Практика с n8n: от ручной сборки первой ветки к полному pipeline проверки контрольной

Что Именно Мы Вводили Вручную

mode = create_assessment
subject = биология
grade = 7 класс
topic = фотосинтез
difficulty = средний
task_count = 6
task_types = 2 тестовых, 2 коротких открытых, 1 на объяснение, 1 на применение

Что Мы Передавали В HTTP Request

{
  "model": "openrouter/free",
  "temperature": 0.2,
  "messages": [
    {
      "role": "system",
      "content": "Ты помогаешь учителю создавать контрольные работы. Пиши ясно, без лишней воды, не выдумывай факты, учитывай возраст и уровень учащихся. Возвращай результат только в трех блоках и ничего больше: CONTROL_WORK, ANSWER_KEY, TEACHER_NOTES."
    },
    {
      "role": "user",
      "content": "Создай контрольную работу.\n\nПредмет: {{$json.subject}}\nКласс: {{$json.grade}}\nТема: {{$json.topic}}\nСложность: {{$json.difficulty}}\nКоличество заданий: {{$json.task_count}}\nТипы заданий: {{$json.task_types}}\n\nТребования:\n- контрольная должна подходить для реального урока;\n- задания должны быть разнообразными, но посильными;\n- после контрольной отдельно дай ключ ответов;\n- добавь краткое пояснение для учителя, как лучше использовать эту работу."
    }
  ]
}

Как Мы Тестировали Первую Ветку

• Сначала запускали только Execute step внутри Edit Fields, чтобы убедиться, что входные поля собираются правильно.
• Потом запускали Switch и проверяли, что item попадает именно в выход 0 для create_assessment.
• Дальше запускали HTTP Request и смотрели, отвечает ли endpoint в OpenAI-compatible формате.
• В конце открывали Extract Assessment Text и проверяли, что поле assessment_result действительно содержит текст контрольной.

Пошагово: Где Нажимать И Что Получится

Шаг 1. Пустой Workflow

1. Открыть новый workflow.
2. Убедиться, что на экране только пустой холст.
3. Начать с добавления первого шага.

Шаг 2. Manual Trigger

1. Нажать Add first step.
2. В поиске ввести Manual.
3. Выбрать Manual Trigger.

Шаг 3. Edit Fields

1. Нажать + после Manual Trigger.
2. Найти Edit Fields (Set).
3. Открыть его для ввода стартовых параметров.

Шаг 4. Поля Для Первой Ветки

1. Добавить поля mode, subject, grade, topic, difficulty, task_count, task_types.
2. Сразу задать явные значения: mode: create_assessment, grade: 1 класс.
3. Нажать Execute step и убедиться, что output содержит эти поля.

Шаг 5. Switch

1. Добавить Switch после Edit Fields.
2. В верхнее поле правила подставить {{$json.mode}}.
3. Сравнить его с create_assessment.
4. Позже добавить ещё две ветки: grade_submissions и publish_results.

Шаг 6. HTTP Request

1. Добавить HTTP Request к первой ветке Switch.
2. Поставить POST.
3. Указать URL модели.

Шаг 7. Credential

1. Создать или выбрать Bearer Auth credential.
2. Подключить его к HTTP Request.
3. Оставить в headers только Content-Type: application/json.

Шаг 8. Первый Живой Ответ

1. Вставить JSON body с prompt на генерацию контрольной.
2. Нажать Execute step.
3. Убедиться, что endpoint возвращает ответ в OpenAI-compatible формате.

Шаг 9. Чистый Текст Результата

1. Добавить ещё один Edit Fields (Set) после HTTP Request.
2. Создать поле assessment_result.
3. Вставить значение {{$json.choices[0].message.content}}.
4. Нажать Execute step.

Пошагово: Что Делать С Полной Схемой

1. Откройте новый пустой workflow в n8n.
2. Выберите Import from file....
3. Сначала попробуйте импортировать Local Assessment Pipeline - Full.json.
4. Если нужен технический вариант под ту же базу n8n, возьмите local_assessment_pipeline_full.same_instance.json.
5. Откройте Set Pipeline Input.
6. Поставьте нужный mode.
7. Заполните только те поля, которые нужны выбранной ветке.
8. Нажмите Execute workflow.
9. Откройте финальный узел нужной ветки:
   • Extract Assessment Text
   • Extract Grading Result
   • Extract Publish Result

Какие Поля Нужны Для Каждого Режима

• student_name
• subject
• grade
• topic
• grading_result
• result_format

Как Вести Финальный Эксперимент

1. Разделите участников на 3-5 мини-групп.
2. Каждая группа выбирает одну тему.
3. Сначала все делают create_assessment.
4. Потом ведущий выдаёт готовый пример ответа ученика, и группа делает grade_submissions.
5. После этого группа делает publish_results и обсуждает, что стоит править руками.
6. В конце сравните, на каких темах система сработала увереннее, а где больше нужна ручная педагогическая проверка.

Как Выглядит Полная Линия После Import

Шаг 1. Импорт Полной Схемы

1. Создать новый пустой workflow.
2. Выбрать Import from file....
3. Сначала импортировать Local Assessment Pipeline - Full.json.
4. Если нужен технический вариант под ту же инстанцию, взять local_assessment_pipeline_full.same_instance.json.
5. Убедиться, что на схеме один Manual Trigger, один Set Pipeline Input, один Switch и три полноценные ветки.

Шаг 2. Проверка Create Assessment

1. В Set Pipeline Input поставить mode = create_assessment.
2. Нажать Execute workflow.
3. Проверить, что верхняя ветка стала зелёной.

Шаг 3. Проверка Grade Submissions

1. В Set Pipeline Input поставить mode = grade_submissions.
2. Оставить тестовые поля ученика и ключа.
3. Снова нажать Execute workflow.
4. Проверить, что средняя ветка стала зелёной.

Шаг 4. Проверка Publish Results

1. В Set Pipeline Input поставить mode = publish_results.
2. Оставить заполненные поля по ученику и краткому результату.
3. Ещё раз нажать Execute workflow.
4. Проверить, что нижняя ветка стала зелёной.