个自定义节点。由于是开源项目，通常有两种方式：

  1. 直接克隆项目到n8n的自定义节点目录 ： 
    # 进入你的n8n安装目录下的自定义节点文件夹
# 对于Docker部署，可能需要挂载卷；对于npm安装，路径通常是 ~/.n8n/custom
cd /path/to/n8n/custom
git clone https://github.com/freddy-schuetz/n8n-claw-agents.git
cd n8n-claw-agents
npm install # 安装项目依赖
  2. 通过npm安装（如果作者发布了包） ： 
    # 在n8n根目录下
npm install n8n-claw-agents
    然后，你需要在n8n的配置文件（如 ~/.n8n/config ）中，将节点的路径添加到 n8n.custom 字段中，或者确保n8n能自动扫描到 node_modules 中的n8n节点。

完成后，重启你的n8n服务。刷新n8n编辑器界面，在节点面板的“自定义”分类下（有时可能需要手动搜索“Claude”），你应该能看到新的节点，比如“Claude Agent”或类似名称。

注意 ：确保你的服务器或运行环境能够访问 api.anthropic.com 。如果遇到网络问题，可能需要配置代理（此处需根据实际网络环境合规处理，不展开）。同时，检查Node.js版本是否符合项目要求（通常需要Node 18+）。

3.2 节点配置详解与第一个工作流

让我们创建一个最简单的测试工作流，来理解每个配置项。

  1. 触发节点 ：从左侧面板拖入一个“Schedule Trigger”节点，设置为每5分钟运行一次，或者用“Manual Trigger”手动触发。

  2. Claude Agent节点 ：拖入“Claude Agent”节点，并将其连接到触发节点。

  3. 配置Claude Agent节点 ：

    • Authentication (认证) ：这是最关键的一步。你需要一个有效的Anthropic API密钥。在节点的“Credentials”部分，点击“Add Credential”，选择类型为“Claude API”（如果节点已集成该类型），或直接使用“Generic Credential Type”输入你的API Key。 强烈建议使用n8n的凭证管理功能，而不是将密钥硬编码在配置中 ，这样更安全，也便于轮换。
    • Model (模型) ：选择你想使用的Claude模型，例如 claude-3-haiku-20240307 （快速、经济）、 claude-3-sonnet-20240229 （均衡）或 claude-3-opus-20240229 （最强，也最贵）。根据任务复杂度选择。
    • System Prompt ：系统提示词。这里设定AI助手的角色和基础行为准则。例如：“你是一个专业的文本摘要助手，负责将用户输入的长文本浓缩为简洁的要点。”
    • User Prompt ：用户提示词。这里输入具体的任务指令，并可以引用上游数据。例如：“请总结以下文本：{{$json.text}}”。注意， {{$json.text}} 是一个n8n表达式，它期望上游节点输出的数据项中有一个名为 text 的字段。
    • Max Tokens (最大令牌数) ：限制AI回复的最大长度。需要根据模型上下文窗口和你的需求设置。Haiku的上下文是128K，Sonnet和Opus是200K。设置过小可能导致回复被截断。
    • Temperature (温度) ：控制输出的随机性。范围0到1。值越低（如0.1），输出越确定、保守；值越高（如0.9），输出越有创造性、不可预测。对于摘要、分类等确定性任务，建议设低（0.1-0.3）；对于创意写作，可以设高。
    • 其他高级参数 ：可能还包括 top_p （核采样）、 stop_sequences （停止序列）等，用于更精细地控制生成。

  4. 提供输入数据 ：在Claude Agent节点之前，我们可以加一个“Code”节点或“Set”节点，来模拟上游数据。例如，用一个“Set”节点，添加一个字段 text ，值为一段需要摘要的新闻文章。

  5. 查看输出 ：在Claude Agent节点后连接一个“Debug”节点。执行工作流后，打开Debug节点，你就能看到Claude返回的摘要结果，它通常会被添加到数据项的某个新字段中，比如 json.response 或 json.content 。

至此，一个最基本的AI文本处理流水线就搭建完成了。你可以把“Set”节点替换成任何真实的数据源，比如“Email Trigger”（读取邮件）、“RSS Feed Read”（获取博客文章）或“Google Sheets”（读取表格内容）。

4. 进阶应用场景与复杂工作流构建

4.1 场景一：智能客服工单自动分类与路由

这是 n8n-claw-agents 非常实用的一个场景。假设客户通过表单提交了支持请求，你需要自动将其分类并分配到正确的处理团队。

工作流设计 ：

  1. 触发 ：使用“Webhook”节点接收来自客服表单提交的POST请求，数据中包含 title （标题）和 description （详细描述）。
  2. 数据预处理 ：可能用一个“Function”节点清洗一下数据格式。
  3. Claude分类节点 ：
    • System Prompt : “你是一个客服工单分类专家。请根据用户的问题描述，将其精确分类到以下类别之一：[技术故障、账单问题、功能咨询、账号安全、投诉建议]。只输出类别名称，不要有任何其他解释。”
    • User Prompt : “工单标题：{{$json.title}}\n问题描述：{{$json.description}}\n请分类。”
  4. 结果解析与路由 ：Claude节点会输出如“技术故障”这样的文本。接下来使用“Switch”节点，根据输出内容进行条件分支。例如，如果输出包含“技术故障”，则路由到下一个节点，向技术团队的Slack频道发送通知（使用“Slack”节点）；如果包含“账单问题”，则路由到节点，创建一张Airtable记录（使用“Airtable”节点）给财务团队。

实操心得 ：

  • 分类稳定性 ：对于分类任务，将 temperature 设置为0或一个很低的值（如0.1），可以使每次的分类结果更加一致。
  • 处理非预期输出 ：AI有时可能不会完全按照你要求的格式输出。可以在“Switch”节点中添加一个默认分支（Default），用于捕获所有未匹配的类别，将其发送到人工审核队列或再次用AI进行修正。
  • 成本优化 ：对于简单的分类，使用Claude 3 Haiku模型就足够了，成本最低。可以在System Prompt中强调“用最少的token回答”，并在 maxTokens 上设置一个较小的限制（如50）。

4.2 场景二：多步骤推理与外部工具调用（模拟）

Claude API支持工具调用（Function Calling/Tool Use），这意味着AI可以请求调用外部函数或API来获取信息。 n8n-claw-agents 项目如果集成了此功能，将实现更强大的自动化。

模拟工作流设计（假设节点支持工具调用） ：

  1. 目标 ：用户问“我所在城市（北京）明天天气如何，适合户外跑步吗？”
  2. Claude Agent节点（第一轮） ：
    • System Prompt : “你是一个有帮助的助手。当用户询问需要实时信息的问题时，你可以使用提供的工具。请按步骤思考。”
    • User Prompt : “用户问题：{{$json.user_query}}”
    • Tools Definition (配置) : 在节点配置中，定义（或从上游传入）一个工具列表，例如： 
      [
  {
    "name": "get_weather",
    "description": "获取指定城市未来一天的天气预报",
    "parameters": {
      "type": "object",
      "properties": {
        "city": {"type": "string"}
      }
    }
  }
]
  3. AI响应解析 ：Claude可能不会直接回答，而是返回一个“工具调用”请求，例如 {"tool_use": {"name": "get_weather", "input": {"city": "北京"}}} 。
  4. 工具执行节点 ：工作流中，在Claude节点后连接一个“Function”节点或“HTTP Request”节点。这个节点负责解析Claude的输出，识别出工具调用请求，然后真正去调用一个天气API（如OpenWeatherMap），获取北京的天气预报数据。
  5. Claude Agent节点（第二轮） ：将工具执行的结果（天气数据）和最初的对话历史，一起作为输入，再次发送给同一个或另一个Claude节点。
  6. 最终回答 ：第二次调用时，Claude收到了天气数据，就能综合判断并生成最终回答：“北京明天晴，气温15-22度，风力2级，非常适合户外跑步。”

这个模式实现了AI与真实世界数据的闭环。虽然 n8n-claw-agents 初始版本可能未完全实现工具调用的自动流转，但通过精心设计多步骤工作流（多个Claude节点和条件判断节点），我们完全可以手动模拟这一过程，这展示了n8n工作流在编排复杂AI交互方面的巨大潜力。

4.3 场景三：长文档分析与知识库问答

利用Claude超长的上下文窗口，我们可以构建一个简单的企业知识库问答系统。

工作流设计 ：

  1. 知识库注入 ：使用“Read Files from Disk”节点读取一批PDF、Word或TXT格式的公司文档。然后用“Text Extract”节点（或直接使用Claude节点）将每份文档转换成纯文本，并生成一个简短的摘要或关键词集合。将这些“文本块”和“摘要”存入一个向量数据库（如通过“Function”节点调用ChromaDB或Pinecone的API）。 这一步是预处理，可以定期离线运行 。
  2. 用户提问触发 ：通过“Webhook”或“Form Trigger”节点接收用户提问 question 。
  3. 向量检索 ：将用户提问 question 转换成向量（同样通过“Function”节点调用嵌入模型API），然后在向量数据库中检索出最相关的几个“文本块”。
  4. Claude综合回答 ：
    • System Prompt : “你是一个基于公司内部知识库的智能问答助手。请严格根据提供的参考资料来回答问题。如果资料中没有明确信息，请如实告知‘根据现有资料无法回答该问题’，不要编造信息。”
    • User Prompt : “用户问题：{{$json.question}}\n\n请参考以下资料回答问题：\n---\n{{$json.retrieved_text_chunk_1}}\n---\n{{$json.retrieved_text_chunk_2}}\n---\n[更多相关文本...]\n---\n请用清晰、有条理的方式回答。”
    • 这里， retrieved_text_chunk_X 是上一步向量检索得到的结果，通过n8n表达式动态拼接进提示词。
  5. 输出回答 ：将Claude生成的答案通过“Email”节点或“Slack”节点发送给用户。

这个流程将n8n的自动化能力、向量数据库的检索能力和Claude的理解生成能力结合了起来，构成了一个RAG（检索增强生成）系统的雏形。虽然性能上无法与专用系统相比，但对于中小团队快速搭建一个可用的内部问答机器人，成本极低，且非常灵活。

5. 性能优化、成本控制与错误处理

5.1 性能与成本优化策略

在生产环境中使用AI API，成本和响应速度是需要重点考虑的。

1. 模型选型策略 ：

  • 分层使用 ：不是所有任务都需要最强的Opus。建立一个规则：对于简单的文本清洗、分类、提取关键词，使用Haiku；对于需要一定推理的总结、改写，使用Sonnet；只有对于最复杂的分析、创作任务，才启用Opus。可以在n8n工作流开头用一个“IF”节点，根据输入文本的长度、复杂度或关键词，动态设置后续Claude节点使用的模型参数。
  • 缓存机制 ：对于相同或相似的输入，AI输出应该是确定的（特别是低Temperature下）。可以在Claude节点前加入一个缓存层。例如，用“Function”节点计算输入内容的哈希值（如MD5），先去查询一个简单的键值数据库（如Redis，通过n8n的“Redis”节点或HTTP请求），如果命中则直接返回缓存结果，未命中再调用Claude API并将结果缓存。这能显著降低重复请求的成本。

2. 提示词工程优化 ：

  • 精简提示词 ：System Prompt和User Prompt要力求简洁明确，避免不必要的客套话和冗余描述。每一个token都在花钱。
  • 结构化输出 ：在提示词中明确要求AI以特定格式（如JSON、纯列表、特定标记分隔）输出。这能极大简化下游节点的数据解析逻辑。例如：“请以JSON格式输出，包含 summary 和 keywords 两个字段。”
  • 分批处理 ：如果上游有大量待处理文本（如1000条评论），不要每条都调用一次API（1000次请求）。可以设计提示词，让AI一次处理一批（如20条）。例如：“以下是20条用户评论，请为每条评论判断情感倾向（正面/负面/中性），并以列表形式输出。” 这能将API调用次数从1000次减少到50次，虽然每次请求的token数增加了，但总成本通常更低，且速度更快。

3. 利用n8n内置优化 ：

  • 错误重试与速率限制 ：在Claude节点的配置中，或是在n8n的工作流设置里，合理配置错误自动重试策略（retry logic）。同时，Anthropic API有速率限制（RPM/TPM），需要在n8n中控制工作流的并发执行数量，或在节点间加入“Wait”节点来平滑请求，避免触发限流。

5.2 错误处理与监控实战

AI API调用可能失败，原因多种多样：网络超时、API密钥失效、额度不足、输入过长触发上下文限制、输出内容被安全系统拦截等。一个健壮的生产工作流必须妥善处理这些情况。

1. 节点层面的错误处理 ：

  • 配置重试 ：在Claude节点的设置中（如果项目支持），或是在n8n工作流编辑器的“Error Workflow”设置中，为这个节点配置重试策略，例如“最多重试3次，每次间隔10秒”。
  • 错误分支（Catch） ：n8n节点有一个非常重要的功能—— 错误输出端口 。将节点的错误输出端口（通常是一个红色的虚线出口）连接到一个专门的处理分支。在这个分支里，你可以：
    • 用“Send Email”节点通知管理员。
    • 将失败的任务和错误信息记录到数据库（如“PostgreSQL”节点）或日志文件，便于事后分析。
    • 尝试降级方案，例如调用另一个备用AI API（如OpenAI的GPT），或者将任务转入一个需要人工处理的队列。

2. 输入验证与清理 ：

  • 前置检查节点 ：在Claude节点前，添加一个“Function”节点或“IF”节点，对输入数据进行验证。
    • 长度检查 ：估算输入文本的token数（一个粗略的方法是：中文字数大约等于token数，英文单词数除以0.75）。如果超过模型上下文窗口减去 maxTokens 的预留空间，则触发分支：要么自动截断，要么分割成多段处理，要么直接报错并跳过。
    • 内容过滤 ：检查输入是否为空、是否包含明显乱码或极端大量的重复字符，这些无效输入会浪费API调用。

3. 输出验证与后处理 ：

  • 格式检查 ：如果要求AI输出JSON，在下游用“Function”节点尝试 JSON.parse() ，如果解析失败，说明AI输出格式不符合预期，走错误处理流程。
  • 内容安全审核 ：对于面向用户的应用，AI生成的内容可能需要二次审核。可以在Claude节点后接另一个AI审核节点（或用同一个节点换一套Prompt），或者接入一些内容安全API，对输出进行过滤。

4. 监控与告警 ：

  • 利用n8n执行历史 ：n8n会记录每次工作流执行的详细日志，包括每个节点的输入输出。定期检查失败执行的日志，是排查问题的主要手段。
  • 关键指标监控 ：在错误处理分支中，除了记录错误，还可以向监控系统（如Prometheus，通过HTTP请求推送指标）发送数据，统计API调用失败率、平均响应时间、token消耗量等。当失败率超过阈值时，触发更高级别的告警。

6. 常见问题排查与调试技巧

在实际集成和使用 n8n-claw-agents 节点时，你可能会遇到一些典型问题。以下是我遇到过的坑和解决方法。

问题1：节点在编辑器中不显示或加载失败。

  • 可能原因 ：自定义节点未正确安装或n8n未扫描到。
  • 排查步骤 ：
    1. 检查项目是否放在了n8n配置的 custom 目录下。
    2. 检查项目目录内是否有正确的 package.json ，且 n8n 字段中定义了节点信息。
    3. 查看n8n启动日志，是否有关于加载自定义节点的错误信息（如语法错误、依赖缺失）。
    4. 重启n8n服务，并清除浏览器缓存后重试。
  • 实操心得 ：对于Docker部署，确保自定义节点的目录被正确挂载到容器内的 /home/node/.n8n/custom 路径。有时需要检查文件夹权限。

问题2：工作流执行时，Claude节点报错“Authentication failed”或“Invalid API Key”。

  • 可能原因 ：API密钥错误、密钥未正确绑定到节点、密钥所在区域与API端点不匹配（Anthropic的密钥可能有区域限制）。
  • 排查步骤 ：
    1. 在节点的“Credentials”下拉框中，确认已选择了正确的凭证。可以点击“编辑”凭证，重新输入密钥测试。
    2. 去Anthropic控制台确认密钥状态是否有效、是否有额度。
    3. 如果使用环境变量管理密钥，确保n8n进程能读取到正确的环境变量。
    4. 检查网络连通性，确保服务器能访问 api.anthropic.com 。

问题3：AI返回的内容不符合预期，或者完全是胡言乱语。

  • 可能原因 ：提示词（Prompt）设计不佳、 temperature 参数过高、输入数据格式混乱。
  • 排查步骤 ：
    1. 使用Debug节点 ：在Claude节点的 上游 和 下游 都连接Debug节点。对比上游输入给AI的 systemPrompt 和 userPrompt 的最终渲染结果，与你预期的是否一致。经常是表达式 {{$json.field}} 引用的字段不存在或为 undefined ，导致提示词出现空洞。
    2. 简化测试 ：先用一个最简单的、静态文本的Prompt测试节点是否能正常工作。排除动态数据注入的问题。
    3. 调整参数 ：将 temperature 暂时设为0，看输出是否稳定。如果稳定了，说明问题在于随机性过高。
    4. 检查上下文 ：确认输入文本（包括提示词本身）的总长度没有超过模型上下文窗口。超长文本会被截断，导致信息不完整。

问题4：工作流运行速度慢，尤其是处理大量数据项时。

  • 可能原因 ：n8n默认按顺序处理每个数据项（item），导致串行调用API，总耗时很长。
  • 优化方案 ：
    • 启用并发执行 ：在Claude节点的配置中，寻找“Options”或“高级选项”，通常有一个“Max Concurrent Queries”（最大并发查询）的设置。将其从默认的1改为一个更大的数字（如5或10）。 注意：必须确保你的Anthropic API套餐允许相应的并发数，否则会触发速率限制错误。
    • 批量处理 ：如前所述，修改工作流逻辑，在上游先将多条数据合并成一条（如将一个数组JSON.stringify后放入一个字段），然后在Prompt中指导AI批量处理。下游再用“Function”节点将批量结果拆分开。这需要更精巧的Prompt设计。

问题5：如何获取AI响应的元数据，如使用的token数量？

  • 可能情况 ：Claude API的响应头或响应体中，通常会包含如 input_tokens 、 output_tokens 等信息。 n8n-claw-agents 节点如果设计完善，应该会将这些信息也输出到数据项中。
  • 排查与利用 ：
    1. 连接一个“Debug”节点到Claude节点之后，完整展开输出项，查看除了主要的回复文本外，是否还有其他字段，如 usage 、 metadata 等。
    2. 如果节点没有输出这些信息，你可能需要稍微修改节点的代码（如果你有Node.js能力），在它的执行函数里，将API响应中的 usage 对象也一并返回。
    3. 获取到token用量后，你可以在下游用一个“Function”节点计算本次调用的成本（根据模型单价），并累加到数据库，用于成本监控和预算控制。

将AI能力以节点形式嵌入n8n，这种思路极大地降低了智能自动化的门槛。它把复杂的API调用、上下文管理和错误处理封装成了可视化的模块，让专注于业务逻辑的开发者也能快速构建出强大的AI应用。 freddy-schuetz/n8n-claw-agents 这个项目提供了一个很好的起点，虽然你可能需要根据实际需求对它进行一些定制和增强，比如完善错误处理、支持最新的Claude API特性（如工具调用）、或者增加对其他AI模型的支持，但它的核心设计模式已经证明了其价值。

Logo
亚马逊云科技技术品牌专区

更多推荐

cover

别再只聊大模型！AI的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区
cover

别再只聊大模型！人工智能的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区
cover

别再只聊大模型！AI的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区