如何使用 n8n 和 LangChain 打造 AI 工作流程

如何使用 n8n 和 LangChain 打造 AI 工作流程

n8n 與 LangChain 的結合解決了大多數團隊最終會遇到的難題：你希望 AI 代理能連接真實數據並觸發實際動作，但若在 Python 中整合 LangChain，則意味著必須維護一整套應用程式堆疊。n8n 的原生 LangChain 節點讓你能透過拖放方式，將代理、鏈條、記憶體和向量儲存庫放入視覺化工作流程中，並將其連接到 400 多種整合服務，完全無需編寫 SDK 程式碼。

你會得到什麼：n8n 的 LangChain 節點庫

n8n 內建了 超過 70 個 AI 節點，將 LangChain 的概念轉化為視覺化的建置區塊。與其要在 Python 中匯入 langchain 並將各個模組拼接在一起，你只需在畫布上連接節點即可。以下是完整的分類說明：

其架構採用 n8n 所謂的 叢集節點 (cluster nodes)，由一個根節點（如 AI Agent）連接至擴展其功能的子節點（聊天模型、記憶體、工具）。你可以將其視為 LangChain 模組系統的視覺化版本。

n8n 如何對應 LangChain 概念

如果你曾在程式碼中使用過 LangChain，n8n 的對應關係非常直觀：

關鍵差異在於？在程式碼中，你需要撰寫 50-100 行程式碼來連接這些元件。而在 n8n 中，你只需在畫布上連接 4-6 個節點，並透過下拉選單進行設定。

建構文件問答管道 (RAG)

讓我們來實作一個真實案例。此工作流程會讀取 PDF 文件，將其儲存在向量資料庫中，並回答關於文件內容的問題。這是經典的 RAG（檢索增強生成） 模式，也是商業團隊最實用的 LangChain 工作流程。

步驟 1：設定數據導入工作流程

建立一個新的工作流程用於載入文件。每當你有新文件需要添加時，執行一次此流程即可。

需添加的節點：

1. Manual Trigger，點擊以執行導入作業
2. Google Drive 節點（或 HTTP Request、Read Binary File），抓取你的來源文件
3. Simple Vector Store，將操作設定為 Insert Documents
4. OpenAI Embeddings 子節點，連接至向量儲存庫，將文字轉換為向量
5. Default Data Loader 子節點，自動將文件內容解析為區塊
6. Recursive Character Text Splitter 子節點，將內容分割為約 500 token 的區塊，重疊 50 token

向量儲存庫的設定細節：

• 操作 (Operation)：Insert Documents
• 記憶體鍵值 (Memory Key)：給予一個描述性名稱，例如 company-docs（這將是你稍後引用它的方式）
• Data Loader 作為子節點連接，並自動處理 PDF/文字解析

文字分割器的設定：

• 區塊大小 (Chunk Size)：500 (tokens)
• 區塊重疊 (Chunk Overlap)：50（確保邊界處的上下文不會遺失）
• 分割方法：Recursive Character（智能處理 Markdown、HTML 和純文字）

步驟 2：建構問答代理工作流程

現在建立第二個工作流程，這是使用者實際互動的部分。

需添加的節點：

1. Chat Trigger，提供提問的聊天介面
2. AI Agent（Tools Agent 類型），決定執行動作的大腦
3. OpenAI Chat Model 子節點，連接 GPT-4o 或 GPT-4o-mini
4. Simple Memory 子節點，記住對話上下文
5. Vector Store Tool 子節點，讓代理能夠存取你的文件

AI Agent 節點的設定：

• 代理類型 (Agent Type)：Tools Agent（最靈活的選項，它能決定何時以及如何使用工具）
• 系統提示詞 (System Prompt)：You are a helpful assistant that answers questions based on our company documents. Always cite which document you found the answer in. If the information isn't in the documents, say so clearly.

Vector Store Tool 的設定：

• 名稱 (Name)：search_documents
• 描述 (Description)：Search the company knowledge base for relevant information. Use this tool when the user asks about company policies, procedures, or documentation.
• 向量儲存庫 (Vector Store)：選擇你的 Simple Vector Store
• 嵌入模型 (Embedding model)：與導入階段使用的相同 OpenAI Embeddings 模型
• Top K：4（要檢索的相關區塊數量）

這個描述的重要性超乎你的想像。代理會利用它來決定何時呼叫工具，而非僅憑自身知識回答。請務必具體明確。

步驟 3：測試與優化

點擊底部面板中的 Chat 以開啟 n8n 內建的聊天介面。針對你的文件提出問題。觀察執行追蹤記錄，n8n 會顯示哪些節點被觸發、代理的推理過程，以及檢索到了哪些文件區塊。

此階段的常見問題：

• 代理未使用工具：你的工具描述過於模糊。請具體說明該工具包含哪些知識。
• 檢索到不相關的區塊：增加區塊重疊或減小區塊大小。嘗試使用 300 tokens 搭配 100 的重疊。
• 回應速度慢：將聊天模型切換為 GPT-4o-mini。它的成本低 10 倍，且對於大多數問答任務來說速度足夠快。

建構工具呼叫代理

上述的問答管道非常適合處理文件。但如果需要一個既能搜尋網路、執行計算、查詢資料庫，又能從文件中回答問題的代理呢？這正是 Tools Agent 大放異彩的地方。

工作流程設定

1. Chat Trigger，使用者輸入
2. AI Agent（Tools Agent），將請求路由至正確的工具
3. OpenAI Chat Model，使用 GPT-4o 進行複雜推理
4. Simple Memory，對話歷史記錄
5. 連接多個工具：
   • SerpAPI Tool，網頁搜尋能力
   • Calculator Tool，數學運算
   • Vector Store Tool，你的文件知識庫
   • Custom Code Tool，你編寫的任何 JavaScript 函式
   • Workflow Tool，將另一個 n8n 工作流程作為工具觸發

Workflow Tool 是 n8n 的秘密武器。它允許你將任何 n8n 工作流程封裝為代理可呼叫的工具。有一個檢查庫存的工作流程嗎？把它變成工具。有一個發送 Slack 訊息的工作流程嗎？變成工具。有一個查詢 CRM 的工作流程嗎？也是工具。這就是 n8n 超過 400 個整合節點對你的 AI 代理開放的方式。

多工具代理的系統提示詞

你的系統提示詞需要告知代理其具備的能力：

You are a research assistant with access to the following tools:
- search_documents: Search our internal knowledge base
- web_search: Search the internet for current information
- calculator: Perform mathematical calculations
- send_notification: Send a Slack message to the team

For factual questions about our company, always check search_documents first.
For current events or external data, use web_search.
Show your reasoning before giving a final answer.

這種提示詞模式直接控制代理如何在工具之間進行路由。模糊的提示詞會導致代理在應該先檢查你的文件時，卻去使用網頁搜尋。

選擇正確的代理類型

n8n 提供 六種代理類型。以下是每種類型的適用時機：

對於大多數團隊而言，Tools Agent 是正確的起點。它能良好地處理多工具路由，適用於任何 LLM 供應商，且你隨時可以切換。若將此與 使用 LangGraph 或 CrewAI 等框架在程式碼中建構代理 相比，這裡的優勢在於零部署負擔，你的代理直接在 n8n 的基础設施中運行。

添加持久化記憶體

預設情況下，Simple Memory 子節點將對話歷史保留在記憶體中，當工作流程重新啟動時就會消失。對於生產環境使用，你需要持久化記憶體。

你的選項：

如果你正在建構涉及 長對話歷史 的任何應用，Zep 值得特別關注。它會自動摘要較舊的訊息，這樣你的代理就不會在對話的第 50 輪時耗盡上下文視窗。

要添加持久化記憶體，只需將 Simple Memory 子節點替換為 Redis/Postgres/Zep。工作流程的其餘部分保持不變。

連接不同的 LLM 供應商

每個需要 LLM 的根節點都接受 Chat Model 子節點。更換供應商只需更改一個節點：

對於本地開發和測試，Ollama 是零成本選項，在你的機器上運行模型並將 n8n 連接至 localhost:11434。對於生產環境，大多數團隊根據任務需求使用 OpenAI 或 Anthropic。

真實世界的工作流程食譜

以下是三個你可以在 30 分鐘內建構的生產就緒模式：

食譜 1：自動化支援工單分類

觸發器： 收到新電子郵件（Gmail/Outlook 節點） 鏈條： 帶有分類提示詞的 Basic LLM Chain 輸出： 根據類別路由至不同的 Slack 頻道

提示詞承擔主要工作：Classify this support email into exactly one category: billing, technical, feature_request, or other. Respond with only the category name.

食譜 2：每週內容摘要

觸發器： 排程（每週一上午 9 點） 代理： 帶有 SerpAPI + Custom Code Tool 的 Tools Agent 記憶體： 不需要（一次性任務） 輸出： 发送至 Slack/Email 的摘要報告

代理搜尋行業新聞，總結前 5 篇文章，並格式化為摘要。Custom Code Tool 處理那些在 JavaScript 中比在提示詞中更容易實現的格式化邏輯。

食譜 3：基於文件的 Slack 機器人

觸發器： 特定頻道中的 Slack 訊息 代理： 帶有 Vector Store Tool 的 Tools Agent 記憶體： Redis Chat Memory（以 Slack thread ID 為鍵） 輸出： 回覆至 Slack 討論串

這是之前的問答管道，但由 Slack 觸發而非聊天 UI。基於討論串的記憶體鍵值意味著每個 Slack 對話都有其獨立的上下文。

對於正在探索 與 n8n 搭配使用的 RAG 工具 的團隊來說，向量儲存庫的選擇不如你的分塊策略重要。原型設計時從 Simple (In-Memory) Vector Store 開始，生產環境則移至 Pinecone 或 Qdrant。

常見錯誤及避免方法

在建構了數十個 n8n AI 工作流程後，以下是讓人陷入困境的陷阱：

1. 忽略系統提示詞。 AI Agent 節點在沒有系統提示詞的情況下也能運作，但效果不佳。務必定義代理的角色、可用工具和偏好行為。花在提示詞上的十分鐘能節省數小時除錯奇怪回應的時間。

2. 使用一個巨大的工作流程。 將導入和查詢拆分為單獨的工作流程。導入工作流程偶爾運行（當有新文件時）。查詢工作流程持續運行。將它們混合會造成執行衝突。

3. 選擇錯誤的區塊大小。 預設分塊（1000 字元）適用於一般內容。對於技術文件，降至 300-500 tokens。對於法律文件，增加到 800-1000 tokens 並提高重疊率。沒有通用的「正確」區塊大小，請用你的實際文件進行測試。

4. 忽略執行日誌。 n8n 顯示每次工作流程運行的完整執行追蹤。當代理給出錯誤答案時，檢查它呼叫了哪個工具（或未呼叫）、檢索了哪些區塊以及顯示了什麼推理。日誌會告訴你問題究竟出在哪裡。

5. 在不必要時為 GPT-4o 付費。 對於分類、摘要和簡單問答，GPT-4o-mini 的效果達到 GPT-4o 的 90%，但成本僅為 10%。將 GPT-4o 或 Claude 保留給複雜的多步驟推理任務。

Techsy 如何 approach n8n AI 自動化

我們為從 3 人初創公司到企業團隊的客戶建構了 n8n AI 工作流程。我們的流程如下：

1. 繪製決策流程，在開啟 n8n 之前，我們先圖解每個決策點和數據來源
2. 使用 Simple Vector Store 進行原型設計，利用記憶體儲存讓核心邏輯運作
3. 尽早使用真實數據測試，合成測試數據會掩蓋分塊和檢索問題
4. 添加記憶體和持久化，僅在核心問答或代理邏輯經過驗證後進行
5. 監控與迭代，追蹤哪些工具呼叫成功、哪些區塊被檢索，以及使用者在何處感到挫折

如果你正在為 商業工作流程建構 AI 代理 並需要協助設計架構，聯繫我們以獲得免費諮詢。

常見問題

我需要懂 LangChain 才能使用 n8n 的 AI 節點嗎？

不需要。n8n 將 LangChain 抽象為具有下拉選單設定的視覺化節點。了解 LangChain 概念（代理、鏈條、記憶體、檢索器）有助於你做出更好的設計決策，但除非你選擇使用 LangChain Code 節點，否則你永遠無需編寫 LangChain 程式碼。

我可以在 n8n 中使用本地 LLM 而不是 OpenAI 嗎？

可以。將 Ollama Chat Model 子節點連接到在你機器上運行的任何模型（Llama 3、Mistral、Phi-3 等）。將其指向 http://localhost:11434，你就擁有了一個完全私密、零成本的 AI 工作流程。Groq 是另一個無需管理自有硬體即可獲得快速推理的選項。

n8n 中的 Chain 和 Agent 有什麼區別？

Chain 遵循固定順序，輸入經過步驟 A，然後 B，然後 C。Agent 則根據輸入動態決定呼叫哪些工具。對於可預測的任務（摘要、分類）使用 Chain。當工作流程需要決定下一步做什麼時，使用 Agent。

Simple Vector Store 可以處理多少文件？

Simple (In-Memory) Vector Store 對於處理數百個文件的原型設計來說運作良好。對於擁有數千個文件的生產環境，請切換至 Pinecone、Qdrant、Supabase 或 Chroma。工作流程保持不變，你只需更換向量儲存庫節點。

我可以從外部應用程式觸發 n8n AI 工作流程嗎？

可以。使用 Webhook Trigger 節點將你的 AI 工作流程公開為 API 端點。任何能發出 HTTP 請求的應用程式都可以向你的代理發送數據並獲得回應。這就是將 n8n AI 工作流程整合到現有產品中的方式。

n8n 的 AI 工作流程是免費的嗎？

n8n Community Edition 是完全開源且可免費自行託管的。所有 LangChain 節點均包含在內。如果你不想管理基礎設施，Cloud 方案每月起價為 24 美元。LLM API 成本（OpenAI、Anthropic 等）是分開的，由供應商計費。

n8n 如何處理 AI 代理工作流程中的錯誤？

n8n 在節點層級具有內建的錯誤處理功能。你可以設定重試邏輯、備援路徑和錯誤工作流程。對於 AI 特定問題（如 LLM 超時或速率限制），在 Chat Model 子節點上添加帶有指數退避的重試機制。執行日誌會顯示故障發生的確切位置。

我可以使用自己的 API 金鑰使用 n8n 的 AI 工作流程嗎？

可以。每個 LLM 節點都需要你使用自己的 API 金鑰建立憑證。n8n 會對憑證進行加密儲存。如果你是自行託管，金鑰永遠不會離開你的基礎設施。

LangChain Code 節點是用來做什麼的？

LangChain Code 節點允許你編寫直接使用 LangChain 模組的自訂 JavaScript。當 n8n 的視覺化節點無法涵蓋你的确切用例時，這是一個逃生艙口——也許你需要一個自訂檢索器、特定的提示詞模板，或是一個 n8n 尚未封裝的 LangChain 模組。

如何與團隊分享 n8n AI 工作流程？

將工作流程匯出為 JSON（Ctrl+Shift+E）並分享該檔案。任何人都可以將其匯入到自己的 n8n 實例中。對於團隊協作，n8n Cloud 包含具有版本歷史记录的共享工作區。你也可以將工作流程 JSON 檔案提交至 Git 以進行版本控制。

來源

• LangChain Concepts in n8n - Official Documentation
• LangChain in n8n - Overview
• AI Agent Node Documentation
• RAG in n8n - Official Guide
• n8n AI Workflow Tutorial