n8n零代码搭建AI Agent：触发器、记忆与联网搜索实战

为什么选 n8n 搭 AI Agent

n8n 是一个开源自动化平台，定位介于 Zapier 与代码框架之间。据 TyLabs 联合创始人 Dr. Aki 在视频中的介绍，它最大的特点是「AI 优先」——把 RAG、分类、Agent 循环这类能力当作一等公民来设计，而不是事后打补丁。底层封装了 LangChain、LangGraph 生态，上层提供可视化的节点画布。

对不想写代码、又想快速验证 Agent 想法的人来说，n8n 提供了两条路：自托管部署，或直接用云端版本省去运维。Dr. Aki 强调，你可以「在画布上把 Agent 搭出来，然后立刻跑起来、接出去」。

LangChain 是一个用于构建大语言模型应用的开源框架，它提供了模型调用、提示词模板、工具调用、记忆管理等一系列抽象层，让开发者不必从零封装底层逻辑。LangGraph 则是在 LangChain 之上进一步提出的图结构编排框架，用「节点 + 边」的方式描述多步骤、可循环、带状态的 Agent 流程，特别适合需要反复推理、调用工具、条件跳转的复杂场景。n8n 底层直接复用这两套生态，意味着画布上的 AI 节点其实是在调用这些成熟抽象，用户拖拽出的「Agent 循环」「工具集」等行为，最终都对应到 LangChain/LangGraph 中的具体对象，因此熟悉这套体系的开发者迁移成本很低。

触发器：所有工作流的起点

任何工作流都从一个触发器开始。n8n 里的触发器类型包括定时调度、Webhook 调用、表单提交等。Dr. Aki 建议新手从 Chat Message（聊天消息） 触发器入手，因为它允许你即时输入、即时看到反馈，最适合做实验。

Chat Message触发器连接LLM的简单聊天组件

选中触发器后，可以双击节点输入一条消息。此时什么都不会发生，因为还没有连接后续节点，但节点会变绿，说明指令已经进入。这一步看似简单，却是理解「数据如何在节点间流动」的关键：触发器负责接住输入，后面的节点负责处理。

Webhook 是一种由外部事件触发的 HTTP 回调机制：n8n 会为工作流生成一个唯一的 URL，任何第三方系统只要向该地址发送请求，就能启动这条工作流，请求中携带的数据会自动成为后续节点的输入。它和定时调度的区别在于「被动等待」——不是按时间轮询，而是事件发生时才被唤起，因此更适合对接表单提交、支付回调、聊天平台消息等场景。Chat Message 触发器则可以理解为一种专门为对话场景封装好的 Webhook：它内置了聊天界面和消息格式解析，用户输入的文字会直接以标准消息结构进入工作流，省去了自己定义请求体的麻烦，这也是它最适合新手做即时实验的原因。

节点分类：从应用到代码的完整工具箱

触发器之后就是节点。n8n 把节点分成几大类，Dr. Aki 逐一做了梳理：

应用动作（Actions）：Asana、Apollo、AWS 等大量第三方集成，常见工具基本都能找到。
数据转换：在不同节点之间转换、整形数据，是搭建实用工作流的核心能力。
流程控制（Flow）：分支、条件判断、循环、失败处理。Python 里能做的控制流，这里用可视化节点同样能实现——根据上游节点的值决定走哪条路。
基础原语：Code 节点和 HTTP Request 节点。当预置工具不够用时，可以用这两块「地基」自己拼，把 API 调用等通用计算能力接进来。
人工审核（Human in the Loop）：Agent 完成任务后，发邮件或 Slack 消息请人确认，批准后才继续推进。

Dr. Aki 特别提醒，人工审核「非常重要」——在真实业务里，完全放手的 Agent 往往不可靠，让人类在关键节点把关是必要设计。

AI 组件：真正有趣的部分

进入 AI 分类后，由于底层是 LangChain 生态，会看到很多熟悉的工具：LLM Chains、信息提取器、预置的 LLM AI 架构等，可以直接复用。模型侧支持 Google Gemini、Anthropic 等，部分还会提供免费额度。

搭建一个最小 Agent 的门槛极低：拖入 AI Agent 节点，它本身是一个 Agent 循环，但必须至少配一个 Chat Model（聊天模型） 才能运转。Dr. Aki 现场演示，只连一个模型时，问「hi」能得到回复——这就是一个最简单的聊天组件加 LLM。

但问「天气怎么样」时，模型只能给出大致估计，给不出实时数据，因为它没有联网能力；再问「它在哪里」时，模型彻底懵了，无法判断指的哪个地点。这暴露了两个缺陷：没有记忆系统，每次调用都是独立的；没有实时信息源。

Agent 循环指的是大语言模型不再只做一次「输入—输出」，而是反复进行「思考 → 选择工具 → 执行 → 观察结果 → 再思考」的迭代过程，直到它认为任务完成或达到停止条件。在这个循环里，模型自己决定下一步调用哪个工具、传什么参数，而不是由人预先写死流程。Chat Model 是循环的「大脑」，负责推理和决策；工具则是循环可以动用的「手脚」。这也解释了为什么只挂一个模型时 Agent 能聊天却查不到天气——它能推理，但没有可调用的外部工具去获取实时数据，循环也就无从展开。

补齐记忆与联网搜索

修复方式就是加两个配件：

Memory（记忆）：挂上 Simple Memory 节点，让 Agent 记住之前的对话上下文，解决「不知道你刚才在说什么」的问题。
Web Search（联网搜索）：在 AI Agent 上附加内置工具 Web Search，让模型在需要时主动检索实时信息。

加上这两项后，重新问「旧金山现在温度多少」，Agent 就能拉到实时天气并给出正确答案。Dr. Aki 总结，这已经是最简单的可用 Agent 形态——一个触发器、一个模型、一段记忆、一个搜索工具。

多 Agent 实战：自动调研并写入表格

视频后半段展示了一个更复杂的多 Agent 系统：主 Agent 搭配 Simple Memory，下挂多个子 Agent（如 Deep Research Agent）和一个 Google Sheet 工具，子 Agent 通过工具集与主 Agent 连接。

Dr. Aki 输入一个人名（例如 Elon Musk），主 Agent 先触发 Deep Research 子 Agent 去做调研，调研结果再回传给主 Agent，随后自动写入 Google Sheet。演示中可以看到对话在多个 Agent 之间流转，生成的表格会新增一行，包含姓名等字段。

过程中也出现了有趣的小插曲：子 Agent 找不到该人物的 LinkedIn 信息，Dr. Aki 调侃「他显然不在找工作」；换其他名字测试时，还遇到「提示词不够好」导致输出不理想的情况。这恰好说明一点：可视化降低了搭建门槛，但提示词设计（Prompt Engineering）依然是决定质量的关键。

搭完后可以发布工作流，双击节点会得到一个 URL，直接把它接到任意外部应用即可。整个流程不用写代码，全部在画布上完成。

主 Agent 与子 Agent 的分工本质上是一种任务委派模式：主 Agent 面向用户，负责理解意图、决定把哪部分工作交给谁；子 Agent 则专注单一职责，例如 Deep Research Agent 只做信息检索与整理。它们之间通过「工具」来连接——在 n8n 中，子 Agent 会以工具的形式挂载到主 Agent 上，主 Agent 调用它就像调用一个普通函数，子 Agent 跑完把结果作为返回值交回。这样做的好处是每个 Agent 的提示词和目标都更聚焦，不容易在一次超长推理中迷失方向，代价则是链路变长、调试更复杂，任何一环的提示词写得不好都会拖累整体输出质量。

适用人群与边界

n8n 的定位很清晰：让不会写代码的团队和专业人士也能搭出可用的 AI 工作流。它把 LangChain 那套抽象包装成可视化节点，把 API 调用、数据转换、条件分支这些通用编程概念平移到画布上。对快速验证、内部自动化、轻量级 Agent 场景来说效率极高。

需要清醒的是，预置工具覆盖不到的边缘场景，仍然要回到 Code 和 HTTP Request 节点，本质上还是得有工程思维。另外，提示词质量、记忆策略、人工审核的介入点，这些都靠搭建者判断，工具本身不会替你做决定。