n8n AI Agent四大组件：模型、工具、记忆与输出解析器

在n8n中构建AI Agent时，很多人会被“链（Chain）与代理（Agent）”的概念混淆。实际上，一个完整的AI Agent由四个核心组件构成：聊天模型、工具、记忆和输出解析器。据YouTube频道「Made Crystal Clear」的讲解，其中聊天模型和工具是必需的，而记忆和输出解析器则是可选的。理解这四个组件的作用，是搭建高效AI工作流的第一步。

聊天模型：Agent的大脑

聊天模型（Chat Model）是AI Agent的“大脑”，负责理解用户输入并生成响应。在n8n中，你可以接入OpenAI、Anthropic等主流模型，也可以使用本地模型。它是整个Agent的推理核心，没有它，Agent就无法工作。

选择模型时，需要权衡响应质量、成本和速度。对于简单任务，轻量级模型可能足够；对于复杂推理，则需要更强大的模型。n8n的灵活性允许你在同一个工作流中切换模型，方便测试和优化。

工具：让Agent执行动作

工具（Tool）是Agent可以调用的外部功能，比如调用另一个工作流、查询数据库、发送邮件等。至少需要配置一个工具，Agent才能执行实际操作。工具的本质是扩展Agent的能力边界，让它不仅能“说”，还能“做”。

在n8n中，工具可以是子工作流（Sub-workflow），也可以是内置节点。设计工具时，要明确其输入输出格式，确保Agent能正确调用。例如，一个“发送邮件”工具需要接收收件人、主题和正文作为参数。

子工作流（Sub-workflow） 是n8n中的一种模块化设计，允许你将一个完整的工作流作为另一个工作流的节点来调用。在AI Agent的上下文中，子工作流常被用作工具，因为你可以将复杂的业务逻辑封装成一个独立的子工作流，然后让Agent通过工具调用来触发它。子工作流可以接收输入参数并返回输出结果，这使得Agent能够执行诸如“查询数据库并格式化结果”、“发送邮件并记录日志”等多步骤操作。使用子工作流作为工具的好处是复用性和可维护性：你可以在多个Agent中共享同一个子工作流，而不必重复实现逻辑。在n8n中配置子工作流工具时，需要确保子工作流的输入输出与Agent的调用约定匹配。

记忆：处理多轮对话的关键

记忆（Memory）用于存储之前的聊天轮次，让Agent在对话中保持上下文。记忆是可选的，仅当你的Agent需要处理多轮对话时才需要添加。对于单次任务型Agent，不加记忆可以节省资源并避免不必要的状态管理。

n8n支持多种记忆类型，如窗口记忆（Window Buffer Memory）等。合理配置记忆长度可以平衡上下文完整性和性能开销。

输出解析器：结构化输出的保障

输出解析器（Output Parser）用于将模型的自由文本输出解析为固定结构（如JSON），同样可选。当你的下游流程需要结构化数据时，输出解析器就变得必要。它可以与模型配合，确保输出符合预期格式，减少后续处理错误。

链与代理：最常见的混淆点

据同一来源分析，链（Chain）和代理（Agent）的混淆是初学者最常见的误区。链遵循固定的步骤，没有记忆；而代理则可以根据情况动态调用工具，并可选地使用记忆。很多从链迁移过来的用户容易在此处出错。

如果你只需要执行确定性的流程，链可能更简单；如果需要动态决策和工具调用，则应使用代理。理解两者的差异有助于选择正确的构建模块。

链（Chain） 是LangChain框架中的基础概念，指的是一系列预定义的、按顺序执行的步骤。链通常用于确定性的任务流程，例如：接收输入→调用模型→解析输出→返回结果。链的每一步都是硬编码的，不会根据中间结果动态调整后续步骤，也不具备记忆能力（除非显式添加记忆模块）。常见的链类型包括LLMChain、SequentialChain等。

代理（Agent） 则更加灵活，它使用一个语言模型作为推理引擎，根据用户输入动态决定调用哪些工具、以什么顺序调用，并可以结合记忆来保持上下文。代理的核心是“思考-行动-观察”循环：模型先推理需要做什么，然后调用工具，观察结果，再决定下一步，直到任务完成。这种动态性使得代理适合处理开放式的、需要多步推理的任务，但也带来了更高的复杂性和不可预测性。理解链与代理的差异，有助于在n8n中根据任务需求选择合适的构建方式。

起步建议：从简开始

对于初学者，建议从一个模型、一个工具开始，只在进行对话场景时添加记忆。这样可以快速验证Agent的基本功能，再逐步扩展。n8n的模块化设计让这种渐进式构建变得容易。

此外，该来源还提到，深入的学习可以探索子工作流、加密密钥和真实备份等高级主题。这些内容能帮助你构建更健壮的生产级Agent。

总结

n8n AI Agent的四大组件构成了灵活而强大的基础：聊天模型提供智能，工具赋予行动力，记忆支持对话，输出解析器确保结构。掌握它们的作用和配置方式，你就能在n8n中搭建出符合需求的AI Agent。记住，从简开始，按需扩展，是避免复杂性的有效策略。