n8n AI 代理教學：逐步建構智慧工作流程

n8n AI 代理教學：逐步建構智慧工作流程

從「我想要一個 AI 代理」到「我擁有一個可運作的 AI 代理」之間的差距，通常需要數百行 Python 膠水程式碼來填補。n8n AI 代理透過視覺化工作流程編輯器縮短了這段距離，讓您能夠拖放並連接由 LLM 驅動的代理，讓它們真正執行任務：搜尋網路、查詢資料庫、發送電子郵件、更新試算表。您只需編寫系統提示詞，而無需處理框架的樣板程式碼。

本教學將引導您從零開始建構兩個真實的代理工作流程：一個網路研究代理和一個具備記憶功能的客戶支援機器人。讀完後，您將了解所需的所有節點類型以及它們如何協同運作。

什麼是 n8n（以及為何用它來建構 AI 代理）？

n8n 是一個開源的工作流程自動化平台，您可以將其視為可自託管的 Zapier，秉持著「需要時再寫程式」的理念。它透過基於節點的視覺化編輯器連接 500 多種服務。

讓 n8n 在 AI 代理領域特別引人注目的，是其原生的 LangChain 整合。您無須編寫 LangChain Python 程式碼，而是將相同的概念（代理、工具、記憶體、模型）設定為視覺化節點。AI 代理節點負責處理推理循環，您只需插入它應使用的思考模型和可執行的動作。

為何選擇 n8n 而非純程式碼開發？

• 視覺化除錯：您可以清楚看到代理的推理鏈在哪裡中斷
• 500 多種整合 instantly 成為代理工具（Slack、Gmail、Google Sheets、資料庫）
• 免費自託管（社群版）或使用每月 $20 起跳的 n8n Cloud
• MCP 支援讓 n8n 工作流程成為外部 AI 代理的工具，反之亦然

如果您正在評估不同的代理框架，如 LangGraph、CrewAI 或 OpenAI Agents SDK，n8n 屬於不同的類別，它適合那些希望在不管理 Python 運行環境的情況下擁有生產級代理的使用者。

n8n AI 代理節點的工作原理

n8n 中的每個 AI 代理工作流程都具有階層結構。代理節點位於中心，子節點連接在其下方以提供功能。

以下是其組成部分：

Tools Agent 是您 90% 時間會使用的代理類型。它是最靈活的代理類型，接收您的提示詞，推理應呼叫哪些工具，執行它們，並循環直到獲得答案。在底層，它運行 ReAct（Reason + Act，推理+行動）循環：思考、行動、觀察、重複。

n8n 也提供專門的代理，例如用於資料庫查詢的 SQL Agent、將任務分解為子步驟的 Plan and Execute Agent，以及用於較簡單聊天流程的 Conversational Agent。但 Tools Agent 涵蓋了大多數使用案例。

開始前的準備事項

在建構任何內容之前，請先準備好以下三件事：

1. n8n 實例，可以註冊 n8n Cloud（Starter 方案每月 $20），或使用 Docker 自託管：

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

1. LLM API 金鑰，來自 OpenAI、Anthropic 或 Google Gemini。您也可以使用 Ollama 進行免費的本機模型測試，儘管工具呼叫的性能可能有所不同。

2. 工具 API 金鑰（選用），例如用於網路搜尋的 SerpAPI（每月 $50）或 Brave Search API（免費層級）。您可以在沒有搜尋功能的情況下建構代理，但這是最常見的首選工具。

一旦 n8n 運行，打開 http://localhost:5678（自託管）或您的雲端儀表板。建立新工作流程，即可開始。

建構代理 1：網路研究代理

此代理接收主題，搜尋網路，閱讀結果，並撰寫結構化的摘要。這是 n8n AI 代理的「Hello World」，對於內容研究確實非常實用。

步驟 1：新增手動觸發器

點擊 + 按鈕並搜尋「Manual Trigger」。將其拖放到畫布上。這讓您可以透過點擊「Test Workflow」來測試工作流程，稍後您可以將其更換為 webhook 或聊天觸發器。

步驟 2：新增 Edit Fields 節點

在觸發器之後新增一個 Edit Fields 節點。設定一個名為 topic 的欄位，字串值例如 "Latest developments in Model Context Protocol"。這模擬了使用者輸入。

步驟 3：新增 AI 代理節點

搜尋「AI Agent」並新增。選擇 Tools Agent 作為代理類型。

在 System Message 欄位中，編寫定義行為的提示詞：

You are a research assistant. When given a topic:
1. Search the web for the latest information
2. Read at least 3 different sources
3. Write a structured summary with:
   - Key findings (bullet points)
   - Notable quotes or data points
   - Sources used

Be specific. Include dates, names, and numbers when available.
Do NOT make up information. If search results are unclear, say so.

在 Prompt 下，將其設定為運算式：{{ $json.topic }}，這會從 Edit Fields 節點提取主題。

步驟 4：連接聊天模型

點擊代理節點下方的 + 以新增子節點。選擇 OpenAI Chat Model（或您使用的任何 LLM）。

進行設定：

• Model：gpt-4o（或 gpt-4o-mini 以降低成本）
• Temperature：0.3（越低越具事實性，創意較少）

在金鑰憑證區段貼上您的 API 金鑰。

步驟 5：新增搜尋工具

再次點擊 + 以新增工具子節點。選擇 SerpAPI（如果您想呼叫自訂搜尋 API，也可選擇 HTTP Request Tool）。

對於 SerpAPI：

• 將您的 API 金鑰新增為憑證
• 當代理決定需要搜尋時，將呼叫此工具

作為免費替代方案，使用設定為呼叫 Brave Search API 的 HTTP Request Tool：

URL: https://api.search.brave.com/res/v1/web/search
Method: GET
Query Parameters: q={{ $fromAI("query", "search query") }}
Headers: X-Subscription-Token: YOUR_BRAVE_KEY

$fromAI() 運算式是關鍵，它告訴代理「你決定要傳遞什麼值到這裡」。

步驟 6：測試

點擊 Test Workflow。觀察右側的執行面板。您將看到：

1. 代理接收主題
2. 它決定進行搜尋（工具呼叫）
3. SerpAPI 回傳結果
4. 代理對結果進行推理
5. 它可能會再次搜尋以獲取更多細節
6. 產生最終摘要

如果代理循環而無法收斂，您的系統提示詞可能需要更明確的指示。明確告訴它何時停止搜尋。

建構代理 2：具備記憶功能的客戶支援機器人

研究代理是無狀態的，每次運行後都會忘記一切。客戶支援機器人需要記住對話內容。這就是 代理記憶體 發揮作用的地方。

步驟 1：使用 Chat Trigger

這次，從 Chat Trigger 節點開始，而不是 Manual Trigger。這為您提供了 n8n 內建的聊天小工具，用於測試對話。

步驟 2：設定代理

新增 Tools Agent 節點。系統提示詞：

You are a customer support agent for a SaaS project management tool called "TaskFlow."

Rules:
- Always greet the user by name if provided
- Check the knowledge base before answering questions
- If you cannot find an answer, say: "Let me connect you with a human agent"
- Never make up features or pricing that you don't find in the knowledge base
- Keep responses concise (2-3 sentences max unless the user asks for detail)

Available tools:
- Knowledge base search: use this for product questions
- Ticket creation: use this when the user reports a bug or requests a feature

步驟 3：新增記憶體

點擊代理上的 + 以新增子節點，並選擇 Window Buffer Memory。

• Context Window Length：10（記住最後 10 組訊息對）
• Session ID：{{ $json.sessionId }}（來自聊天觸發器）

這是最簡單的記憶體選項，它在滑動視窗中保留最近的訊息。對於需要跨工作階段持久記憶的生產環境機器人，請改用 Postgres Chat Memory 或 Redis Chat Memory。我們關於最佳 AI 代理記憶體工具的指南涵蓋了這些方法之間的權衡。

步驟 4：新增工具

新增兩個工具子節點：

工具 1 -- 知識庫（向量儲存 QA）： 如果您在向量儲存（Pinecone、Qdrant、Supabase）中有產品文件，請使用 Vector Store Question Answer Tool。這本質上是單一節點中的 RAG（檢索增強生成）。

工具 2 -- 工單建立（HTTP 請求）： 新增設定為 POST 到您工單 API 的 HTTP Request Tool：

URL: https://api.yourapp.com/tickets
Method: POST
Body (JSON):
{
  "title": "{{ $fromAI('title', 'ticket title') }}",
  "description": "{{ $fromAI('description', 'issue description') }}",
  "priority": "{{ $fromAI('priority', 'low, medium, or high') }}"
}

步驟 5：測試對話

點擊 Test Workflow 並打開聊天面板。嘗試多回合對話：

• 「嗨，我是 Alex。我如何將任務匯出為 CSV？」
• 「那 PDF 匯出呢？」
• 「其實，PDF 匯出對我來說壞掉了，你能提交錯誤報告嗎？」

觀察代理如何針對前兩個問題搜尋知識庫，並為第三個問題建立工單。記憶體節點確保它記得 Alex 的名字以及 PDF 問題的上下文。

使用 MCP 擴展您的代理

n8n 現在支援雙向的 Model Context Protocol (MCP)，這正是強大之處所在。

消費 MCP 伺服器： 將 MCP Client Tool 子節點新增到您的代理。將其指向任何 MCP 伺服器 URL，代理會自動發現並可以呼叫該伺服器公開的所有工具。一個節點，數十種工具。

將工作流程公開為 MCP 工具： 使用 MCP Server Trigger 節點將任何 n8n 工作流程轉換為兼容 MCP 的工具。在 Claude Desktop、Cursor 或 VS Code 中運行的外部代理隨後可以發現並呼叫您的 n8n 工作流程。只需建構一次「發送 Slack 通知」工作流程，您堆疊中的每個兼容 MCP 的代理都可以使用它。

這種雙向 MCP 支援將 n8n 轉變為代理樞紐，您的 n8n 代理透過 MCP 呼叫外部工具，而外部代理透過 MCP 呼叫您的 n8n 工作流程。

提升 n8n 代理效能的實用技巧

在建構了數十個代理工作流程後，以下是真正重要的事項：

保持工具數量低廉。 當工具超過 5-7 個時，代理會感到困惑。如果您需要更多，請建立一個「管理器代理」來路由到專門的「工作者代理」，n8n 支援代理對代理的工作流程。

在系統提示詞中給予明確指示。 不要只說「幫助使用者」。詳細說明確切的規則、輸出格式以及何時使用每種工具。您的提示詞越具體，意外工具呼叫就越少。

設定 Token 限制。 在聊天模型設定中，設定最大 token 限制。如果沒有限制，困惑的代理可能在單一循環中耗盡您的 API 預算。

使用錯誤處理節點。 新增一個 Error Trigger 工作流程來捕捉失敗並透過 Slack 或電子郵件通知您。否則代理會靜默失敗。

優先測試邊緣案例。 詢問代理一些它不應該知道的事情。如果它產生幻覺而不是說「我不知道」，您的提示詞需要防護欄。

在開發期間記錄一切。 啟用執行日誌記錄（Pro 方案或自託管可用），以便您可以重播並除錯代理出錯的確切位置。

何時適合使用 n8n 代理（以及何時不適合）

如果符合以下情況，n8n 是非常好的選擇：

• 您希望擁有生產級代理，而不需管理 Python 基礎設施
• 您的工作流程連接多個 SaaS 工具（Slack、Gmail、Notion、資料庫）
• 您的團隊包含需要修改代理行為的非開發人員
• 您需要視覺化除錯代理推理鏈

如果符合以下情況，n8n 可能不是正確的選擇：

• 您需要對代理架構進行細粒度控制（請改用 LangGraph 或 CrewAI）
• 您的代理純粹是計算性的（ML 管道、資料處理），沒有整合需求
• 您正在建構具有複雜狀態管理的多代理研究系統

對於商業自動化使用案例，如客戶支援機器人、資料處理代理、研究助理、潛在客戶資格篩選，n8n 在功能與易用性之間取得了完美的平衡。

常見問題

n8n 支援哪些 LLM 用於 AI 代理？

n8n 支援 OpenAI（GPT-4o、GPT-4、GPT-3.5）、Anthropic Claude（Claude 3.5 和 4 系列）、Google Gemini、Mistral、Cohere、HuggingFace 模型，以及透過 Ollama 的本機模型。您只需變更單個子節點即可切換模型，無需更改工作流程。

建構 AI 代理使用 n8n 是免費的嗎？

自託管的社群版完全免費，沒有執行次數限制。n8n Cloud 起價為每月 $20（Starter），包含 2,500 次執行。您仍需單獨向 LLM 供應商（OpenAI、Anthropic 等）支付 API 呼叫費用。

n8n 的 AI 代理與用 Python 編寫代理相比如何？

n8n 以客製化為代價換取速度。使用 LangChain 的 Python 代理讓您可以完全控制每個推理步驟。n8n 以 20% 的時間提供 80% 的功能，並具備視覺化除錯和 500 多種內建整合。選擇 Python 進行研究或新穎架構；選擇 n8n 進行商業自動化。

n8n 代理可以使用網路搜尋和資料庫等工具嗎？

是的。n8n 代理可以使用任何作為節點可用的工具，如 SerpAPI、Brave Search、HTTP Request（用於任何 API）、SQL 資料庫、Google Sheets、Slack 以及數百種其他工具。您將它們作為子節點新增到代理節點下方。

n8n 中的 MCP Client Tool 是什麼？

MCP Client Tool 將您的 n8n 代理連接到外部 MCP（Model Context Protocol）伺服器。您的代理會自動發現該伺服器公開的所有工具，並可以在推理過程中呼叫它們。這是一個可以解鎖數十種外部工具的單一節點。

如何為 n8n AI 代理新增記憶體？

在代理節點下方新增記憶體子節點。Window Buffer Memory 是最簡單的選項（保留最後 N 條訊息）。對於跨工作階段的持久記憶體，請使用 Postgres Chat Memory、Redis Chat Memory 或 Zep Memory。設定工作階段 ID 以追蹤個別對話。

我可以在 n8n 中連接多個代理嗎？

是的。n8n 支援代理對代理的工作流程，其中「管理器」代理將任務委派給專門的「工作者」代理。您將每個工作者建構為獨立的子工作流程，並透過 Call n8n Workflow 工具連接它們。

Tools Agent 與其他代理類型有何區別？

Tools Agent 使用 ReAct 推理循環，並適用於任何工具。OpenAI Functions Agent 使用 OpenAI 的原生函式呼叫 API（稍快但僅限 OpenAI）。SQL Agent 專用於資料庫查詢。Plan and Execute Agent 將複雜任務分解為子步驟。對於大多數使用案例，請從 Tools Agent 開始。

如何將 n8n 代理部署到生產環境？

對於自託管：使用帶有 PostgreSQL 和 Redis 的 Docker Compose，啟用佇列模式以進行水平擴展，並將其置於帶有 SSL 的反向代理後面。對於雲端：只需啟動工作流程，n8n 會處理基礎設施。在這兩種情況下，將 Chat Trigger 替換為 Webhook 觸發器，以便外部應用程式可以呼叫您的代理。

n8n 代理可以處理檔案上傳和圖像嗎？

n8n 可以透過其二進位資料處理功能處理檔案。您可以建構透過 webhook 接收檔案上傳的代理，提取文字（例如使用帶有 PDF 解析器的 Code 節點），並對內容進行推理。原生視覺/圖像分析取決於您的 LLM 是否支援多模態輸入（例如 GPT-4o 支援）。

來源

• n8n AI Agent Node Documentation
• n8n AI Agents Platform Overview
• n8n Pricing Plans
• n8n MCP Server Integration