n8n 中文系列教程_10. 解析n8n中的AI节点：从基础使用到高级Agent开发

在自动化工作流中集成AI能力已成为提升效率的关键。n8n通过内置的LangChain节点，让开发者无需复杂代码即可快速接入GPT-4、Claude等大模型，实现文本处理、智能决策等高级功能。本文将深入解析n8n的AI节点体系，从基础的Basic LLM Chain到强大的AI Agent，带您掌握配置技巧、性能优化及实战案例，助您轻松构建智能自动化流程。无论是摘要生成、数据清洗，还是多工具联动的复杂任务，都能通过可视化操作高效实现！

0. 大模型AI接入n8n基础科普

0.1 大语言模型核心概念解析

大语言模型(LLM)是当前人工智能领域最具突破性的技术之一，其本质是基于Transformer架构的深度学习模型。这些模型通过海量文本数据的预训练（通常需要数千GPU/TPU的计算资源），掌握了语言的统计规律和语义理解能力。

关键特征包括：

参数量级：现代大模型参数从数十亿到上万亿不等
多任务能力：同一模型可完成文本生成、分类、翻译等多种任务
上下文理解：能处理长达数万token的上下文信息
涌现能力：当模型规模达到临界点后，会突然展现出小模型不具备的能力

在n8n中的应用场景：

文本处理（摘要、改写、分类）
代码生成与解释
数据清洗与结构化
智能决策支持

0.2 API与用户界面的本质区别

虽然ChatGPT Plus提供了便捷的交互界面，但在自动化工作流中我们需要的是可编程接口。API访问具有以下优势：

特性	ChatGPT界面	API访问
可编程性	有限	完全可编程
成本控制	固定月费	按使用量计费
并发请求	受限	可扩展
响应格式	固定	可定制
集成能力	手动操作	无缝集成

重要提示：国内开发者若需稳定访问国际AI服务，建议考虑：

使用Cloudflare Workers搭建代理层
选择支持支付宝的API中转服务
考虑合规的国内大模型API替代方案

0.3 LangChain技术架构详解

LangChain是一个开源的AI应用开发框架，其核心价值在于：

标准化接口：统一不同LLM的调用方式
模块化设计：将AI能力分解为可组合的组件
上下文管理：提供专业的记忆(Memory)处理机制
工具集成：便捷地扩展非AI功能

在n8n中的实现层次：

底层：各种LLM适配器
中间层：链(Chain)和代理(Agent)逻辑
应用层：可视化节点和模板

1. n8n AI节点全景概览

n8n的Advanced AI类别包含丰富的节点类型，主要分为三大类：

1.1 基础处理节点

Basic LLM Chain
Question and Answer Chain
Summarization Chain

1.2 高级代理节点

AI Agent
OpenAI Functions Agent
Plan and Execute Agent

1.3 专用功能节点

OpenAI节点（支持DALL·E等）
Embeddings节点
Vector Store节点

在 n8n 中，Advaced AI 是一个专门的 node 类别，其下有多种不同的 AI 类型。在这里，我们会详细介绍两个最常用的 AI 节点，让你掌握 AI 在 n8n 中的接入逻辑。

大部分的 n8n AI 节点都在介绍里写明了自己的用处是什么，你还可以点击 AI Templates 从官方社区下载别人已经组合好的 Chain。这些部分在你理解了 n8n 的 AI 接入逻辑后，只需自己稍微探索就能学会。

本文详细介绍的是 Basic LLM Chain 和 AI Agent。

提示：官方AI Templates中包含了典型使用场景的预设工作流，建议新手从这里开始探索。

2. Basic LLM Chain深度解析

在 n8n 中，"Basic LLM Chain" 节点是用于连接大语言模型的最简单节点。它不适合用来做 Agent，也不太适合用来做对话。特别适合那种做一次性的文本处理与判断。

比如：文本总结、文本摘要、语法纠正、文本分类等等。

它的节点内逻辑非常简单：从上游节点获取数据、将参数设置中的 prompt 和数据一同提交给 LLM API、从 API 获得 LLM 返回的结果。

2.1 核心工作流程

输入接收：从上游节点获取原始数据
提示词组装：结合静态模板和动态变量
API调用：向指定模型发送请求
结果处理：对输出进行格式化和验证

2.2 参数配置最佳实践

Prompt设置技巧：

// 动态提示词示例
"请分析以下电商评论的情感倾向(积极/中性/消极)，并提取关键特征：\n\n{{ $json.reviewText }}\n\n要求：用JSON格式返回，包含sentiment和features两个字段"

输出格式控制：

使用JSON Schema规范输出
示例格式要求：

{
  "type": "object",
  "properties": {
    "summary": {"type": "string"},
    "keywords": {"type": "array"}
  }
}

2.3 模型子节点配置要点

常用模型推荐配置：

模型类型	适用场景	温度参数	Token限制
GPT-4	复杂逻辑	0.3-0.7	8k
Claude 3	长文本处理	0.2-0.5	200k
Gemini Pro	多模态	0.5-1.0	32k
Mistral	开源方案	0.7-1.2	8k

参数说明

必填：Prompt：这是一个选项类的参数，它有两个选项，分别是：
- Take From previous node automatically（从上游自动获取） 当节点在这个选项下工作时，它将自动将上游的 Chat Trigger（聊天触发器）中的最新一条消息作为 Prompt 发送给大模型。这个选项有一定迷惑性，如果你的 Prompt 是在上游节点中生成的动态 Prompt，但它并不来自一个 Chat Trigger，那你应该选 Define below。
- Define below（在下方定义） 当节点在这个选项下时，它会在参数页面额外增加一个 Text 参数，这里可以直接填写你所需要的 Prompt。

必填：Text：
1. - 当你将 Prompt 参数设置为 Define below 时，这个参数就会出现。
  - 在这里输入你想要语言模型回应的具体内容。这通常是一个问题或者是要求模型进行某种形式的文本生成的命令。
  - 这个参数中支持上游变量，你可以将一部分固定的 Prompt 和上游自动生成的文本结合起来。比如：

请为以下文章生成 5 个备选标题：
{{ $json.text }}

JavaScript

Copy

其中 {{ $json.text }} 是上游节点带来的文章正文。

可选：Require Specific Output Format：
1. - 如果启用，这个设置要求输出格式符合特定的需求。这对于需要确保输出数据格式一致性的情况特别有用。

可选：Chat Messages (If Using a Chat Model)：
1. - 如果你在使用一个专门为聊天设计的模型，并且打算做一个对话型应用，这里可以添加聊天提示。这允许节点处理上下文更丰富的对话，提高回答的相关性和准确性。
  - 你可以在这里无限添加已预制的对话 Prompt，它的子参数包括 Type Name or ID（角色）、Message Type（图片、文字、URL）和 Message（对话内容）。
  - 比如，你在一个角色扮演的情况下，你可以先预制 10 轮次的对话上文，用于模拟一个对话场景的中途。这样，当你在 Workflow 开始运转后，相当于用户是从这个场景的中途开始与 AI 对话。

必填：Model

n8n 中所有的 AI 节点，基本都要配置一个子节点。对于 Basic LLM Chain 来说，只有一个子节点就是 Model。

子节点的设置不在 Basic LLM Chain 的配置面板中，而在 Workflow 的编辑画布上。你需要像添加节点一样，为其添加一个子节点。

顾名思义，Model 子节点可以添加的类型，全都是各种 LLM。截止到目前，n8n 支持以下类型的 LLM 接入：

n8n 支持的模型列表

Google PaLM Chat Model	Google Gemini Chat Model	Groq Chat Model
Mistral Cloud Chat Model	Ollama Chat Model	OpenAI Chat Model
OpenAI Model	Ollama Model	Cohere Model
Huagging Face Interence Model	Azure OpenAI Model	AWS Bedrock Chat Model
Anthropic Chat Model	Cohere Model	ㅤ

每个模型的子节点，根据模型支持的功能不同，参数设置上会略有不同。相关信息，可以在子节点中点击对应模型节点的官方文档查看。

2.4 Chat Trigger高级用法

Chat Trigger。这是 n8n 中的一个特殊的触发器，它允许你通过一个聊天窗口触发 Workflow。它的消息会默认传递给下一层的 AI 节点。

值得注意的是：

Chat Trigger 没有参数设置，只要在画布中创建，就会将 Workflow 更改为聊天触发。

Chat Trigger 的触发方式是，每发送一次消息，完整触发一次 Workflow。

在下游 AI 节点没有加入 Memory 服务的情况下，Chat Trigger 每次触发都会忘记上次的对话，也就是说它默认不具备动态上下文能力，AI 不会记得你上一句话说了什么。

当添加 Chat Trigger 时，n8n 会提示这个触发器需要与 AI 节点连接。实际上，这并不是必须的。你完全可以将 Chat Trigger 作为输入触发器。比如，你的一个 Workflow 需要从数据库中筛选指定日期的文章。你可以通过 Chat Trigger 来输入这个日期，并在后续的筛选中引用这个输入的日期进行筛选，而无需在每次运行时修改筛选条件。

3. AI Agent高级开发指南

AI Agent 节点，可以被视为 Basic LLM Chain 的进阶版本，它完全释放了 LangChain 的功能，允许在其上挂载更多子节点。通过外观的节点我们也能看出来，它和 Basic LLM Chain 的主要区别，是多了几个可以插入子节点的卡槽。并且，外部的这些卡槽还会随着内部参数设置的变化而变化。

参数说明

必填：Agent

这是定义 AI Agent 与 Basic LLM Chain 不同的最主要参数，它主要是让你选择你究竟需要让 AI 来帮你完成什么任务。目前， n8n 的 AI Agent 支持以下类型的任务：

选项	支持的卡槽	简单说明	官方文档链接
Conversational Agent	Memory/Tool	用于完成对话的模式，和 Basic LLM Chain 比增加了 Memory 和 Tool 卡槽，你可以为对话添加上下文记忆功能，还可以接入额外的工具，比如搜索或天气预报	‣
Tools Agent	Memory/Tool	用自然语言操作一个工具，比如你可以用它来让 AI 算数，因为对于大语言模型来说，计算器就是一个工具。该模式不支持上下文记忆。	‣
OpenAI Functions Agent	Memory/Tool	专门用于发起 Function Call 的模式	‣
Plan and Execute Agent	Tool	用于通过自然语言调用工具的模型，允许连接多个工具，由 AI 自行计划使用哪些工具以及如何组合。	ㅤ
ReAct Agent	Memory/Tool	Plan and Execute Agent 的进阶版本，如果你用过 ChatGPT Plus 更好理解。AI 会根据你的自然语言任务，选择合适的工具执行任务，然后再检查工具返回的结果，如果结果不正确，就再试试其他方法。该模式可能会对 AI 发起多次请求。	‣
SQL Agent	Memory	直接与 Sql 数据库对话。	‣

不同类型的 Agent 有不同的必填参数，你可以在配置页面查看，或者阅读相关类型 Agent 的官方节点。

3.1 Agent类型选型矩阵

Agent类型	上下文记忆	工具调用	适用场景	成本考量
Conversational	✓	✓	客服机器人	中等
Tools	✗	✓	数据处理	低
OpenAI Functions	✓	✓	复杂自动化	高
Plan and Execute	✗	✓	多步骤任务	很高
ReAct	✓	✓	研究分析	极高

3.2 Memory子系统详解

生产环境推荐方案对比：

方案	安装复杂度	持久性	成本	检索能力
Redis	中等	可配置	低	基础
Motorhead	高	强	中	向量搜索
Xata	无	强	按量	全文检索
Zep	无	强	按量	高级NLP

配置示例（Redis）：

# docker-compose.yml片段
services:
  redis:
    image: redis/redis-stack-server:latest
    ports:
      - "6379:6379"
    volumes:
      - redis_data:/data

volumes:
  redis_data: