Gumloop 教程：AI 原生自动化入门

现代工作流日益需要处理网站、PDF、电子邮件和自由文本输入等非结构化数据。这类数据需要推理、摘要与决策能力。这正是 Gumloop 的用武之地——它为传统逻辑之上新增了一个由 AI 驱动的“认知层”，用于自动化处理。

在本文中，我们将探索 Gumloop——一款专为构建 AI 驱动工作流和代理而设计的可视化 IDE，并将其与传统 iPaaS（即服务的集成平台）自动化工具（如 n8n 和 Zapier）进行比较。我们还将通过分步指南，带您在 Gumloop 上构建一个简单的 AI 代理。

在开始之前，建议您打开一个新标签页，注册 Gumloop，并跟随步骤在 15 分钟内构建您的第一个代理。

我认为，我们的AI 代理入门课程对自主式 AI 工具有很好的介绍。务必查看。

什么是 Gumloop？

Gumloop 是一款 AI 原生、零代码的自动化平台，旨在帮助企业在无需技术背景的情况下构建复杂的工作流和LLM 代理。虽然它在视觉上类似于其他拖放式工具，但其底层抽象更接近于面向 AI 逻辑的执行引擎，而不仅仅是一个简单的集成层。

其主要目标是通过提供理解与推理能力，突破传统自动化的限制。Gumloop 解决的核心问题在于以下两者之间的鸿沟：

• 像 Zapier 这样刚性的 IPaaS 工具，擅长简单集成，但在复杂逻辑和非结构化数据面前捉襟见肘。
• 与LLM（大型语言模型）交互的完全自定义 Python 脚本，功能强大，但需要工程投入、基础设施和持续维护。

Gumloop 处于两者之间。它让用户可以以可视化的方式组合既包含传统控制流（条件、循环、转换），又包含 AI 推理步骤的工作流。

Gumloop 的关键特性

Gumloop 的关键能力体现在其基于画布的界面，用户通过连接节点来构建工作流。

每个节点代表一个独立的工作单元，如获取数据、调用模型、应用逻辑或写出结果。可视化布局有助于构建系统中数据和决策如何流动的实时心智模型。

Gumloop 的核心能力包括：

• 拖放式逻辑：可视化地组合触发器、条件、循环和输出，无需编写“胶水代码”。
• AI 推理节点：在工作流内直接提示大型语言模型进行分类、抽取、摘要或决策。
• 浏览器自动化引擎：使用代理与实时网站交互。代理可加载页面、滚动、点击，并动态抽取内容。
• 原生 Python 执行：当可视化节点不够用时，高阶用户可直接嵌入 Python 代码。
• Model Context Protocol（MCP）支持：以标准化方式将结构化工具与资源连接到模型。
• Gummie：内置 AI 助手，可帮助生成节点、解释错误并加速开发。

这些特性使 Gumloop 超越了基础工作流连接器工具，具备强大的能力。

目标用户与适配场景

Gumloop 面向需要在不牺牲能力前提下快速推进的用户。在许多组织中，自动化项目停滞不前的原因在于，理解业务问题的人很难将其轻松转化为代码。

Gumloop 通过可视化组合逻辑、AI 提示和集成，大幅降低门槛，同时仍足够表达复杂工作流。

因此，其理想用户包括：

• 将研究密集型内部工作流自动化的运营负责人。
• 构建富化与资格判定流水线的增长工程师。
• 希望拥有生产级代理而无需完整平台搭建的技术型创始人。

Gumloop 的独特之处在于，它能在同一画布中同时结合浏览器自动化（与真实网页交互）和 LLM 推理（理解与综合）。与 Gumloop 不同，大多数平台只专注于其中一项。

Gumloop 的常见用例包括：

• 自动化网页抓取与研究
• 外呼销售线索富化与资格判定
• 智能文档处理（合同、发票、报告）
• 需要判断力而非仅靠规则的内部运营工作流

设置 Gumloop

开始使用 Gumloop 十分简单，免费套餐足以跟随本教程操作。

其上手流程刻意保持轻量，您无需配置基础设施或环境即可注册并使用可运行的工作流。

创建账户与上手

开始步骤：

1. 注册免费的 Gumloop 账户，或使用您的 Google 或 Microsoft 账户登录。
2. 登录后，您将进入主控制台。
3. 创建一个新工作区并打开空白画布。

工作区是您的流程、凭据和运行历史的容器。对于本教程，默认设置已足够。

基于额度的定价模型

Gumloop 采用与实际计算与执行成本紧密对应的额度（credit）定价系统。平台并非按集成或按任务计费，而是衡量您的流程完成了多少工作，尤其是在涉及 AI 模型或浏览器自动化时。随着工作流复杂度提升，这种方式更便于您进行成本预估。

需要理解的关键点：

• 每个动作都会消耗额度，有时也称为“燃料”。
• 变量映射或分支等简单操作成本较低。
• 成本较高的操作涉及计算密集型任务，如 LLM 调用或浏览器自动化。

Gumloop 根据能力与额度成本，将 AI 模型分为三个层级：

• 标准（2 额度/次调用，如 GPT-4.1 Mini、Claude 4.5 Haiku）
• 高级（20 额度/次调用，如 GPT-4.1、Claude 3.7 Sonnet）
• 专家（30 额度/次调用，如 GPT-5、OpenAI o3）

尽管 OpenAI 的 GPT-5.2、Google 的 Gemini 3 或 Anthropic 的 Claude Opus 4.6 等最新模型尚未在平台上提供，现有的专家层级模型已足以应对几乎所有复杂自动化用例中的推理需求。

在免费套餐中：

• 您每月将获得 2000 点额度池（有限）。
• 这足以构建并测试数个小型工作流，包括本文中的 AI 研究代理。
• AI 调用使用 Gumloop 的共享 API 密钥，额度成本同时包含执行与模型使用。

这种模式鼓励试验，同时保持成本可预测。

自带密钥（BYOK）

对于希望拥有更多控制权的用户，Gumloop 支持自带密钥（BYOK）定价模式。Gumloop 允许您输入个人凭据（如 API 密钥）。

启用 BYOK 后：

• 您可在设置菜单连接自己的 OpenAI 或 Anthropic API 密钥。
• Gumloop 将不再对模型调用收取 AI 加价。
• 您只需按 Gumloop 额度支付基础执行成本。

对于本教程，BYOK 为可选项。但如果您已有模型额度并计划扩大使用规模，建议尽早启用。

使用 Gumloop 构建 AI 研究代理

现在我们将构建一个简单的端到端工作流，将公司网站转化为结构化研究报告。这个示例刻意贴近实用场景。

公司研究在销售、投资、合作与招聘中都很常见。在本例中，我们将展示 Gumloop 如何在单一流程中结合数据采集、推理与结果交付。

步骤 1：设置触发器

每个 Gumloop 流程都从触发器开始。触发器定义工作流何时以及如何启动。在生产系统中，这可以是一个 webhook、定时任务或外部事件。出于学习目的，使用手动触发器可以让流程更简单、更直观。

步骤：

1. 点击 Build Your First Flow 打开主画布。
2. 点击左侧的 + 号，将一个 Input 节点添加到画布上。
3. 添加一个名为“Company Website”的文本输入字段。
4. 将网址“https://gumloop.com”粘贴到 Default value 框中。
5. 保存该节点，并点击 Run 以确认输入字段正确显示。

您的输入节点应如下所示：

该触发器允许用户在每次运行流程时手动提供网站 URL。

步骤 2：收集信息

接下来，我们需要收集 AI 进行分析所需的原始数据。不同于基于 API 的集成，网站内容往往杂乱、动态且不一致。Gumloop 的浏览器自动化为您处理页面加载、渲染与文本抽取，抽象掉了大量复杂性。

步骤：

1. 点击左侧的 + 按钮，然后点击 Core Nodes。
2. 点击 Web Scraping，再选择 Web Scraper。
3. 将其连接到 Input 节点。
4. 将 Company Website 输入拖入爬取器的 URL 字段。

步骤 3：添加用于分析的“大脑”

这是让工作流变得“智能”的地方。到目前为止，该流程的行为还与传统自动化类似。AI 节点引入了解读与综合能力，使工作流能够回答仅靠规则无法解决的问题。

步骤：

1. 添加一个 Ask AI 节点。
2. 将其连接到 Website Scraper 节点的输出。
3. 将网站内容字段拖放至提示框中。
4. 使用如下提示：

“分析以下网站文本，并提取该公司的价值主张、目标受众，以及（如有提及）其定价模式。”

在节点设置中：

• 选择适合文本分析的模型。这里我选择 OpenAI 的 GPT-4.1 Mini。
• 您可根据成本、速度或推理深度选择不同模型。

关键在于，AI 节点能将非结构化文本转化为结构化洞察。

步骤 4：交付报告

最后，我们将结果发送到一个有用的落地位置。输出环节是 AI 工作流产生真正业务价值的地方。

可选项包括：

• 发送电子邮件：将报告直接投递到收件箱。
• Google 表格：将结果追加为新行以便跟踪。

步骤：

1. 在本例中，使用 Send Email Notification 节点。
2. 通过拖放方式将 AI 响应映射至电子邮件正文字段。

完成后，点击右上角的Run。

流程执行时，您可以查看实时日志，了解每一步的执行情况，从抓取到分析再到交付。运行完成后，您将看到如下界面：

现在前往您的收件箱，查看该流程是否已将相关信息通过电子邮件发送给您。以下是我收到的邮件通知：

如您所见，该流程将我所需的输出，准确送达了我的收件箱。

优化与扩展您的 Gumloop 流程

当基础工作流可用后，Gumloop 提供的工具可用于调试、扩展与规模化。这恰是许多零代码工具的短板，但 Gumloop 在可观测性与迭代支持方面投入颇多。

使用运行历史进行调试

用于排障与优化的关键标签是Previous Runs。每次执行都会记录详细的中间输出，使您不仅能知道“失败了”，还能知道“为何失败”。

您可以：

• 检查通过每条连线的数据细节。
• 验证爬取器是否被阻止或返回了不完整内容。
• 在无需重新输入的情况下重放失败的运行。

在处理外部网站和 AI 输出时，这种可见性至关重要。当前运行同样提供详细的运行报告以供查看。

使用循环模式处理列表

真实世界的工作流很少只处理单一输入。一旦某个工作流证明有用，接下来的问题几乎总是：如何在不重复工作或逻辑的前提下扩展到大量项目。

示例场景：

• 与其分析一个网站，您希望分析 50 个公司 URL。

Gumloop 通过Loop Mode 来支持这一点：

1. 提供一个网站列表作为输入。
2. 在相关节点上启用 Loop Mode（位于右上角）。
3. 列表中的每个网站都会自动处理，通常还能并行执行。

节点右上角的可视指示器会显示其处于批处理模式，便于理解其行为。

使用 AI 助手 Gummie 进行优化

Gummie 是 Gumloop 的内置 AI 助手，旨在减少初始搭建和后续优化过程中的阻力。Gummie 并非取代用户，而是作为理解 Gumloop 基元的“结对程序员”。

您可以用 Gummie 来：

• 通过自然语言指令生成新步骤，如“添加一个将此保存为 CSV 的步骤”。
• 解释晦涩的错误信息。
• 提出优化建议或补全缺失步骤。

对于非工程师而言，Gummie 能显著降低构建复杂流程时的摩擦。

Gumloop 与竞争产品对比

AI 自动化工具生态正在扩张，Gumloop 并非市场上唯一的工具。以下是一些对比。

Gumloop vs Zapier

Zapier 围绕集成与线性任务执行构建。

主要差异：

• Zapier 以集成为先，Gumloop 则是 AI 原生。
• Zapier 按任务计费，在大量数据集/循环场景下会变得昂贵。
• Gumloop 专注计算与推理，更适合处理文本、PDF 等非结构化数据。

Zapier 在简单、结构化、基于 API 的自动化方面表现出色；当需要判断与解读时，Gumloop 更胜一筹。

Gumloop vs n8n

n8n 代表了光谱的另一端。

主要对比：

• n8n 是开源且常用于自托管，适合希望完全掌控的工程师。
• Gumloop 完全托管并由平台运维，优先考虑速度与易用性。
• Gumloop 提供专门的 AI 节点与 MCP 支持，而 n8n 更依赖通用的 HTTP 或框架式集成。

在实践中，Gumloop 为运营团队提供更快的“time-to-agent”（从构想到代理落地的速度），而 n8n 则更适合技术深、基础设施要求高的场景。

如需了解这两款 Gumloop 竞品之间的对比，请查阅我们的 n8n 与 Zapier 对比文章。

结语

Gumloop 代表了自动化构建方式的一次转变。它并非将 AI 视作可选附加项，而是将推理直接嵌入执行模型，使工作流能够适应凌乱而真实的世界数据。

在本文中，我们仅用 Gumloop 从零构建了一个可用的 AI 公司研究工具。同样的模式可扩展到招聘流程、销售研究、合规检查与内容创作等更多应用。

若要扩展该工作流，鼓励您大胆尝试。例如，您可以：

• 在爬取器之前添加一个 Google Search 节点，自动发现公司。
• 串联多个 AI 节点以进行更深入的分析。
• 探索模板库，获取更高级的起点。

如果您想看看另一种更偏代码的实操方式，强烈推荐学习我们的使用 LangChain 开发 LLM 应用课程。