About
Posts
Projects
Tags

使用 n8n 构建 AI Agent：由简入繁实战指南

n8n AI LangChain Agent LLM
Updated on
使用 n8n 构建 AI Agent：由简入繁实战指南

在 n8n 1.0 版本及其后续更新中，最引人注目的特性无疑是官方深度集成了 LangChain。这不只是加了一个简单的 “Ask ChatGPT” 节点，而是直接把 n8n 变成了一个可视化的、低代码的 Agent 编排平台。

如果你对着 LangChain 的 Python 代码（Chain, Agent, Tool, Memory）感到头大，那么 n8n 的节点式表达会让你豁然开朗。

今天我们不讲理论，直接通过一个实战案例——“智能竞品分析 Agent”，来演示如何构建一个具备 自主决策能力 的 Agent。

目标定义

我们需要构建一个 Agent，给它一个公司名（比如 “Anthropic”），它能够：

  1. Plan：思考需要哪些信息（新闻、产品、融资）。
  2. Connect：自动去 Google 搜索最新资料。
  3. Read：抓取关键页面的 HTML 并提取核心内容。
  4. Calculate：如果发现财务数字，计算增长率。
  5. Output：生成一份结构化的 SWOT 分析报告 PDF。

架构设计：ReAct 模式

我们将使用经典的 ReAct (Reason + Act) 模式。 在 n8n 中，核心架构由三部分组成：

  1. AI Agent Node：这是大脑 (Brain/Controller)。
  2. Tools Nodes：这是手脚 (Sensors & Actuators)。
  3. Memory Node：这是海马体 (Context)。

1. 配置大脑 (OpenAI Chat Model)

拖入 AI Agent 节点。它是整个流程的中心。 给它的 Model 输入端连上一个 OpenAI Chat Model。

模型选择建议：

  • GPT-4o / GPT-4-Turbo：强烈建议。Agent 需要极强的指令遵循 (Instruction Following) 能力来决定何时调工具、调什么工具、填什么参数。GPT-3.5 经常会产生幻觉或参数格式错误，导致工具调用失败。
  • Temperature：设为 0。Agent 的行为需要确定性，不需要太多的发散创造力。

System Prompt：

你是一名专业的商业分析师。你的目标是根据用户输入的公司名，生成深度的竞品分析报告。 你拥有搜索互联网和阅读网页的能力。 不要直接回答。请按步骤拆解任务：

  1. 先搜索该公司的最新新闻和官网。
  2. 挑选 2-3 个最有价值的 URL 进行详细阅读。
  3. 如果遇到具体的财务数字，使用计算器工具进行校验。
  4. 最后用英文总结 SWOT（优势/劣势/机会/威胁）。

2. 赋予工具 (Connect Tools)

这是最精彩的部分。AI Agent 节点有一个 Tools 输入端，你可以挂载各种 Tool 节点。

Tool A: 联网搜索 (SerpAPI)

n8n 内置了 SerpAPI 或 Bing Search 工具。配置好 API Key 即可。

  • Description：这一项必须写清楚。比如 “Use this tool to search for latest news, stock prices, and general information about a company.” LLM 会根据这段描述来决定是否调用它。

Tool B: 网页抓取 (Custom Tool using Workflow)

n8n 允许你把 任何 Sub-workflow 封装成一个 Tool！这给了 Agent 无限的扩展性。

  1. 创建 Sub-workflow：
    • Execute Workflow Trigger：定义输入参数 { "url": "string" }。
    • HTTP Request Node：GET 请求该 URL。
    • HTML to Markdown Node：把杂乱的 HTML 转成对 LLM 友好的 Markdown，去掉广告和导航栏，节省 Token。
    • Text Processing (Truncate)：截断超长文本（防止 Token 爆炸）。
  2. 在主 Agent 中引用：
    • 使用 Call Workflow as Tool 节点。
    • 选择刚才创建的子工作流。
    • Tool Name: scrape_webpage
    • Tool Description: “Useful for reading the detailed content of a specific URL found in search results. Input should be a valid URL string.”

Tool C: 精确计算 (Calculator)

LLM 的数学很差，简单的加减法都可能算错。 n8n 内置了 Calculator 工具。

  • Description: “Useful for performing mathematical calculations. Use this when you need to calculate growth rates, profit margins, or distinct percentages.”

3. 短期记忆 (Window Buffer Memory)

为了支持多轮对话（比如读完报告用户追问：“他们的 CEO 是谁？”），我们需要挂载 Memory。

推荐使用 Window Buffer Memory。

  • Context Window：设置为 10-20 条。
  • Session ID：绑定到触发器的 chatId，保证不同用户的对话互不串线。

运行流程模拟

当我们在 Chat 窗口输入 “Analyze Anthropic” 时，后台发生了什么？

  1. Thought：Agent 收到指令，分析 System Prompt。它决定：“我需要先搜索 Anthropic 是什么。”
  2. Action：Agent 输出 JSON 指令，调用 SerpAPI 工具，参数 query="Anthropic latest news products"。
  3. Observation：SerpAPI 返回一堆搜索结果摘要和链接。
  4. Thought：Agent 阅读摘要，发现官网 anthropic.com 和一篇 TechCrunch 的融资新闻。它决定：“我需要详细阅读官网和那篇新闻。”
  5. Action：
    • 调用 scrape_webpage，参数 url="https://www.anthropic.com"。
    • 调用 scrape_webpage，参数 url="https://techcrunch.com/..."。
  6. Observation：子工作流返回两篇文章的 Markdown 正文。
  7. Final Answer：Agent 综合所有信息，按照 System Prompt 的要求生成 SWOT 报告文本。

进阶：输出结构化 PDF

Agent 的输出通常是 Markdown 文本。我们可以把它接入 n8n 的传统节点：

  1. Markdown to HTML：把 Agent 的回答渲染成漂亮的 HTML（带 CSS 样式）。
  2. HTML to PDF：生成 PDF 文件。
  3. Google Drive：上传文件。
  4. Slack：发送消息：“报告已生成，点击下载：[链接]”。

这正是 n8n 相比 Dify 或 Flowise 的优势所在：它完美融合了这一代的概率性 AI (Agent) 和上一代的确定性自动化 (Workflow)。

总结

未来的自动化，不仅仅是死板的 If This Then That。 未来的自动化是：给我一个模糊的 Goal，你自己 Plan 路径，遇到问题 Self-correct，最后把 Result 给我。

使用 n8n + LangChain，我们现在就可以构建这样的未来。