如何用 n8n 打造 AI SDR：我們交付給客戶的每月 $50 架構（2026）

如何用 n8n 打造 AI SDR：我們交付給客戶的每月 50 美元架構（2026）

11x 每月收費約 2,000 美元，Artisan 起價 1,500 美元，Regie 則是 1,000 美元。我們用 n8n 為 B2B 客戶打造了同樣的開發信機器，每月成本僅需 50–65 美元，而以下架構正是我們實際部署的版本。Techsy 經營一家 AI SDR 代理機構，所以這不是紙上談兵，而是我們自 2025 年初以來在 SaaS、金融科技和開發者工具帳戶中反覆交付的工作流程。

重點摘要：

• 用 n8n 打造的 AI SDR，處理 1,000 筆潛在客戶每月成本為 50–65 美元，相較之下 11x 或 Artisan 等託管工具則需每月 1,500–2,000 美元。
• 七階段架構：潛在客戶匯入、資料補充、研究、內容生成、人工審核、發送、回信分類。
• 我們最常交付的資產是 AI Agent 節點的系統提示詞，以下我們公開了一份完整的 40 行範本。
• 如果你每月發送的冷郵件少於 100 封，或是缺乏送達率與信箱預熱基礎設施，就不適合自建這套系統。

AI SDR 實際在做什麼（以及為何 n8n 是最合適的畫布）

AI SDR（業務開發代表）是一個自主工作流，它會匯入目標潛在客戶、以企業屬性與行為數據豐富其資料、使用 LLM 撰寫個人化的外發郵件、透過已暖身的信箱寄出，並對回覆進行分類——全程無須人類 SDR 介入。在 n8n 中，它是一個單一視覺化工作流，你可以編輯、除錯，並完全自主掌控。

維持自動化的部分：潛在客戶分配、資料豐富化查詢、研究、郵件撰寫、發送、回覆分流、CRM 更新。維持人工的部分：目標名單整理（尤其是 ICP 定義）、文案的法務簽核，以及當回覆轉為真實對話時的升級路徑。AI SDR 不是聊天機器人，而是主動開發對話的採購系統。

為什麼選 n8n 而非 Zapier 或 Make？三個原因。AI Agent 節點原生內建工具呼叫與結構化輸出（Zapier 仍然將 OpenAI 包在通用 HTTP 步驟裡）。自行託管讓你在 5 美元的 VPS 上享有無限執行次數。而視覺化畫布讓你團隊中的非工程師也無須打開 JSON 編輯器，就能對出錯的 Apollo 呼叫進行除錯。如果你對 n8n 的 AI Agent 節點完全陌生，在動手建置之前，先從我們的 n8n AI Agents 教學 入門，它涵蓋了各項基礎元素。官方的 n8n Advanced AI 文件 則涵蓋節點參考說明。

七層架構（從意圖到回覆）

這七層分別是：名單導入（webhook 或 CSV）、資料補全（Apollo 或 Clay）、研究（抓取脈絡的 AI Agent）、生成（帶有護欄的郵件 LLM）、人工審核（前 100 封透過 Slack 核准）、發送（Instantly 或 Smartlead），以及回覆分類（將回覆導向 CRM、Slack 或自動回覆的 AI Agent）。每一層都精確對應到一個 n8n 節點——這正是讓整個建置保持可維護性的設計約束。

以下是逐層拆解：

PageLines 團隊針對自主 SDR 技術架構寫了一篇很有用的架構說明，描繪了類似的網格結構；我們在此更進一步，讓每一層都具體對應到 n8n 節點。若你想了解超越外寄郵件的多渠道自主化（例如將 LinkedIn + 郵件 + 廣告整合在同一個工作流程中），我們的 B2B 自主社群媒體名單生成指南涵蓋了並行的模式。

一個閉環的關鍵細節：回覆分類會作為負面訊號回饋至名單導入——任何取消訂閱或回覆「找錯人」的對象，都會在下一次資料補全時被標記為「請勿聯繫」。正是這個閉環，讓整套機制成為一個系統，而不只是郵件合併。

前置需求：n8n Cloud 與自架比較、LLM 金鑰、發送堆疊

在開啟 n8n 之前，你需要準備四樣東西：一個託管決策（Cloud 或自架）、兩組 LLM API 金鑰（OpenAI 加上作為備援的 Anthropic）、一套發送堆疊（Instantly 或 Smartlead，大規模發送時絕對不要用 Gmail），以及在獨立發送網域上 3 到 5 個已養暖的信箱。我們預設讓客戶使用每月 5 美元的 Hetzner 主機自架，因為一旦你超過每天 500 筆潛在客戶，n8n Cloud 的執行次數上限就會立刻成為問題。

Cloud 與自架的正面對決：

如果你選擇自架，以下是我們交付時使用的最精簡 docker-compose.yml：

services:
  n8n:
    image: n8nio/n8n:latest
    restart: always
    ports:
      - "5678:5678"
    environment:
      - N8N_HOST=n8n.yourdomain.com
      - N8N_PROTOCOL=https
      - N8N_BASIC_AUTH_ACTIVE=true
      - N8N_BASIC_AUTH_USER=admin
      - N8N_BASIC_AUTH_PASSWORD=${N8N_PASSWORD}
      - WEBHOOK_URL=https://n8n.yourdomain.com/
    volumes:
      - ./n8n_data:/home/node/.n8n

加入 Caddy 或 Traefik 來處理 HTTPS 終端。針對自架加上本機 LLM（隱私敏感的垂直領域），n8n + Ollama 完整教學是最乾淨的參考資料。LLM 金鑰：取得一組 OpenAI 金鑰（GPT-4o-mini 足以處理 90% 的工作）以及一組 Anthropic 金鑰（以 Claude Haiku 3.5 作為備援）。發送堆疊：每月 37 美元的 Instantly 提供無限養暖與乾淨的 API。請查看 n8n 的定價頁面以取得最新的 Cloud 方案數字。

步驟 1 — 名單導入與資料豐富化

名單導入只是入口，真正的功夫在資料豐富化——把一組 email 加公司名稱，變成一筆包含職稱、資歷層級、員工人數、募資階段、技術堆疊與近期 LinkedIn 動態的完整紀錄。我們預設用 Apollo 處理陌生查詢，用 Clay 處理那些棘手的模糊比對案例，payload 格式相同，單筆成本不同。Apollo 大量使用時每筆聯絡人約 $0.02–0.05 美元；Clay 則從每月 $349 美元起跳，提供更豐富的訊號挖掘。

1.1 Webhook 觸發（或 CSV 匯入）

有兩種模式。模式 A：每當團隊在「目標潛在客戶」Airtable 或 Google Sheet 中新增一筆資料時，webhook 便會觸發。模式 B：透過 n8n 的 Spreadsheet File 節點手動上傳 CSV。我們將模式 A 用於持續進行的行銷活動，模式 B 則用於來自銷售營運的一次性名單。

1.2 Apollo HTTP Request 節點

Apollo 的 /v1/people/match 端點會接收一組電子郵件，並回傳已充實的紀錄：

{
  "method": "POST",
  "url": "https://api.apollo.io/v1/people/match",
  "headers": {
    "Content-Type": "application/json",
    "Cache-Control": "no-cache",
    "X-Api-Key": "{{ $env.APOLLO_API_KEY }}"
  },
  "body": {
    "email": "={{ $json.email }}",
    "reveal_personal_emails": false,
    "reveal_phone_number": false
  }
}

將回應接入 Set 節點，從中取出 organization.industry、organization.estimated_num_employees、title 與 seniority。這就是你的充實資料承載。

1.3 Clay 與 Apify 的替代方案

如果 Apollo 查無資料（根據我們的經驗，約有 15–20% 的 B2B 聯絡人會發生這種情況），可以改用 Apify Proxycurl 查詢 LinkedIn 資料，每次查詢費用為 0.01 美元；若你需要跨多個供應商進行串接式資料補全，則可選用 Clay。建議在 n8n 中使用 IF 節點建立 try/catch 分支，讓未命中的潛在客戶能進行第二次查詢，而不是直接流失。

1.4 輸出 Schema

在下游統一採用單一 JSON schema：

{
  "lead_id": "string",
  "email": "string",
  "first_name": "string",
  "company": "string",
  "title": "string",
  "industry": "string",
  "headcount": "integer",
  "linkedin_url": "string",
  "enrichment_source": "apollo|clay|proxycurl"
}

資料補充是設定 Apollo 後續個人化預算的環節，每筆成本 0.04 美元的聯絡人，就為該潛在客戶所能合理支撐的 LLM token 支出設下了 0.04 美元的上限。

步驟 2 — 使用 AI Agent 節點的研究層

Research Agent 的工作是接收一筆已充實的潛在客戶資料，並輸出一句話的痛點假設，以及一個近期的觸發事件（例如募資輪次、產品發布、新任職人員）。它以一個 AI Agent 節點的形式運行，配備兩種工具：一個網路搜尋工具（SerpAPI 或 Brave Search），以及一個選擇性的 LinkedIn 查詢工具（Proxycurl）。輸出為結構化的 JSON，讓下一個節點可以根據 icp_fit_score 進行分支判斷。我們發現 GPT-4o-mini 能以 Sonnet 二十分之一的成本處理 80% 的研究工作，只有在 ICP 契合分數落在模糊地帶（0.4–0.6）時，才升級交由 Claude Sonnet 處理。

2.1 AI Agent 節點設定

模型：GPT-4o-mini。溫度：0.3（你要的是一致性，而非創造力）。記憶：關閉，每筆潛在客戶都是無狀態的。最大迭代次數：5（為工具呼叫迴圈設上限，否則 token 成本會因幻覺搜尋而暴增）。

2.2 工具

附加兩個 HTTP Request 工具：一個用於 SerpAPI（https://serpapi.com/search?q={query}&num=5），另一個用於 Proxycurl LinkedIn。由 Agent 自行決定要呼叫哪一個。

2.3 結構化輸出

對輸出強制套用 JSON schema：

You are a B2B research agent for an AI SDR pipeline. Given an enriched lead,
research their company in the last 90 days and return a structured assessment.

Tools:
- web_search(query): SerpAPI top 5 results
- linkedin_lookup(url): Proxycurl person + company profile

Rules:
- Spend at most 3 tool calls per lead.
- If no recent trigger found, set recent_trigger to null. Do not invent.
- ICP fit is for B2B SaaS sellers: prefer 50-500 headcount, recent funding.

Output JSON exactly:
{
  "icp_fit_score": 0.0-1.0,
  "pain_hypothesis": "string, ≤25 words",
  "recent_trigger": "string or null",
  "do_not_contact_reason": "string or null"
}

do_not_contact_reason 欄位是防護機制，當代理偵測到競爭對手、現有客戶或近期裁員時，請設定此欄位。只要此欄位有值，就會略過管道的其餘步驟。

步驟 3 — 具備護欄的電子郵件生成

Email Generation Agent 是整個建置中部署量最高的資產。它的任務是：接收經過充實的潛在客戶資料與 Research Agent 的輸出，產出不超過 50 個字元的主旨、不超過 80 個字的內文，以及一個溫和的行動呼籲（CTA）。它也會透過生成後的正則表達式處理來移除禁用詞彙。禁用詞彙清單是我們部署量最高的單一護欄——只要移除「revolutionary」這個詞，回覆率就能在一夜之間提升 1 到 2 個百分點。Apollo 自家的護欄指南也以供應商數據佐證了這一點。

3.1 系統提示詞（核心資產）

將以下內容直接複製貼上到你的 AI Agent 節點中：

You are a B2B sales development rep with 3 years of tenure writing cold emails
for a SaaS company. You write the way an experienced AE writes — direct,
specific, no marketing fluff.

INPUT: enriched lead JSON + research JSON.

VOICE RULES:
- Write like a 3-year-tenure AE, not a marketer.
- One ask per email. Soft, low-friction (15-min call, not "demo").
- Reference the recent_trigger if present. Otherwise reference the pain_hypothesis.
- First sentence is NOT a greeting. Start with the trigger or pain.
- No exclamation marks. No emojis.

LENGTH:
- Subject: ≤ 50 characters.
- Body: ≤ 80 words.
- Single paragraph + CTA on its own line.

BANNED PHRASES (case-insensitive — never use any of these):
- "hope this email finds you well"
- "I wanted to reach out"
- "circle back"
- "touch base"
- "synergy"
- "leverage" (as verb)
- "revolutionary"
- "game-changing"
- "in today's fast-paced world"
- "I came across your"
- "quick question"
- "just checking in"

BANNED OPENERS:
- Any sentence starting with "I" or "We".
- Any compliment about the recipient's company ("love what you're doing").

OUTPUT JSON exactly:
{
  "subject": "string",
  "body": "string",
  "cta": "string (one sentence, the ask)",
  "intent_score": 0.0-1.0 (your confidence this lands)
}

If you cannot write an email that passes the rules without inventing facts,
return: {"subject": null, "body": null, "cta": null, "intent_score": 0.0}.
Do not invent quotes, statistics, or product features.

3.2 結構化輸出

intent_score 欄位是你的第二道防線。無論行銷活動處於哪個階段，只要低於 0.6 就會被轉送至人工審核佇列。我們會依 ICP 調整門檻，企業級 ICP 的下限為 0.75，SMB 則為 0.55。

3.3 生成後的正則表達式檢查

n8n 的 Function 節點會針對禁用詞語清單執行最後一輪正則表達式掃描（因為 LLM 偶爾會透過同義詞將這些詞語偷渡回來）。只要有任何符合，該郵件就會被退回佇列，並附上一段回饋字串供下次嘗試使用。每個客戶合作案開始時，對方都會提供最近 50 封外寄郵件給我們，而我們的模型會同時撰寫 50 封，這種 A/B 比較方式就是我們針對各 ICP 校準禁用詞語清單的方法。

步驟 4 — 人工審核（前 100 封電子郵件）

人工審核對前 100 封電子郵件至關重要，因為這正是模型盲點浮現的時候：像是 ICP 定位失準、不合時宜的引述，或是漏網的禁用詞彙。當 100 封電子郵件順利通過、拒絕率低於 5% 之後，你就可以升級到抽查模式，也就是每天審查 10% 的滾動樣本。在前 100 封電子郵件以低於 5% 的拒絕率通過之前，我們絕不會讓客戶進入全自動運行——這就是交接門檻。

使用 n8n 的 Send and Wait for Approval 節點來串接 HITL 分支。它會將潛在客戶的姓名、生成的主旨和內文發佈到專屬的 Slack 頻道。審核者按下 Approve 或 Reject。Approve 會導向 Send；Reject 則帶著一行回饋字串回到 Generation 步驟（「太正式」、「沒抓到觸發點」、「禁用詞彙：synergy」）。

前 100 封要品管的項目：

• 禁用詞彙（正規表達式能抓到大部分，剩下的靠人工）
• ICP 定位失準（你鎖定的是 CTO，郵件讀起來卻像寫給行銷人員）
• 語氣（過於急切、過於正式、過於功利）
• 憑空捏造的事實（模型虛構了一項功能、一個競爭對手名稱、一段引述）

專業提示：將每個拒絕理由記錄到 Postgres 資料表。滿 100 封之後，對這些拒絕案例進行一次分群分析以更新系統提示詞——這就是提示詞隨 ICP 演進的方式。

步驟 5 — 寄信與送達率（SPF、DKIM、DMARC、暖信）

80% 的 AI SDR 系統都是在送達率這一關栽跟頭的。以下幾點沒有商量餘地：使用獨立的寄信網域（絕對別用你的主網域）、完整設定 SPF + DKIM + DMARC、每個信箱每天寄信上限 40-50 封，以及在第一次冷開發寄信前先進行為期 3 週的暖信。一旦你的垃圾郵件率超過 0.3%，Google 就會限流你的整個網域，而不只是出問題的那個行銷活動。

5.1 獨立的發送網域

註冊一個相似網域（使用 getyourcompany.com 而非 yourcompany.com），並將回信轉寄至你的主要收件匣。這樣可以隔離你的網域信譽。萬一冷網域被燒掉，你的真實網域仍能保持乾淨。

5.2 SPF、DKIM、DMARC

完整的到達率檢查清單：

RFC 8058 是一鍵取消訂閱標準，Gmail 與 Yahoo 現已要求大量寄件者必須採用。Instantly 與 Smartlead 會自動加入此標頭。

5.3 發送上限與暖信

每個信箱每天 40–50 封郵件，硬性上限。五個完成暖信的信箱 = 每個網域每天 200–250 封郵件。需要更多嗎？增加信箱數量，而不是提高每個信箱的發送量。在正式發送之前，暖信需運行 3 週。Instantly 的免費暖信池就能幫你達成目標。

5.4 法規遵循

美國：CAN-SPAM 要求提供實際的郵寄地址以及有效的取消訂閱機制，FTC 的遵循指南是最權威的參考資料。歐盟：GDPR 第 6 條第 1 款 (f) 項的合法利益，是 B2B 陌生開發信通常採用的法律依據，並須在 72 小時內完成有紀錄的退出處理，官方條文篇幅很短，值得一讀。加拿大：CASL 比 CAN-SPAM 更為嚴格，要求取得明確或默示的同意。

Instantly 的到達率報告指出，若上述每一項都確實做到，2025–2026 年的信箱到達率基準為 85–90%。多數團隊只能達到 50–60%，因為他們省略了使用獨立網域這個步驟。

步驟 6 — 回覆分類與 CRM 同步

回覆分類會將收到的回覆分流至五個類別：有興趣、反對意見、取消訂閱、不在辦公室、找錯人，並針對每個類別觸發不同的動作。有興趣的回覆會通知創辦人的 Slack，並建立一筆 HubSpot 交易。反對意見則會轉入後續跟進序列。取消訂閱會寫入抑制名單。不在辦公室會觸發 7 天後重新發送。找錯人則會更新 CRM，並請求轉介紹。在客戶端的部署中，正是這個 H2 區分出「AI 產生郵件」與「AI 經營一條銷售管道」的差別——少了回覆分類，你不過是個花俏的郵件合併工具罷了。

6.1 IMAP 觸發器

n8n 的 IMAP Email 觸發器每 60 秒輪詢一次你的寄件信箱。篩選出父執行緒由你的行銷活動所發起的郵件（將 In-Reply-To 標頭與你的 Message-ID 記錄進行比對）。

6.2 回覆分類代理程式

You are a reply-classification agent for an AI SDR pipeline. Read the reply
and classify intent.

OUTPUT JSON exactly:
{
  "intent": "interested|objection|unsubscribe|ooo|wrong_person",
  "confidence": 0.0-1.0,
  "suggested_action": "string, ≤20 words"
}

Rules:
- "interested" = explicit yes, time proposal, or follow-up question.
- "objection" = "not now", "send info", "we use X".
- "unsubscribe" = any opt-out phrase, even polite.
- "ooo" = auto-reply detected.
- "wrong_person" = "I don't handle this", "try X@", "I left the company".

If confidence < 0.7, default intent to "objection" (safer than wrong action).

6.3 Switch 節點路由

n8n 的 Switch 節點會根據 intent 進行分流：

• interested → HubSpot 聯絡人更新（lifecycle = SQL）+ 發送 Slack 通知至 #sales
• objection → 加入跟進序列，延遲 5 天
• unsubscribe → 寫入 Postgres 抑制名單資料表 + 發送確認訊息
• ooo → 排定 7 天後重新發送
• wrong_person → 更新 CRM、將電子郵件標記為無效，並透過自動回覆請求轉介

6.4 HubSpot 同步

n8n 的 HubSpot 節點負責處理聯絡人建立、交易階段更新與活動記錄。我們將每封寄出的郵件和收到的回覆都記錄為 HubSpot Engagement，讓你的業務代表能在手動外展的同時，直接檢視 AI 的對話紀錄。

步驟 7 — 評估迴圈（回覆率目標與 QA 節奏）

評估迴圈是防止系統偏移的關鍵。每週追蹤回覆率、在 HITL 畢業後執行 10% 的 QA 抽樣、透過 Switch 節點對提示詞變體進行 A/B 測試，並在 Postgres 資料表中對每次提示詞變更進行版本管理。我們見過最大的錯誤：團隊上線了 AI SDR 卻從不跑評估迴圈，六個月後他們以 0.4% 的回覆率發送一萬封郵件，卻不知道問題出在哪裡。

回覆率目標：

A/B 測試設定：複製你的 Email Generation Agent，變更單一變數（主旨公式、開場風格、CTA 柔和度），將兩者透過 Switch 節點以 50/50 輪流分配流量。每組發送 200 封後，回覆率較高的變體即成為預設版本。當規模超過每月 5,000 筆潛在客戶、需要系統化追蹤提示詞品質時，請參考我們的 LLM 評估工具總整理——在該規模下，你需要的是 Langfuse 或 Arize，而非 Postgres。

HITL 畢業後的 QA 節奏：每日抽樣審查 10% 的隨機樣本、每週五進行全週稽核、每當回覆率在任何方向變動超過 1 個百分點時即進行提示詞版本管理。

這實際上要花多少錢（每月 1,000 vs 10,000 筆潛在客戶）

在每月 1,000 筆潛在客戶的規模下，DIY n8n 架構的月費為 $70-84。在每月 10,000 筆時則擴展至 $280-340。相較於 11x 每月 $2,000 或 Artisan 每月 $1,500，12 個月的總持有成本差距極為驚人——入門級別約為 $24,000 對比 $780，而這還包含了 8 小時的一次性建置時間。在每月 1,000 筆潛在客戶的規模下，DIY n8n 架構的成本還不到 11x 向你收取一小時的費用。

兩種用量下的逐項月費明細：

GPT-4o-mini 每百萬 token $0.15/$0.60（依據 OpenAI 定價頁面）是成本計算的關鍵驅動因素，Anthropic 定價上的 Claude Haiku 3.5 則相當接近。你可以透過使用 Apify Proxycurl（每次查詢 $0.01）取代 Apollo 來進行資料補充，將成本壓低至接近 $50，但我們保留 Apollo 以確保冷開發聯絡人的資料準確度。如果你還在挑選 LLM，我們的 AI agent 框架排名詳細說明了每千 token 成本的取捨。

各供應商 12 個月總持有成本：

對託管工具來說，這筆帳算起來非常殘酷。即使加上 8 小時的建置時間、以每小時 $150 的混合費率計算（$1,200），DIY 架構每年仍比 11x 省下 $22,000。

什麼情況下不該自建這套系統

如果你每月發送的冷郵件不到 100 封，就別自建了——花 8 小時蓋出來的東西根本回不了本。如果你身處受監管產業（醫療、金融、政府），卻沒有取得法務對冷開發信的書面核准，也別做。如果你是沒有餘力維護系統的非技術背景獨立創辦人，跳過。如果你的團隊連 SPF 和 DKIM 都分不清楚，跳過。如果你的理想客戶畫像（ICP）是消費端，冷郵件只適用於 B2B，沒有例外。

以下是這些排除條件的詳細說明：

• 每月外發郵件不到 100 封： 建置時間超過一整年能省下的成本。用有免費方案的托管工具，或手動處理就好。
• 受監管產業且未取得法務核准： HIPAA、GLBA 等法規讓冷開發信成為合規地雷區。先找律師。
• 沒有暖機基礎設施： 如果你沒有 Instantly 或 Smartlead，也不願意花三週替網域暖機，第一週就會把寄件者信譽燒光。
• 沒有維護餘力： 這是一套需要每週評估的系統。如果沒人負責回覆率儀表板，它就會淪為噪音。
• 消費端 ICP： 對消費者發冷郵件雖然符合 CAN-SPAM 規範，但在商業上完全行不通。改投付費廣告。

如果你的團隊連 SPF 和 DKIM 都搞不清楚，AI SDR 不是你的瓶頸——寄信基礎設施才是。先把那個修好。我們在自建 vs. 購買 AI 語音代理指南中拆解了同樣的「自建 vs. 購買」三選項框架，那套方法論在這裡完全適用。

Techsy 如何為客戶交付這套架構

我們將這套完整的架構以代理服務合作的形式部署。時程規劃如下：第一週，我們審查你的 ICP、設定獨立的寄信網域、配置 SPF/DKIM/DMARC，並開始信箱暖身。第二週，我們針對你的 CRM 建立 n8n 工作流程。第三至第四週，我們與你的團隊並行執行 HITL。第五週起，進入全自動運行，並每日監控回覆率。

客戶需要提供給我們的內容：他們的 ICP 文件、近期由真人撰寫的 50 封外發郵件（我們會用這些郵件，針對品牌語氣校準禁用詞清單），以及他們目前已完成暖身的信箱數量（不足時我們會再補充）。我們交付的內容：針對你的技術棧配置完成的 n8n 工作流程、依據你的品牌語氣調校過的系統提示詞、30 天的回覆率監控，以及一份供你的團隊在交接後使用的 Notion 操作手冊。

你付費購買的是我們的暖身紀律與回覆率監控，而不是 n8n 授權。或者，想讓我們直接為你打造這套系統嗎？Techsy 的 AI SDR 代理服務頁面詳細說明了我們如何為 B2B 團隊交付這套系統。

常見問題

什麼是 AI SDR？它是如何運作的？

AI SDR 是一套自動化工作流程，能夠匯入目標潛在客戶、以企業屬性資料進行豐富化、透過 LLM 撰寫個人化開發信、從已預熱的信箱寄出，並將回覆歸類至不同的處理類別。整個流程無需人類 SDR 介入，但 ICP 的定義、法務簽核，以及當回覆轉為實際對話時的升級處理，仍由人類負責。

2026 年在 n8n 中建置 AI SDR 的成本是多少？

每月處理 1,000 筆潛在客戶時，預估月成本為 70–84 美元：VPS 5 美元、GPT-4o-mini token 8–12 美元、Apollo 20–30 美元，以及 Instantly 37 美元。若每月處理 10,000 筆潛在客戶，成本則會擴展至 280–340 美元。相較於 11x 每月約 2,000 美元，或 Artisan 每月 1,500 美元，即使計入 8 小時的建置時間，12 個月的 TCO（總持有成本）差距仍超過 20,000 美元。

n8n 真的能取代 Clay、Apollo 或 11x 這類工具嗎？

n8n 取代的是 11x 和 Artisan 收取費用的編排層與電子郵件生成層。但它無法取代底層資料——你仍然得付費給 Apollo 或 Clay 進行資料補充，因為聯絡人資料庫掌握在他們手中。成本上的優勢來自編排費用，以及托管工具動輒加成 20 到 30 倍的 LLM 附加費。

用 n8n 打造的 SDR 發送冷郵件安全嗎？

安全，前提是你正確設定好郵件遞送能力：使用獨立的發送網域、設定 SPF + DKIM + DMARC、將每個信箱的每日發送上限設為 40–50 封、實作 RFC 8058 一鍵取消訂閱，並在首次發送前進行三週暖機。少了這些，無論用的是哪個工具來產生郵件內容，你都會在第一週就燒掉自己的寄件者信譽。

AI SDR 最適合使用哪個 LLM？GPT-4o-mini、Claude Haiku 還是 Gemini Flash？

GPT-4o-mini 是我們的預設選擇，每百萬 token 價格為 $0.15/$0.60，能穩定處理 80% 的研究與生成任務。Claude Haiku 3.5 表現相當，在語氣掌握上略勝一籌。Gemini Flash 最便宜，但在結構化輸出方面較不穩定。建議以 GPT-4o-mini 為主，並用 Claude Haiku 處理那 20% 較難判斷的邊緣情境。

我需要自架 n8n，還是用 n8n Cloud 就好？

如果你每月潛在客戶數低於 500 筆，而且不需要本機 LLM，用 n8n Cloud Starter（每月 $24）就够了。一旦每月超過 500 筆，就該自架在 $5 的 Hetzner VPS 上——Cloud 的執行次數上限會成為瓶頸，而且你沒辦法跑 Ollama。自架會多出 Docker 維護成本，但能解鎖無限執行次數與本機 LLM 選項。

如何避免我的寄信網域被列入黑名單？

每個信箱每天最多寄送 40–50 封電子郵件、絕對不要使用你的主要網域、將垃圾郵件投訴率維持在 0.3% 以下、在 24 小時內處理退訂要求、每週監控 Google Postmaster Tools，並在信譽下降時輪替信箱。單一最有效的改善做法是使用獨立網域——一旦行銷活動出問題，你的主要網域仍能保持乾淨。

我該自建 AI SDR，還是購買 11x／Artisan／Regie？

如果你擁有熟悉 n8n 的開發者、每月發送超過 500 封冷郵件，並希望掌握郵件生成的主導權，那就適合自建。如果你是非技術團隊、每月發送量少於 100 封，或需要在本週內上線，那就適合購買。自建的 12 個月總持有成本（TCO）約為 780 美元，而 11x 則要 24,000 美元，但這只在你確實持續維護的前提下才成立。

在 n8n 中建一個 AI SDR 需要多久？

如果你已經有 Apollo、OpenAI 和 Instantly 帳號，而且熟悉 n8n 操作，大約 4 到 8 小時就能搞定。如果你是一邊學 n8n 一邊建置，大概要 16 到 20 小時。另外還要再抓一週左右的時間來設定和暖機寄信網域，之後才能正式跑開發信。寄信可達性這一層，往往比工作流程本身還要花更多時間。

n8n AI SDR 的回覆率多少才算合理？

在 ICP 經過調整且郵件送達率良好的情況下，冷開發首次觸及的回覆率約為 3-8%。序列中第 2-3 封信的回覆率則落在 2-5%。溫熱跟進（對方已回覆過一次）的回覆率可達 8-15%。如果首次觸及的回覆率低於 1%，問題幾乎都出在 ICP 設定偏移或寄件網域信譽不佳，而非郵件文案本身。請先修正上游環節，再來調整提示詞。