AI自动化工作流：用Make.com串联ChatGPT和Google Sheets实现日报自动生成
用 Make.com 把 ChatGPT 和 Google Sheets 串成日报流水线，关键在于：表格当数据源，模型只负责把数字写成话，定时器负责触发和回写。下面用一个运营日报的真实场景，把每一步拆开讲。
案例背景：一份每天重复的运营日报
一家做家居类目的小团队，运营每天上午做同一件事：打开三个后台，把昨天的曝光、点击、询盘、成交抄进 Google Sheets，再对着数字写一段人话总结发到工作群。表格结构固定，文案套路固定，只有数字在变。这件事每天占掉半小时到一小时，忙起来还容易漏做、抄错行。
这个案例有代表性。只要满足三个条件——数据在结构化表格里、文案有固定套路、按时间触发——就适合交给 Make.com 这类可视化平台。它不需要写代码，用拖拽节点把 Google Sheets 和 ChatGPT 接起来。
拆环节：哪些步骤交给机器，哪些留给人
把日报拆开，无非五段：取数、清洗、写文案、格式化、分发。取数、清洗、格式化、分发都是重复劳动，交给机器；写文案交给模型；但「今天的数据算不算异常、要不要提醒负责人」这条判断留给人。先把这条线划清楚再动手，能省掉后面一半返工。
搭建过程：把 Sheets 和 ChatGPT 接起来
准备表格与两个连接
在 Google Sheets 里建两个工作表：raw 存原始数据，按日期一行；report 存日报稿，A 列日期、B 列正文。到 Make.com 新建 Scenario，添加 Google Sheets 模块时会要求建 Connection，走 OAuth 授权，登录有编辑权限的 Google 账号。表格如果在共享盘或别人名下，先确认授权账号能写，否则最后写回会报权限错误。
再建 OpenAI 连接：在 platform.openai.com 的 API keys 页面生成密钥，填进 Make.com 的 OpenAI 模块。密钥只在创建时显示一次，复制后存进密码管理器。
取数、清洗与字段映射
用 Google Sheets → Search Rows 读 raw 表，加 Filter 限定日期为昨天。日期别手写死，用 formatDate(addDays(now; -1); "YYYY-MM-DD") 这类函数生成。注意 Scenario 时区默认常是 UTC，改成 Asia/Shanghai，否则「昨天」会错一天。
读回来的数据先做一次映射：中文列名改成提示词里的固定字段名，数字列用 parseNumber 或 formatNumber 去掉千分位和百分号。清洗放在 ChatGPT 之前，比让模型猜格式靠谱得多。
提示词与结构化输出
OpenAI 模块选 Create a Chat Completion，system 里写清角色和口径，user 里用变量拼当天数据。核心要求是输出 JSON，例如：
{"summary": "不超过120字的日报正文", "level": "normal|warn"}
提示词里补一句「只输出 JSON，不要解释」，后面接 JSON → Parse JSON 模块，取出 summary 写进 report 表，level 决定是否加急推送。Temperature 调到 0~0.3，日报要的是稳定不是文采。
定时触发与回写分发
调度器选 Schedule，设成每天早上八点跑一次，时区同上。不要用 Watch Changes 触发全流程——写回表格时会再次触发自己，形成循环。
写回用 Google Sheets → Add a Row。要同步发群，接 Slack、企业微信机器人或 Gmail 模块，把 summary 当消息正文；level 为 warn 时换渠道或加 @ 提醒。
踩坑记录：格式、额度与失败处理
输出不是合法 JSON。 模型偶尔会裹上 markdown 代码块标记，在 Parse JSON 前加一个 replace 去掉三反引号，或改用支持 JSON 模式的参数。
token 与费用。 单次日报的输入输出通常在几百到几千 token 的量级，按各家官方定价折算，日常量级的团队每月支出大概是几十元的量级，具体以平台账单为准。省钱的思路是先把历史数据汇总成几个指标再喂给模型，别整表塞进去。
数据脱敏。 客户姓名、手机号、订单号不要进 prompt。做法是在 Sheets 里加一列聚合后的指标，Make.com 只读这一列。
失败重试。 右键模块 → Add error handler，可以选 Break 暂停并等待重跑，或 Resume 用默认值继续。给 OpenAI 模块挂 Retry，次数两三次，间隔按秒递增。
权限与共享。 机器写入的行加一列 来源 标成 auto，人工复核时好过滤；多人共用表格时别手改脚本负责的列。
这类自动化的边界
Make.com 的好处是可视化、节点多、免费额度够试水；代价是逻辑一复杂就难维护，节点堆多了排查很痛苦。条件分支多、需要版本管理的场景，用 n8n 自建或直接写脚本更合适。
判断标准就一条：每天重复、步骤固定、数据已经在表格或数据库里，就值得自动化。搭一次大约一两个小时，之后省下的时间都是净收益。真正的门槛不在工具，而在把日报口径和异常判断标准写清楚——这件事机器替不了你。