n8n 2.0 内置了 LangChain 集成，提供 70+ AI 专属节点。你可以在不写任何框架代码的情况下，构建有记忆、能调用工具、会推理决策的 AI Agent。
AI Agent 节点的架构
n8n 的 AI Agent 工作流由四个角色组成：
[Trigger] → [AI Agent 节点]
├── Language Model（大脑）: OpenAI GPT-4o / Claude / Gemini
├── Memory（记忆）: Window Buffer / PostgreSQL / Redis
└── Tools（工具）: Workflow Tool / HTTP Request / Calculator / ...
AI Agent 节点本身不固定模型，它是一个推理引擎框架——你可以随时换底层模型，而工作流逻辑不变。
接入 OpenAI
Step 1：添加 OpenAI Credential
- 左侧菜单 → Credentials → Add Credential
- 搜索
OpenAI，填入你的 API Key - 保存，命名为
OpenAI - Production
Step 2：创建 AI Agent 工作流
节点链： Chat Trigger → AI Agent → （可选）Slack/Gmail 回复
AI Agent 节点配置：
| 字段 | 值 |
|---|---|
| Agent | Tools Agent（推荐，支持工具调用） |
| Language Model | 选择 OpenAI Chat Model |
| Model | gpt-4o 或 gpt-4o-mini |
| System Message | 你是 JR Academy 的客服助手，只回答课程相关问题... |
| Memory | Window Buffer Memory（保留最近 10 轮对话） |
System Message 示例：
你是一个专业的技术助手，负责帮助开发团队解答问题。
规则：
1. 只回答技术问题，不讨论政治和个人话题
2. 如果不确定，明确说"我不确定，建议查阅官方文档"
3. 回答时优先给出代码示例
4. 始终用中文回复
接入 Claude（Anthropic）
Claude 在长文本处理和代码理解方面表现出色，适合文档处理类 Agent。
配置步骤
- Credentials → Add Credential → 搜索
Anthropic - 填入 Anthropic API Key（从 console.anthropic.com 获取）
- 在 AI Agent 节点的 Language Model 中选择 Anthropic Chat Model
- 选择模型：
claude-sonnet-4-6（性价比最高）或claude-opus-4-6（最强）
实战案例 1：能查数据库的客服 Bot
场景：用户通过 Telegram 问订单状态，Agent 自动查数据库返回结果。
Telegram Trigger
↓
AI Agent
├── LLM: GPT-4o
├── Memory: Window Buffer（10 轮）
├── Tool: PostgreSQL 查询（自定义 Workflow Tool）
└── Tool: 获取当前时间（内置）
↓
Telegram 回复
关键：Workflow Tool 配置
在 AI Agent 的 Tools 里添加 n8n Workflow Tool，指向另一个专门查数据库的子工作流：
子工作流（查询订单）：
Execute Workflow Trigger（接收 order_id 参数）
↓
PostgreSQL: SELECT * FROM orders WHERE id = {{ $json.order_id }}
↓
返回查询结果
Agent 会在需要查询时自动调用这个工具，把 order_id 传进去，拿到结果后再组织成自然语言回复给用户。
实战案例 2：自动化内容生成 Pipeline
场景：每天从 RSS 抓取科技新闻 → AI 总结 → 自动发 Notion 和邮件。
Schedule Trigger（每天 7:00）
↓
HTTP Request（抓取 RSS: techcrunch.com/feed/）
↓
Code（解析 XML，提取 5 条最新文章）
↓
Loop Over Items
↓（每篇文章）
OpenAI Chat Model（总结文章，输出中文摘要）
↓
Merge（合并所有摘要）
↓
Notion（创建每日简报页面）
↓
Gmail（发送简报邮件给订阅者）
OpenAI 节点 Prompt：
请用 3-5 句话总结以下英文文章，输出中文，突出对开发者最有价值的信息：
标题：{{ $json.title }}
内容：{{ $json.content }}
输出格式：
【核心观点】...
【对开发者的影响】...
【关键数据】...（如有）
记忆（Memory）节点对比
| 记忆类型 | 适用场景 | 配置复杂度 |
|---|---|---|
| Window Buffer Memory | 多轮对话，保留最近 N 轮 | 低（默认推荐） |
| Postgres Chat Memory | 持久化对话历史，多用户 | 中（需要 PG 数据库） |
| Redis Chat Memory | 高并发场景，快速读写 | 中（需要 Redis） |
| Zep | 长期记忆 + 向量检索 | 高（需要 Zep 服务） |
Window Buffer Memory 配置：
Context Window Length: 10 // 保留最近 10 条消息
Session Key: {{ $json.chatId }} // 用 chatId 区分不同用户的会话
AI Agent 调试技巧
1. 查看 Agent 的推理过程
在 n8n 执行记录里，AI Agent 节点会输出完整的 intermediateSteps，包含每次工具调用的输入/输出。这是调试 Agent 行为最直接的方式。
2. 限制工具调用次数
防止 Agent 陷入循环：
Max Iterations: 10 // AI Agent 节点设置，超过后强制停止
3. 用 System Message 约束行为
不要期望 LLM 自己"猜到"你的意图，把规则写进 System Message：
重要约束：
- 你只能使用提供的工具，不能自行编造数据
- 如果工具返回空结果，回复"未找到相关信息"
- 每次回复不超过 200 字
