n8n AI Agent实战：模型、记忆与MCP工具全解析

n8n 的 AI Agent 节点把大语言模型、对话记忆和外部工具整合成可视化工作流，让零代码搭建智能助手成为可能。前一期视频用 Google Gemini 模型搭建了一个基础的 QA 需求分析聊天机器人，但那个 Agent 没有记忆，也无法访问外部系统。本次通过一个完整的实操演示，拆解 AI Agent 的三个核心组件——模型（Model）、记忆（Memory）和工具（Tools），并展示如何通过 Atlassian MCP Server 让 Agent 直接读取 Jira 中的用户故事。

一、从基础 Chatbot 到可定制助手

视频中的起点是一个已经发布过的 QA 助手，界面比较简陋。创作者首先做的是通过 Custom Chat Styling（自定义聊天样式）来改善外观——他把用 ChatGPT 生成的 CSS 粘贴进 n8n 的样式字段，同时修改了初始消息和输入框的提示文字，把原来的 "type your question" 改为更贴合业务的 "provide your requirement"，然后发布新版本。

这一步不需要写代码，CSS 可以由任意 AI 助手生成，复制粘贴即可。发布后刷新页面，聊天窗口的视觉风格和交互提示就会立即生效。

二、模型切换：从 Gemini 到 Anthropic

n8n 的 AI Agent 节点通过 Chat Model 子节点连接大语言模型，支持随时替换。在演示中，创作者删除原有的 Google Gemini 节点，通过 + 号添加了 Anthropic Chat Model，选用的版本是 Cloud Sonnet（即 Claude Sonnet 系列）。

这种"插拔式"的模型设计是 n8n 的一个关键优势：Agent 的提示词、工具和记忆配置不变，只替换模型节点，就能对比不同模型在同一个任务上的表现。对于需要评估模型效果或控制成本的团队来说，切换成本几乎为零。

Claude Sonnet 是 Anthropic 推出的 Claude 模型系列中的中端型号，在能力与成本之间取得平衡。Claude 系列通常分为 Haiku（轻量、快速、便宜）、Sonnet（均衡）和 Opus（最强、最贵）三档，命名沿用诗歌体裁，分别对应不同复杂度任务。Sonnet 在代码生成、多步推理和工具调用（Tool Use）方面表现突出，因此常被用于构建 Agent 类应用。

在 n8n 的 AI Agent 场景中，模型选择会直接影响三件事：推理质量（能否正确拆解用户意图）、工具调用准确性（是否知道何时调用哪个工具）以及单位 token 成本。视频创作者把 Gemini 换成 Claude Sonnet 后，Agent 的提示词、记忆和工具配置完全不动，这正好验证了 n8n "模型即插拔"的设计哲学——把模型当作可替换的推理引擎，而不是与整套工作流绑死的一部分。实际选型时，团队通常会用同一组测试用例在多个模型上跑一遍，比较响应质量、延迟和费用后再决定。

三、记忆机制：为什么 Agent 会"失忆"

这是本次视频最核心的改进点。没有记忆的 Agent 每次对话都是独立的——创作者给出了一个银行转账需求（"客户可以在合格账户间转账，单笔最大金额为十万"），Agent 能生成完整的测试场景，但紧接着追问"最大转账金额是多少"时，它却回答"你还没有提供实际的需求文档，我无法确定"。

原因在于 Agent 没有保存上下文。n8n 的解决方案是添加 Simple Memory 节点，它把对话历史存储在内存中，无需任何外部凭据或数据库配置。节点中的 "Context Window Length" 参数控制传递多少轮历史对话作为上下文，默认设置为 5 轮。

n8n 还提供其他记忆方案，包括 MongoDB Chat Memory、Postgres Chat Memory 和 Redis 等，适合需要持久化或跨会话记忆的生产场景。Simple Memory 是入门的合理选择，但数据会在工作流重启后丢失。

添加记忆后重新测试：先输入转账需求，再追问最大金额，Agent 准确回答"根据你提供的要求，单笔最大转账金额为十万"——记忆生效了。

四、MCP Server：让 Agent 接入外部系统

第三个组件是工具（Tools）。n8n 的 Tool 节点支持接入 MCP Server，视频中演示的是 Atlassian MCP Server，用于连接 Jira 和 Confluence。

配置流程比想象中多几个步骤：在 AI Agent 节点上添加 MCP Server Tool，选择 Atlassian，点击 Connect 后会跳转到 Atlassian 的 OAuth 授权页面。这里遇到了一个典型的坑——Atlassian 管理员需要先在组织设置中把 n8n 的 OAuth 回调域名加入白名单，否则授权页面的 Accept 按钮是灰的。创作者在 Jira 的 User Management 中为 Robo MCP Server 添加了 n8n.cloud 域名后，授权才顺利通过。

授权完成后，让 Agent 查询 "SCRUM-20 的内容"，它直接返回了该用户故事的完整信息：状态、优先级、摘要（Parabank 用户注册）、描述和验收标准。整个过程中 Agent 自动调用了 Jira API，无需手动编写任何集成代码。

MCP（Model Context Protocol，模型上下文协议） 是由 Anthropic 于 2024 年底开源的一项标准协议，目的是统一大语言模型与外部数据源、工具之间的连接方式。在 MCP 出现之前，让模型访问 Jira、数据库或文件系统，往往需要为每个系统单独编写集成代码或插件，且各家格式互不兼容。MCP 定义了一套客户端-服务器架构：模型方作为客户端，外部系统以 "MCP Server" 的形式暴露能力（资源、工具、提示模板），双方通过标准化的 JSON-RPC 消息通信。

这一设计带来的好处是复用性——同一个 MCP Server 可以被 Claude Desktop、n8n、Cursor 等任意支持该协议的客户端调用，开发者不必重复造轮子。视频中的 Atlassian MCP Server 就是 Atlassian 官方或社区提供的实现，把 Jira 的查询、创建、更新等操作封装成标准工具，n8n 的 MCP Server Tool 节点只需完成 OAuth 授权即可使用，这也是它比手写 Jira API 集成更省事的原因。理解 MCP 的定位，有助于把它和普通的 REST API 或 n8n 内置的 HTTP Request 节点区分开：前者是面向 AI 的语义化工具接口，后者是通用的网络请求。

五、三个组件的组合逻辑

回顾整个工作流：Chat Message Received 触发器接收用户输入 → AI Agent 节点作为中枢 → Anthropic Chat Model 提供推理能力 → Simple Memory 保持对话连续性 → Atlassian MCP Server 提供外部数据访问。这套结构可以复制到任何类似的场景中：客服机器人接入 CRM、测试助手接入缺陷管理系统、文档助手接入知识库。

n8n 把这个过程做成了拖拽式的节点连接，降低了 AI Agent 开发的门槛，但理解每个组件的职责边界——模型负责推理、记忆负责上下文、工具负责行动——才是用好这套工具的前提。

完整演示视频可在 YouTube 频道 Automation Test Insider 观看。