n8n实战：从零搭建你的第一个AI Agent工作流

在no-code自动化领域，n8n正成为搭建AI Agent的热门平台。这篇内容基于一位创作者「n8n in 100 days」系列第14集的实操演示，拆解了如何在n8n中构建一个最基础但完整的AI Agent，并解释了每个核心节点的作用与设计逻辑。

为什么选择n8n搭建AI Agent

n8n是一款开源的工作流自动化工具，支持通过可视化节点连接各类服务与AI模型。相比从头写代码，它让开发者和非技术用户都能快速把大语言模型（LLM）嵌入到实际业务流程中。

搭建一个AI Agent的核心，不在于节点有多复杂，而在于理解每个节点承担的职责——触发、推理、记忆，这三者构成了一个能持续对话的智能体骨架。

触发节点：When Chat Message Received

整个工作流的起点是触发器。演示中使用的是 When chat message received（当收到聊天消息时）节点。

选择这个触发器的原因很直接：当前阶段只在n8n内部做测试，还没有接入外部渠道（如网站、WhatsApp或其他前端）。这个节点提供了一个内置的聊天测试界面，方便在开发阶段直接验证Agent的响应效果，省去搭建外部接口的麻烦。等到正式部署时，可以替换为对应渠道的触发节点。

AI Agent节点与Chat Model

工作流的核心是 AI Agent 节点，它就是真正负责生成回复的「大脑」。但Agent本身并不具备推理能力，它需要连接一个底层模型来完成实际的内容生成。

这里连接的是 Chat Model，也就是大语言模型（LLM）。Agent把用户输入传给LLM，由模型生成回复后再返回。这种分层设计的好处在于：Agent节点负责编排逻辑（比如调用工具、管理流程），而具体用哪个模型（OpenAI、Gemini或其他）则可以灵活替换，彼此解耦。

值得注意的是，「AI Agent节点负责编排、LLM负责生成」这种分层架构，在大多数Agent框架中是通用设计思路。Agent节点通常实现了ReAct（Reasoning + Acting）或类似的推理循环：它先把用户输入和系统提示词发送给LLM，根据模型输出决定是直接回复还是调用某个工具（如搜索、计算、数据库查询），获取工具结果后再将新信息送回LLM，如此迭代直到得出最终答案。正因为推理引擎（LLM）被抽象为可替换组件，同一套编排逻辑可以随时从GPT-4o切换到Gemini或本地部署的Llama，而不必重写任何业务流程。

记忆节点：让Agent记住上下文

一个只会单轮回复的机器人算不上真正的Agent。演示中特别强调了 Memory（记忆） 节点的必要性。

如果没有记忆模块，Agent每次回复都是独立的，无法关联之前的对话——用户问「它叫什么名字」后再问「它多大了」，Agent根本不知道「它」指代什么。接入Memory节点后，Agent能够保留历史对话内容，实现连贯的多轮交流，这也是从「问答机器人」进阶到「智能体」的关键一步。

在技术实现层面，Memory节点的本质是管理「对话历史（conversation history）」的持久化方式。最常见的策略有三种：一是窗口记忆（Window Buffer Memory），只保留最近N轮对话，避免上下文超出模型的Token限制；二是摘要记忆（Summary Memory），由LLM将历史对话压缩成摘要后附加到每次请求中；三是向量检索记忆（Vector Store Memory），将历史片段嵌入向量数据库，按语义相关性检索最相关的历史内容。n8n中的Memory节点默认使用窗口记忆，对于大多数日常对话场景已经足够；当对话轮次极长或需要跨会话保留记忆时，才需要切换为更复杂的存储策略。

三节点骨架的实践启示

这个最小化的Agent示例虽然简单，却清晰呈现了AI Agent的基本架构：

• 触发层决定Agent何时启动、从哪里接收输入；
• 推理层（Agent + Chat Model）负责理解与生成；
• 记忆层保障对话的连贯性与上下文感知。

理解了这三层的分工，后续无论是接入外部工具、添加知识库检索，还是扩展成多Agent协作系统，都是在这个骨架上的叠加。对于想入门AI自动化的人来说，先把这个最小闭环跑通，远比一上来堆砌复杂功能更有价值。

小结

n8n降低了构建AI Agent的门槛，让搭建智能体从「写代码」变成了「连节点」。从触发消息、调用LLM到接入记忆，这套最基础的组合已经能跑通一个可对话、有上下文的Agent。这也是「n8n in 100 days」系列想传递的理念：通过持续的小步实践，逐步掌握AI工作流的构建能力。