n8n AI：让工作流自动化真正变得“智能”

您已经了解了工作流自动化如何连接您的应用程序并处理重复性的、基于规则的任务。但是，如果您的自动化流程不仅仅是执行指令呢？如果它们能够理解上下文、生成创意内容、总结复杂信息，甚至基于非结构化数据做出决策呢？这正是 n8n AI 的真正威力所在。通过将大型语言模型 (LLM) 直接集成到您的工作流中，您可以将 n8n 从一个简单的任务运行器转变为一个智能自动化引擎。

将 n8n 与 OpenAI 或其他模型结合到您的工作流程中，将开启无限可能。您现在可以构建一个 AI 自动化工作流程，它不仅能够处理数据，还能丰富和理解数据。本指南面向准备迈出下一步的用户。我们将探讨如何将任何 LLM 与 n8n 结合使用，从构建简单的内容生成器到构思复杂的 AI 代理自动化。您将学习创建能够思考、推理和创造的自动化流程的实用技能，所有这些都将在 n8n 的灵活环境中完成。

n8n 的 AI 自动化功能：从简单任务到复杂代理

n8n AI 的核心优势在于它能够超越简单的确定性逻辑。传统的流程​​遵循清晰的规则：“如果新邮件的主题是‘发票’，则将附件保存到‘发票’文件夹。”这种方式对于结构化任务来说既可预测又高效。然而，AI 自动化流程则基于理解和意图：“当收到客户的新邮件时，判断它是投诉、问题还是表扬，并将其路由到相应的团队。”这需要 AI 才能提供的理解能力。

人工智能自动化可以实现哪些目标？

这项功能创造了一系列自动化可能性，从简单的增强功能到完全自主的代理：

• 简单的AI增强：这是最常见的起点。您可以将AI节点添加到现有工作流程中，以执行单个特定任务。例如，在抓取产品评论后，您可以使用LLM（逻辑逻辑模型）提取情感倾向（正面、负面、中性）和提及的关键主题。
• 生成式任务：除了分析数据，您的工作流程还可以创建新内容。您可以构建一个工作流程，以产品名称和几个关键功能作为输入，然后生成完整的营销描述、社交媒体帖子和简短的视频脚本。
• 利用智能体进行复杂推理：这是最先进的应用。您可以设计 n8n 个智能体——能够以一定程度的自主性执行多步骤任务的工作流。例如，可以给一个 AI 智能体布置“为两人规划一次 500 美元预算的巴黎周末旅行”的任务。它需要搜索航班、查找酒店、查看评价，并生成一份可行的行程安排，所有这些都无需提供明确的、分步的指令。这种智能体行为代表了 AI 自动化的前沿领域。

通过集成人工智能，您不再受限于应用程序中的结构化数据和预定义规则。您可以处理纷繁复杂、非结构化的人类语言和复杂文档。这将释放出前所未有的效率和能力。

n8n AI 的关键能力：RAG（红绿灯）、长期记忆和多智能体系统

随着您逐步超越简单的AI任务，您将接触到能够释放智能自动化真正潜力的高级概念。在n8n中，这些并非一键式解决方案，而是通过组合特定节点构建的强大系统。

n8n 检索增强生成 (RAG)

标准的LLM无法回答有关您公司私有数据的问题。n8n检索增强生成（RAG）通过赋予LLM访问您信息的权限来解决这个问题。您可以通过将多个节点链接在一起来构建RAG管道：

1. 加载数据：首先使用文档加载器节点（例如“PDF4me”或“ScrapeNinja”）来导入源材料。
2. 拆分数据：然后连接“拆分输出”或“信息提取器”节点，将文本拆分成更小、更易于管理的块。
3. 创建和存储嵌入：这些数据块被传递给类似“Pinecone”的向量存储节点。该节点帮助将数据块转换为向量，并将其插入到数据库中。
4. 查询数据：要提出问题，您可以使用链节点，例如“问答链”节点。该节点接收您的查询，在向量存储中找到最相关的数据块，并将查询和数据块传递给您选择的逻辑逻辑模型 (LLM)，以生成基于事实的答案。

构建具有长期记忆的更智能的n8n代理

人工智能要处理真实的对话，就需要“记忆”。你可以设计有状态的n8n智能体，使其能够记住过去的交互。虽然短期记忆通常是内置的，但真正的长期记忆是通过将对话历史记录存储在外部数据库中来实现的。

以下是其工作原理的简化说明：在调用“AI 代理”节点之前，您需要使用数据库节点（例如“Airtable”或“Postgres”）检索与用户 ID 关联的历史对话摘要。然后，您可以将检索到的“记忆”注入到发送给代理的提示中，使其获得提供连贯、个性化回复所需的完整上下文。

代理的力量和朗链

n8n 的许多最强大的 AI 功能都是基于 LangChain 框架构建的。LangChain 是一款开源工具，它简化了使用语言模型创建复杂应用程序的过程。它提供了一种标准方法，可以将语言模型、内存和工具等组件链接在一起，使它们能够协同工作以解决复杂问题。

n8n 与 LangChain 的集成意味着您无需成为 Python 开发人员即可使用这个强大的框架。n8n 已完成了构建这部分逻辑的繁重工作，并将其集成到其可视化界面中。当您使用“AI Agent”节点时，您实际上是在与一个基于 LangChain 核心原理构建的用户友好型界面层进行交互。

这使得您只需连接节点即可创建强大的 n8n 智能体。例如，您可以通过连接“ SerpApi ”节点为您的 AI 智能体添加一个“工具”。当智能体收到一个它无法从自身基础知识中回答的查询时，它可以自主决定使用搜索工具查找当前信息，然后利用这些新知识来制定响应。这种强大的推理和决策能力正是 LangChain 框架在 n8n 中实现的核心功能。

集成人工智能模型：将 n8n 连接到 OpenAI、Gemini 和其他 LLM

n8n 的灵活性使您能够连接到几乎任何具有 API 的 AI 模型。无论您是想使用主流商业模型还是自托管的开源替代方案，过程都非常简单。

连接到 OpenAI

专用的 n8n OpenAI 节点使集成变得极其简单。

1. 添加节点：在工作流程中添加“OpenAI”节点。从列表中选择“向模型发送消息”选项。
2. 添加凭证：您需要提供您的 OpenAI API 密钥来创建新凭证。
3. 配置节点：
   • 资源：选择“文本”作为对话模型。
   • 型号：从下拉菜单中选择您要使用的特定型号（例如，，gpt-4-turbo）gpt-3.5-turbo。
   • 提示：输入要发送给模型的提示信息。您可以在此处插入来自先前节点的动态数据。

正在连接到 Google Gemini

n8n Google Gemini 节点的流程非常相似。

1. 添加节点：将“Google Gemini”节点添加到您的工作流程中。
2. 添加凭据：使用您的 Google Gemini API 密钥创建新凭据。
3. 配置节点：选择模型（例如，gemini-pro）并输入您的提示信息。该界面设计旨在确保在不同的 AI 模型集成中保持一致性和直观性。

连接到任何其他LLM

如果您想使用自己运行的小型开源模型，或者其他没有专用节点的商业提供商，该怎么办？您可以使用通用的“HTTP 请求”节点连接任何 n8n LLM。

1. 添加节点：添加“HTTP 请求”节点。
2. 配置请求：
   • 方法：设置为POST。
   • URL：输入您要调用的 LLM 的 API 端点。
   • 身份验证：如果您的 API 需要身份验证标头（例如 Bearer Token），请将其添加到“身份验证”>“标头身份验证”下。
   • 正文：启用“发送正文”选项。在“正文内容类型”部分，选择“JSON”。您将在此处构建请求负载，通常包含模型名称和提示信息。具体结构取决于 API 文档。例如：

{
  "model": "mistral-7b-instruct",
  "messages": [
    {
      "role": "user",
      "content": "{{ $json.prompt }}"
    }
  ]
}

这种方法赋予您最大的灵活性，可以将任何 AI 模型集成到您的 n8n 工作流程中。

实用人工智能工作流程示例：内容生成、数据分析等等

让我们从理论转向实践。以下是一些您可以立即构建的人工智能工作流程的实际示例。

工作流程 1：自动化内容生成

这种 n8n 内容生成工作流程可以将一个简单的主题转化为结构化的草稿，从而节省数小时的初始写作时间。

1. 触发器：首先使用“手动”触发器进行测试。输入可以是包含主题的 JSON 对象，{"topic": "The Benefits of Self-Hosting a VPN"}甚至是简单的“聊天触发器”节点。
2. 生成大纲：将主题传递给 OpenAI 节点，并发送类似这样的提示：“请根据主题创建一个详细的博客文章大纲：{{ $json.topic }}。大纲应包含引言、3-4 个主要章节（每个章节包含若干子章节）以及结论。请以 JSON 格式回复。”
3. 生成章节内容：使用“拆分”节点处理大纲中的每个主要章节。对于每个章节，再次调用 OpenAI 节点，并输入类似这样的提示：“根据以下大纲要点，为博客文章撰写一个 300 字的章节：{{ $json.section_title }}。保持友好且直接的语气。”
4. 合并草稿：使用“合并”节点将所有部分生成的内容合并在一起。
5. 保存草稿：使用“Google 文档”节点在 Google 云端硬盘中创建一个新文档，并将完全组装好的草稿填充到该文档中。

工作流程 2：智能数据分析与汇总

这种 n8n 数据分析工作流程可以分析原始数据，并为您提供易于理解的见解。

1. 触发器：使用“Google Sheets”触发器，以便在包含客户反馈的特定表格中添加新行时运行工作流。
2. 分析反馈：将反馈文本传递给 Gemini 节点，并提示：“分析以下客户反馈：{{ $json.feedback }}。提取情感（正面、负面或中性），识别提及的关键主题，并提供一句总结。以 JSON 格式返回结果，键包括：sentiment，，topics。summary”
3. 丰富表格：再次使用“Google Sheets”节点，这次以“更新”模式，将情感、主题和摘要写回表格中的相应行。
4. 负面反馈警报：添加一个“IF”节点来检查情绪是否为“负面”。如果是，则使用“Slack”节点立即向客户支持渠道发送警报，并附上指向反馈行的链接。

这是一个功能强大的 n8n AI 工作流程，可以将简单的电子表格变成智能反馈分析系统。

构建人工智能驱动的网络爬虫和数据管道

让我们将这些概念结合起来，形成一个强大的项目：一个监控网站新信息、利用人工智能理解信息并将其存储为结构化数据的管道。

目标是通过抓取与特定行业相关的新闻文章，并建立一个清晰、可搜索的洞察数据库，来实现市场调研过程的自动化。

工作流程概述

1. 触发和获取 URL：首先使用“计划触发器”节点自动运行工作流。您可以将此节点配置为按任意时间间隔运行，例如每天上午 9:00 运行一次。此触发器随后会触发一个步骤，该步骤会从 Google 表格或 Airtable 数据库中获取目标新闻网站列表。
2. 抓取内容： n8n 原生网页抓取通常分为两步。首先，使用“HTTP 请求”节点GET向文章 URL 发送请求，这将获取页面的原始 HTML 代码。接下来，将该 HTML 代码传递给“HTML”节点。在该节点中，将操作设置为“提取 HTML 内容”。这个强大的操作允许您使用 CSS 选择器（例如`<title>` h1、.article-body p`<body>` 或#main-content`<body>`）来提取所需的确切内容，例如标题和正文。
   注意：您还可以选择各种第三方网页 抓取节点，每个节点都有其自身的功能。使用 n8n 通常有多种方法可以完成相同的操作。
3. 利用 AI 进行结构化处理：将提取的文本传递给 n8n AI 节点（例如 OpenAI）。真正的智能在此发挥作用。使用精心设计的提示，让 AI 扮演数据分析师的角色：“
   从以下文章文本中提取以下 JSON 格式的信息：company_names_mentioned，，，以及。如果某项信息不存在，则该键返回 null。”key_technologies_discussedpublication_date200-word_summary
4. 存储结构化数据： AI 节点输出的是干净、结构化的 JSON 数据，可以直接存储。为此，请添加一个数据库节点，例如“Airtable”节点。
   • 配置节点：选择您的 Airtable 凭据，并将操作设置为“创建”。选择要存储结果的数据库和表。
   • 映射字段：该节点将显示 Airtable 表格中的字段。现在，您需要将 AI 输出的数据映射到这些字段。例如，对于 Airtable 中名为“公司”的字段，您需要添加company_names_mentionedAI 节点输出的值。映射结果类似于这样：{{ $json.company_names_mentioned }}。对所有提取的数据重复此操作。
5. 验证和错误处理（可选）：工作流可能会失败，尤其是在依赖外部网站和 API 时。因此，构建弹性机制至关重要。
   • 识别故障点： “HTTP 请求”和“AI”节点最容易发生故障（例如，网站宕机、API 密钥无效）。
   • 实现内联错误日志记录：点击“HTTP 请求”节点，转到“设置”选项卡，并将“出错时”选项更改为“继续（使用错误输出）”。该节点现在将有两个输出连接器：一个用于成功（顶部），一个用于错误（底部）。
   • 创建错误路径：将底部的“错误”输出连接到“Google Sheets”节点。配置此节点，使其将新行“追加”到日志工作表中。在相应的字段中，您可以映射失败的 URL 和具体的错误消息（可在表达式编辑器中找到）$json.error.message。这样就能生成一个简单而有效的日志，记录所有无法处理的 URL，方便您稍后查看，而无需中断整个工作流。您可以将此模式应用于任何可能失败的节点。

该工作流程完美地展示了 n8n 如何利用人工智能来弥合非结构化网络内容与结构化、有价值的数据集之间的差距，从而协调复杂的流程。

从 API 到自动化：创建自定义 n8n AI 工作流

虽然预置节点功能强大，但只有将 n8n 视为可编程自动化后端，才能真正释放其全部潜力。通过与 n8n API 交互，您可以创建 n8n 自定义工作流，并将其与您自己的应用程序和服务无缝集成。

假设您有一个定制开发的 CRM 系统。您可以在 CRM 界面中添加一个按钮，点击该按钮即可触发 n8n 工作流，对该客户的历史记录进行 AI 分析。以下是设置方法：

1. 创建 Webhook 触发器：使用“Webhook”节点启动您的工作流。这将生成一个唯一的 URL。
2. 构建 AI 逻辑：构建工作流程的其余部分以执行所需任务。例如，它可以检索特定客户 ID 的所有历史支持工单，将其传递给 n8n LLM，并提示其“总结客户最关心的 3 个问题和总体情绪”，然后将总结发布到 Slack 频道。
3. 从您的应用调用 Webhook：在您的应用代码中，POST每当按钮被点击时，就向 Webhook URL 发送请求。您需要在请求正文中传递客户 ID。以下是一个示例curl：

curl -X POST -H "Content-Type: application/json" -d '{"customerId": "12345"}' https://your-n8n-instance.com/webhook/your-webhook-id

这种方法允许您将人工智能驱动的自动化功能直接嵌入到现有工具中，从而打造无缝的用户体验。您不再受限于内置触发器；您的自定义应用程序现在可以作为任何工作流程的起点。

n8n AI 工作流程常见问题解答

• 在 n8n 中使用 AI 模型有哪些费用？
  n8n 本身不会对使用其 AI 节点收取任何额外费用。但是，您需要承担 AI 模型提供商收取的费用。例如，如果您使用 OpenAI 节点，OpenAI 将根据您的 API 使用量（您处理的令牌数量）向您收费。
• 使用 n8n 进行 AI 开发时，我的数据安全吗？
  这是一个重要的考量因素。当您使用 OpenAI 或 Gemini 等基于云的 AI 模型时，您在请求中发送的数据会在他们的服务器上进行处理。虽然这些公司拥有严格的隐私政策，但数据确实会离开您的基础设施。为了最大限度地保障安全性和数据隐私，最佳解决方案是在您自己的服务器上使用自托管的开源 LLM，并通过 HTTP 请求节点调用它。
• 我可以在 n8n 中使用开源 LLM 模型吗？
  当然可以。如果您在本地或自己的服务器上运行开源模型（例如，使用 Ollama 之类的工具），它通常会提供一个 API 端点。您可以使用 n8n 中的“HTTP 请求”节点来调用此端点，从而获得现代 LLM 模型的强大功能以及完整的数据控制权。