用 n8n 打造 AI Agent 工作流：2026 完整教程

想建立能自主決策、使用工具、維持對話上下文的 AI Agent，傳統做法需要大量後端基礎設施和複雜的狀態管理邏輯。n8n 提供了一條更實際的路：用視覺化節點系統搭配 LangChain 框架，把 AI Agent 的建構從「寫數千行程式碼」變成「拖拉連接節點」。

這篇教程會帶你從安裝 n8n 開始，一步步建出一個能查詢知識庫、調用外部 API 的 AI Agent，最後用 Docker 部署到生產環境。

n8n 是什麼？為什麼適合做 AI Agent

n8n 是一個開源的工作流自動化平台，最初以連接各種 SaaS 應用聞名。但從 2024 年底開始，n8n 大幅強化了 AI 功能，直接整合了 LangChain JavaScript 框架，讓使用者能用視覺化方式建構 AI Agent 工作流。

跟純程式碼方案（像是直接用 Python 寫 LangChain）相比，n8n 的優勢在於：

視覺化編輯：拖拉節點就能建構複雜的 Agent 邏輯，不用一行一行寫程式碼
內建整合：直接連接 OpenAI、Anthropic、HuggingFace 等 LLM 提供者，不用自己處理 API 認證
記憶體管理：內建記憶體節點，支援對話上下文保持
工具調用：透過工具節點連接 Gmail、Google Sheets、Slack 等外部服務
生產部署：支援 Docker Compose + PostgreSQL + Redis 的企業級部署架構

n8n 的 AI Agent 架構建立在 LangChain 之上，採用層級式節點系統。根節點（cluster node）定義主要 Agent 邏輯，子節點提供具體能力——語言模型整合、記憶體管理、工具執行。這種設計讓你能像搭積木一樣組合出複雜的 Agent 行為。

四種 AI 工作流架構模式

n8n 支援四種主要的 AI 工作流架構，根據需求選擇：

串接請求（Chained Requests）：順序執行多個 AI 模型調用，中間插入處理步驟。相比單一大型 Agent 調用，這種方式能降低 30-50% 的 API 成本，因為你可以針對不同步驟選用不同等級的模型。

單一 Agent 加狀態（Single Agent with State）：透過記憶體節點在整個工作流執行期間保持上下文。適合需要連續對話的場景，例如客服機器人或個人助理。

多 Agent 加守門人（Multi-Agent with Gatekeeper）：集中式控制搭配專門化 Agent 委派。一個中央 Agent 負責理解用戶意圖，再把具體任務分配給專業 Agent 執行。模組化程度高，容易擴展。

多 Agent 團隊（Multi-Agent Teams）：多個專業 Agent 並行運作，各自處理不同任務，透過分散式決策協作完成複雜目標。適合需要多角度分析的場景。

搭建環境：安裝與設定

方式一：npm 安裝（開發測試用）

# 確認 Node.js 20 或更新版本
node --version

# 全域安裝 n8n
npm install n8n -g

# 啟動 n8n
n8n start

啟動後開啟瀏覽器訪問 http://localhost:5678，就能看到 n8n 的工作流編輯器。

方式二：Docker 安裝（推薦用於生產環境）

建立一個 docker-compose.yml：

version: '3.8'
services:
  n8n:
    image: n8nio/n8n:latest
    ports:
      - "5678:5678"
    environment:
      - N8N_BASIC_AUTH_ACTIVE=true
      - N8N_BASIC_AUTH_USER=admin
      - N8N_BASIC_AUTH_PASSWORD=your-secure-password
      - DB_TYPE=postgresdb
      - DB_POSTGRESDB_HOST=postgres
      - DB_POSTGRESDB_PORT=5432
      - DB_POSTGRESDB_DATABASE=n8n
      - DB_POSTGRESDB_USER=n8n
      - DB_POSTGRESDB_PASSWORD=your-db-password
      - EXECUTIONS_MODE=queue
      - QUEUE_BULL_REDIS_HOST=redis
    volumes:
      - n8n_data:/home/node/.n8n
    depends_on:
      - postgres
      - redis

  postgres:
    image: postgres:15
    environment:
      - POSTGRES_DB=n8n
      - POSTGRES_USER=n8n
      - POSTGRES_PASSWORD=your-db-password
    volumes:
      - postgres_data:/var/lib/postgresql/data

  redis:
    image: redis:7-alpine
    volumes:
      - redis_data:/data

volumes:
  n8n_data:
  postgres_data:
  redis_data:

docker compose up -d

用 Redis 佇列模式（EXECUTIONS_MODE=queue）能實現水平擴展，多個 n8n worker 並行處理工作流執行。

建構你的第一個 AI Agent

步驟一：設定 LLM 連接

在 n8n 編輯器中，先設定語言模型的認證資訊：

點擊左側選單的 Credentials
選擇你要用的 LLM 提供者（OpenAI、Anthropic 等）
填入 API Key 和相關設定
測試連線是否成功

步驟二：建立 AI Agent 工作流

建立一個新的工作流，加入以下節點：

觸發節點：選擇 Webhook（用於接收外部請求）或 Chat Trigger（用於對話式互動）。

AI Agent 節點：這是核心編排層。設定：

連接你的 LLM 認證
輸入提示詞（System Prompt），定義 Agent 的角色和行為
連接記憶體節點（Memory）以保持對話上下文

語言模型子節點：連接到 AI Agent 節點，選擇你設定的 LLM 提供者和模型。

工具子節點：根據需求添加，例如：

HTTP Request 工具：調用外部 API
Gmail 工具：讀寫電子郵件
Google Sheets 工具：操作試算表
Code 工具：執行自訂 JavaScript 程式碼

步驟三：加入記憶體

在 AI Agent 節點上連接一個記憶體節點，選擇記憶體類型：

Window Buffer Memory：保留最近 N 輪對話，適合大多數場景
Vector Store Memory：將對話存入向量資料庫，支援語義搜尋，適合知識密集型應用
Postgres Chat Memory：用 PostgreSQL 儲存對話記錄，適合需要持久化的生產環境

步驟四：測試與除錯

用 n8n 內建的 Chat Hub 測試你的 Agent：

點擊工作流編輯器右上角的 Chat 按鈕
在 Chat Hub 中輸入問題
觀察 Agent 的推理過程和工具調用記錄
在 Executions 頁面查看完整的執行歷史

進階：知識庫整合

讓 Agent 能查詢自訂知識庫是常見需求。n8n 的做法是建立一個「知識注入工作流」：

建立資料擷取工作流：觸發 → 讀取資料來源（PDF、網頁、CSV）→ 切分文本 → 存入 n8n Data Table 或向量資料庫
建立查詢工作流：用戶提問 → AI Agent 搜尋知識庫 → 用找到的資訊回答

n8n 官方提供了現成的模板：

知識注入模板：n8n.io/workflows/13353
問答 Agent 模板：n8n.io/workflows/13354

部署到生產環境

環境變數設定

生產環境需要額外設定：

# 安全性
N8N_BASIC_AUTH_ACTIVE=true
N8N_BASIC_AUTH_USER=admin
N8N_BASIC_AUTH_PASSWORD=strong-password-here

# 資料庫
DB_TYPE=postgresdb
DB_POSTGRESDB_HOST=your-db-host
DB_POSTGRESDB_PORT=5432
DB_POSTGRESDB_DATABASE=n8n
DB_POSTGRESDB_USER=n8n
DB_POSTGRESDB_PASSWORD=strong-db-password

# 執行模式
EXECUTIONS_MODE=queue
QUEUE_BULL_REDIS_HOST=your-redis-host

# Webhook URL（用於外部觸發）
WEBHOOK_URL=https://your-domain.com

監控與擴展

用 n8n 內建的 Executions 頁面監控工作流執行狀態
透過 Redis 佇列模式新增 worker 實例實現水平擴展
設定錯誤通知（Email、Slack）以便即時發現問題
定期清理舊的執行記錄以節省資料庫空間

跟純程式碼方案的比較

面向	n8n	Python + LangChain
學習曲線	低，視覺化操作	高，需要程式設計能力
開發速度	快，拖拉即完成	慢，需要寫大量樣板程式碼
靈活性	中，受限於可用節點	高，完全自訂
維運	簡單，Docker 一鍵部署	複雜，需要自己管理基礎設施
團隊協作	好，工作流可視化易於溝通	差，程式碼需要技術背景才能理解
成本	低，開源免費	低，但需要更多開發人力

n8n 適合需要快速原型驗證、團隊中有非技術成員、或希望降低 AI Agent 建置門檻的場景。如果你需要高度客製化的模型微調或複雜的多步推理邏輯，Python 方案仍然更靈活。

總結

n8n 把 AI Agent 的建構從「工程專案」降級為「工作流設計」。用視覺化節點串接 LLM、記憶體和工具，再用 Docker 部署到生產環境，整個過程不需要寫大量程式碼。對於想要快速驗證 AI Agent 想法的團隊來說，n8n 是目前最實際的選擇之一。

完整的工作流模板和更多教學，可以到 n8n 官方文件和社群論壇找到。