15 промтов для автоматизации рабочих процессов: Make, n8n, Zapier — от базы до экспертного уровня

15 промтов для автоматизации рабочих процессов: Make, n8n, Zapier — от базы до экспертного уровня

Автоматизация рабочих процессов перестала быть привилегией крупных корпораций. Сегодня любой специалист может настроить интеграцию между CRM, Telegram, Google Sheets и AI за несколько минут. Главный вопрос — как правильно сформулировать задачу для нейросети, чтобы она сгенерировала рабочий сценарий, а не абстрактные рассуждения.

В этой статье — 15 промтов, которые я собирал и тестировал в реальных проектах. Они разбиты на три уровня: базовый (для новичков), продвинутый (для продакшен-сценариев) и экспертный (для сложной логики и кастомных интеграций).

Почему промты важны для автоматизации

Современные платформы-оркестраторы (Make, n8n, Zapier) не требуют кода, но требуют точного описания логики. Среднестатистический пользователь тратит 2–3 часа на отладку простого сценария — просто потому что не может внятно объяснить AI, что нужно сделать.

Правильный промт — это:
- Чёткая цель (что должно произойти)
- Формат вывода (JSON, таблица, инструкция)
- Контекст (какие сервисы участвуют)
- Ограничения (избегать дублей, проверять ошибки)

Согласно опросу Zapier за 2025 год, 72% пользователей, использующих AI-промты для генерации сценариев, сократили время настройки интеграций в 3–5 раз. Источник: официальный блог Zapier.

Базовые промты (уровень: новичок)

Эти промты подойдут, если вы только знакомитесь с Make, n8n или Zapier. Они генерируют простые сценарии: сохранить вложение из письма, отправить уведомление, записать данные.

1. Автоматическое сохранение вложений из Gmail в Google Drive

Задача: Напиши сценарий для Make, который при получении письма с вложением в Gmail сохраняет файл в указанную папку Google Drive и отправляет уведомление в Telegram.

Промт:

Создай сценарий в Make (бывший Integromat):
1. Триггер: Gmail — «Watch Emails» с фильтром has:attachment
2. Модуль: Gmail — «Get Emails» (только последнее письмо)
3. Модуль: Iterate Attachments
4. Модуль: Google Drive — «Upload a File» (папка: «Входящие документы»)
5. Модуль: Telegram — «Send a Text Message» с текстом: «Новый файл: {{attachment.name}}»
Убедись, что сценарий не обрабатывает одно и то же письмо дважды.

Пример результата:
Нейросеть вернёт JSON-схему сценария, включая настройки фильтра has:attachment, путь к папке 1ABCD... и токен Telegram. Вы можете скопировать эту конфигурацию в Make и запустить.

2. Сбор лидов из формы на сайте в Google Sheets

Задача: Создай сценарий для n8n, который принимает данные из вебхука и записывает их в Google Sheets.

Промт:

n8n workflow:
1. Webhook-узел с методом POST (ожидает JSON: {name, email, phone, message})
2. Google Sheets — Append Row (таблица: Leads, лист: Sheet1, колонки: A-имя, B-email, C-телефон, D-сообщение, E-дата)
3. Добавь проверку: если email пустой — не записывать, вернуть ошибку 400.
Выведи лог выполнения в консоль n8n.

Пример результата:
Сгенерированная конфигурация включает узел IF для проверки email, функцию DateTime для простановки даты и вебхук с автоматическим ответом 200 OK.

3. Автоматическая публикация постов из RSS в Telegram-канал

Задача: Настрой Zapier — новый пост из RSS-ленты (например, Habr) автоматически публикуется в Telegram-канал.

Промт:

Zapier Zap:
1. Trigger: RSS by Zapier — «New Item in Feed» (URL: https://habr.com/ru/rss/articles/)
2. Action: Telegram by Zapier — «Send Message» (канал: @mychannel, текст: «{{title}} — {{link}}»)
3. Фильтр: не публиковать, если заголовок содержит «реклама» или «партнёрский».
Объясни, как получить API Token для Telegram-бота.

Пример результата:
Пошаговая инструкция с ссылкой на BotFather, код фильтрации на JavaScript (для Zapier Filter) и пример готового сообщения.

Продвинутые промты (уровень: опытный пользователь)

Подходят для продакшен-сценариев, где нужна обработка ошибок, работа с API, динамические данные.

4. Обработка заказов из Telegram в CRM с AI-классификацией

Задача: Создай сценарий в Make, который получает заказ из Telegram-бота, классифицирует его с помощью AI (GPT-4o) и создаёт сделку в CRM.

Промт:

Make scenario:
1. Telegram — «Watch Updates» (бот: @my_order_bot)
2. HTTP-модуль — отправить запрос к OpenAI API:
- URL: https://api.openai.com/v1/chat/completions
- Модель: gpt-4o
- Prompt: «Классифицируй запрос: {текст}. Категории: поддержка, продажа, жалоба. Ответь только категорией.»
3. Router — три ветки в зависимости от категории
4. CRM (например, HubSpot) — Create Deal с полями: название, категория, источник=Telegram
5. Обработка ошибок: если API не ответил за 10 сек — повтор через 2 секунды (retry=2)

Пример результата:
Сценарий включает модуль HTTP Request с Bearer-токеном, роутер на три пути и логику retry с таймаутом. ASI Biont поддерживает подключение к Telegram через API — подробнее на asibiont.com/courses

5. Синхронизация данных между Asana и Jira через n8n

Задача: Реализуй двустороннюю синхронизацию задач между Asana и Jira на n8n.

Промт:

n8n workflow:
1. Trigger: Asana — «Task Created» (проект: «Разработка»)
2. HTTP-узел — создать задачу в Jira через REST API:
- URL: https://your-domain.atlassian.net/rest/api/3/issue
- Body: {project: {key: DEV}, summary: {{asana.name}}, description: {{asana.notes}}}
3. Если задача в Jira обновлена — обновить соответствующую задачу в Asana через её API.
4. Избегай бесконечных циклов: добавь поле «source» в кастомное поле Jira и Asana.

Пример результата:
Конфигурация включает IF-узел для проверки поля source, два HTTP-узла (GET и PUT) и логирование всех операций в лог-файл.

6. Генерация отчётов по данным из Google Analytics

Задача: Создай сценарий для Zapier, который раз в неделю собирает данные из Google Analytics 4 и отправляет PDF-отчёт на email.

Промт:

Zapier Zap:
1. Schedule by Zapier — «Every Week» (понедельник, 09:00)
2. Google Analytics 4 — «Run Report» (view: страницы, sessions, users за последние 7 дней)
3. Code by Zapier (JavaScript) — преобразуй данные в HTML-таблицу
4. PDF by Zapier — «Convert HTML to PDF» (ориентация: landscape)
5. Gmail — «Send Email» с вложением PDF и темой: «Еженедельный отчёт GA4»

Пример результата:
Готовый JS-код для преобразования данных в HTML, фильтр для исключения ботов и ссылка на настройку отчёта GA4.

Экспертные промты (уровень: профессионал)

Эти промты предполагают кастомную логику, работу с несколькими API, сложные условия и обработку исключений.

7. Мультиязычный AI-ассистент поддержки с эскалацией

Задача: Разработай сценарий в Make, который принимает запросы на любом языке, переводит на английский, анализирует тональность и распределяет между людьми и AI-ответами.

Промт:

Make scenario with AI:
1. Webhook — принять JSON: {text, language, user_id}
2. DeepL API — перевести текст на английский, если язык не английский
3. OpenAI API — определить тональность (positive/negative/neutral) и категорию (billing, technical, general)
4. Router:
- Если negative и категория billing → создать тикет в Zendesk с приоритетом High
- Если positive и general → отправить автоматический ответ через GPT-4o (Prompt: «Ответь дружелюбно, предложи помощь»)
- Иначе → создать задачу в Linear
5. Логирование в Google BigQuery: все запросы, ответы, время обработки

Пример результата:
Полная архитектура с несколькими API-ключами, роутером на 3 ветки, модулем Webhook Response и схемой BigQuery.

8. Автоматическое резервное копирование с уведомлениями

Задача: Создай сценарий в n8n для резервного копирования PostgreSQL в S3-хранилище.

Промт:

n8n workflow:
1. Schedule — «Every Day at 03:00»
2. Execute Command — pg_dump -h localhost -U user -d mydb > /tmp/backup.sql
3. Compress — gzip /tmp/backup.sql → /tmp/backup.sql.gz
4. S3 — Upload File (bucket: my-backups, key: db/{{$now.format('YYYY-MM-DD')}}/backup.sql.gz)
5. Slack — Send Message: «Резервное копирование завершено: {{file_size}} MB»
6. Обработка ошибок: если команда pg_dump вернула код ошибки ≠ 0 — отправить уведомление в PagerDuty

Пример результата:
Docker-команда для n8n с установленным PostgreSQL-клиентом, скрипт проверки размера файла и интеграция с PagerDuty.

9. AI-модерация контента в реальном времени

Задача: Реализуй модерацию комментариев на сайте через Zapier + AI.

Промт:

Zapier Zap:
1. Webhook by Zapier — «Catch Hook» (POST от сайта: {comment, author, page_url})
2. OpenAI (GPT-4o) — проверь комментарий на нарушение правил: оскорбления, спам, реклама. Ответь JSON: {is_approved: bool, reason: string}
3. Code by Zapier — парсинг JSON
4. If is_approved == false:
- WordPress — Update Comment (статус: pending)
- Slack — Send Message: «Комментарий от {{author}} требует проверки: {{reason}}»
5. If is_approved == true:
- WordPress — Update Comment (статус: approved)

Пример результата:
Код на JavaScript для парсинга JSON-ответа OpenAI, настройка вебхука WordPress и шаблон уведомления в Slack.

10. Динамическая ценообразование на основе конкурентов

Задача: Создай сценарий для мониторинга цен конкурентов и автоматического обновления цен в Shopify.

Промт:

n8n workflow:
1. Schedule — «Every 6 hours»
2. HTTP-узел — парсинг страницы конкурента (URL: https://competitor.com/product/123)
3. HTML Extract — извлеки цену (CSS-селектор: .price)
4. OpenAI — сравни с нашей ценой и предложи новую цену (стратегия: на 5% ниже конкурента, но не ниже себестоимости)
5. Shopify API — Update Variant (ID: 12345, price: {{new_price}})
6. Google Sheets — запиши историю: дата, цена конкурента, наша новая цена

Пример результата:
Скрипт для парсинга HTML с обработкой ошибок (если элемент не найден), формула расчёта цены и структура Google Sheets.

11. Автоматизация HR-онбординга с AI

Задача: Разработай сценарий в Make, который при создании нового сотрудника в BambooHR автоматически генерирует welcome-письмо, создаёт аккаунты и назначает задачи.

Промт:

Make scenario:
1. Trigger: BambooHR — «Employee Added»
2. OpenAI — сгенерируй welcome-письмо: «Напиши приветственное письмо для {{name}}, должность {{job_title}}, с информацией о первом дне.»
3. Gmail — Send Email (to: {{email}}, body: {{generated_text}})
4. Google Workspace — Create User (email: {{name}}@company.com, password: auto-generated)
5. Asana — Create Tasks:
- «Настройка рабочего места» (ответственный: IT)
- «Знакомство с командой» (ответственный: HR)
- «Доступ к системам» (ответственный: DevOps)
6. Slack — Send Message в канал #onboarding: «Приветствуем {{name}}!»

Пример результата:
Готовая структура сценария с 6 модулями, шаблон письма и настройки Asana.

12. Анализ тональности обратной связи с визуализацией

Задача: Создай сценарий для n8n, который собирает отзывы с нескольких платформ, анализирует тональность и строит дашборд.

Промт:

n8n workflow:
1. HTTP-узел — GET с API Trustpilot (последние 50 отзывов)
2. HTTP-узел — GET с API Google My Business (последние 20 отзывов)
3. Merge — объедини массивы
4. Loop Over Items — для каждого отзыва:
- OpenAI — определи тональность (positive/negative/neutral) и ключевые темы (service, price, delivery)
5. Google Sheets — Append Row: дата, платформа, тональность, темы
6. Google Data Studio — обнови дашборд (через API или ссылку)

Пример результата:
Схема сбора данных, промт для OpenAI с примерами, структура таблицы и ссылка на готовый дашборд.

13. Генерация контент-плана с AI и публикация

Задача: Настрой автоматическую генерацию контент-плана на неделю и публикацию в соцсети.

Промт:

Make scenario:
1. Schedule — «Every Monday at 10:00»
2. Google Sheets — Get Rows (таблица: «Контент-план», лист: «Неделя»)
3. OpenAI — для каждой строки с темой сгенерируй пост: «Напиши пост для LinkedIn на тему {{topic}}, стиль: экспертный, 300–500 символов, с хэштегами.»
4. LinkedIn API — Create Post (text: {{generated_post}})
5. Telegram — Send Message: «Опубликован пост на тему {{topic}}»

Пример результата:
Шаблон Google Sheets с колонками: дата, тема, статус; промт для OpenAI; настройки LinkedIn API.

14. ETL-пайплайн для маркетинговых данных

Задача: Реализуй ETL-процесс: загрузка данных из Facebook Ads, трансформация, загрузка в BigQuery.

Промт:

n8n workflow:
1. HTTP-узел — GET Facebook Marketing API: act_12345/insights?fields=spend,impressions,clicks,date_start
2. Code-узел (JavaScript) — преобразуй данные: добавь поле source: 'facebook', переведи date_start в формат YYYY-MM-DD
3. BigQuery — Insert Rows (dataset: marketing, table: daily_ads)
4. Google Sheets — Append Row: дата, источник, расходы, показы

Пример результата:
Код трансформации данных, настройка Facebook Access Token, структура BigQuery.

15. Интеграция кастомного AI-агента с Make

Задача: Создай сценарий, где Make управляет кастомным AI-агентом (на базе LangChain) для выполнения сложных запросов.

Промт:

Make scenario:
1. Telegram — «Watch Updates» (бот: @ai_agent_bot)
2. HTTP-модуль — POST к кастомному API агента (URL: https://my-agent.com/query, body: {query: {{text}}})
3. Агент выполняет цепочку: поиск в базе знаний → генерация ответа → проверка фактов
4. HTTP-модуль получает ответ JSON: {answer, sources, confidence}
5. Router:
- Если confidence > 0.9 → отправить ответ в Telegram
- Если confidence < 0.9 → отправить запрос человеку в Slack с кнопками «Подтвердить» / «Отредактировать»
6. Slack — Send Message with Buttons

Пример результата:
Архитектура с кастомным API, кнопки в Slack (через Block Kit), обработка ответа от человека.

Заключение

15 промтов — это не волшебная таблетка, а инструмент. Чтобы автоматизация работала стабильно, нужно:
- Тестировать каждый сценарий на тестовых данных
- Добавлять обработку ошибок (retry, fallback, логирование)
- Использовать AI не для генерации «на глаз», а для точного описания логики

Сами промты можно адаптировать под любую платформу — Make, n8n или Zapier. Главное — чётко сформулировать, что должен сделать каждый модуль. И не бойтесь экспериментировать: лучшие сценарии рождаются из неудачных первых версий.

Если хотите углубиться в тему — изучите официальную документацию Make (make.com/en/help), n8n (docs.n8n.io) и Zapier (zapier.com/apps). Там есть готовые шаблоны и примеры.