n8n与LLM集成

摘要

本文档详细介绍n8n平台中与AI大语言模型集成的核心能力，包括LLM节点、Prompt节点、Memory节点、Tool节点和Agent节点的配置方法与实战技巧。

核心关键词速览

关键词	说明	关键词	说明
LLM Chain	大语言模型调用链	Prompt模板	结构化提示词
Memory节点	对话上下文管理	Tool节点	外部工具调用
Agent节点	自主决策代理	向量存储	语义检索引擎
Embedding	文本向量化	Function Calling	函数调用接口
Token限制	上下文窗口控制	温度参数	生成多样性控制

1. AI节点体系概述

n8n提供了完整的AI能力组件，构成了一个模块化的AI系统：

graph TD
    A[User Input] --> B[LLM Chain]
    B --> C[Agent]
    C --> D[Tools]
    D --> E[External APIs]
    C --> F[Memory]
    F --> G[Vector Store]
    B --> H[Response]
    
    subgraph AI节点家族
        B
        C
        D
        F
        G
    end

1.1 节点能力矩阵

节点类型	核心功能	典型场景
LLM Chain	调用大语言模型	文本生成、翻译、摘要
Prompt	构建结构化提示词	角色扮演、任务分解
Memory	管理对话历史	多轮对话、上下文理解
Tool	定义外部工具	搜索、计算、API调用
Agent	自主决策执行	复杂任务自动化
Embedding	文本向量化	语义搜索、RAG

2. LLM节点详解

2.1 节点配置

LLM Chain节点是n8n调用大语言模型的核心入口：

节点配置:
  provider: OpenAI  # 模型提供商
  model: gpt-4o     # 具体模型
  
  # 认证方式
  credentials:
    apiKey: "{{ $credentials.openAiApi }}"  # 引用凭证
  
  # 消息配置
  messages:
    - role: system
      content: |
        你是一位专业的技术文档助手。
        擅长用简洁清晰的语言解释复杂概念。
        回答时使用Markdown格式。
    
    - role: user  
      content: "{{ $json.userMessage }}"
  
  # 生成参数
  options:
    temperature: 0.7      # 创造性：0-2，越高越有创意
    maxTokens: 1000        # 最大生成token数
    topP: 1.0             # 采样策略
    frequencyPenalty: 0   # 频率惩罚
    presencePenalty: 0     # 存在惩罚

2.2 模型选择指南

模型	特点	适用场景	成本
GPT-4o	最强综合能力	复杂推理、代码生成	高
GPT-4o-mini	性价比优	日常对话、简单任务	中
Claude 3.5	长文本处理强	文档分析、长文写作	中高
Gemini 1.5	多模态支持	图像理解、跨模态	中

成本优化建议

根据任务复杂度选择模型：简单任务用GPT-4o-mini，复杂推理用GPT-4o。可设置默认模型+备用模型实现自动降级。

2.3 动态模型选择

// 根据任务复杂度动态选择模型
const inputLength = $json.userMessage.length;
const isCodeTask = $json.userMessage.includes('代码') || 
                   $json.userMessage.includes('function');
 
let model = 'gpt-4o-mini';
if (inputLength > 5000 || isCodeTask) {
  model = 'gpt-4o';
}
 
return { model };

3. Prompt节点配置

3.1 模板语法

Prompt节点支持强大的模板语法：

## 基础变量
{{ $json.field }}                    # 引用JSON字段
{{ $node["NodeName"].json.field }}   # 引用其他节点输出
{{ $vars.secretKey }}                # 引用变量
 
## 条件逻辑
{{ $json.lang === 'zh' ? '中文' : '英文' }}
 
## 循环处理
{{ $json.items.map(item => `- ${item}`).join('\n') }}
 
## 数学运算
{{ Math.round($json.price * 1.1) }}
 
## 日期时间
{{ new Date().toLocaleDateString('zh-CN') }}

3.2 Few-shot Prompt模板

messages:
  - role: system
    content: |
      你是一个情感分类助手。判断用户评论的情感是正面、负面还是中性。
  
  - role: user
    content: |
      示例：
      输入："这个产品太棒了，完全超出预期！"
      分类：正面
      
      输入："服务态度很差，等了两个小时都没人理。"
      分类：负面
      
      输入："今天天气不错。"
      分类：中性
      
      现在请分类：
      输入："{{ $json.comment }}"

3.3 链式Prompt

# 第一阶段：提取关键信息
stage1:
  prompt: |
    从以下文本中提取：人名、地点、时间、事件
    文本：{{ $json.rawText }}
    只返回JSON格式。
 
# 第二阶段：基于提取结果生成摘要
stage2:
  prompt: |
    基于以下信息生成事件摘要：
    {{ $node["Stage1"].json }}
    
    摘要要求：
    1. 50字以内
    2. 包含所有关键信息
    3. 语言流畅

4. Memory节点详解

4.1 内存类型对比

内存类型	实现方式	容量	适用场景
Buffer Window	固定窗口	最近N条	短期对话
Vector Store	向量数据库	无限	长期记忆
Summary	摘要压缩	无限	压缩历史
Combined	混合模式	灵活	综合场景

4.2 Buffer Memory配置

type: bufferWindow
windowSize: 10  # 保留最近10轮对话
sessionKey: "{{ $json.sessionId }}"  # 按会话隔离

4.3 向量记忆配置

type: vectorStore
provider: Pinecone
index: conversations
dimension: 1536  # OpenAI embedding维度
metadata:
  userId: "{{ $json.userId }}"
  sessionId: "{{ $json.sessionId }}"

4.4 混合记忆配置

type: combined
buffers:
  - type: bufferWindow
    windowSize: 5
  - type: vectorStore
    topK: 3
    similarityThreshold: 0.7

实战：智能客服记忆

场景：用户咨询产品问题，需要记住用户身份和历史问题

memory:
  type: combined
  buffers:
    - type: bufferWindow
      windowSize: 20  # 保留最近20轮对话
    - type: vectorStore
      index: customer_history
      topK: 5
      filter:
        userId: "{{ $json.userId }}"

5. Tool节点配置

5.1 工具定义格式

n8n支持OpenAI格式的工具定义：

tools:
  - name: search_knowledge_base
    description: 在知识库中搜索相关内容
    parameters:
      type: object
      properties:
        query:
          type: string
          description: 搜索关键词
        topK:
          type: integer
          description: 返回结果数量
          default: 5
      required:
        - query
  
  - name: send_email
    description: 发送电子邮件
    parameters:
      type: object
      properties:
        to:
          type: string
          description: 收件人邮箱
        subject:
          type: string
          description: 邮件主题
        body:
          type: string
          description: 邮件正文
      required:
        - to
        - subject
        - body

5.2 HTTP Request作为Tool

tools:
  - name: get_weather
    description: 查询指定城市的天气
    parameters:
      type: object
      properties:
        city:
          type: string
          description: 城市名称
  
  # 实际执行由HTTP Request节点处理
httpNode:
  method: GET
  url: "https://api.weather.com/v3/wx/conditions?city={{ $json.city }}"
  authentication: inherit

5.3 工具调用示例

sequenceDiagram
    User->>LLM: 用户提问
    LLM->>Tool: 调用search_knowledge_base
    Tool->>VectorDB: 语义搜索
    VectorDB-->>Tool: 返回结果
    Tool-->>LLM: 知识库结果
    LLM-->>User: 基于知识的回答

6. Agent节点配置

6.1 Agent类型

Agent类型	特点	适用场景
ReAct Agent	推理+行动	复杂多步骤任务
OpenAI Function Agent	函数调用	工具丰富的场景
Plan and Execute	计划后执行	需要规划的任务

6.2 ReAct Agent配置

type: ReAct
llm: gpt-4o
tools:
  - search_knowledge_base
  - calculate
  - web_search
maxIterations: 10
earlyStopping: true
stopSequence: "最终回答"

6.3 自主决策工作流

graph TD
    A[用户请求] --> B[Agent分析]
    B --> C{需要工具?}
    C -->|是| D[选择工具]
    D --> E[执行工具]
    E --> F[获取结果]
    F --> B
    C -->|否| G[生成回答]
    G --> H[返回用户]

风险控制

Agent自主执行时建议设置：

最大迭代次数防止死循环

敏感操作需要人工确认

执行日志完整记录

7. 完整实战案例

7.1 需求：构建AI研究助手

实现功能：

接收研究主题
自动搜索最新资讯
生成研究报告
支持追问

7.2 工作流实现

# 工作流配置
nodes:
  # 1. Webhook触发
  - name: Webhook
    type: webhook
    endpoint: /research-assistant
  
  # 2. 初始化记忆
  - name: InitMemory
    type: memoryBuffer
    windowSize: 5
  
  # 3. 搜索外部信息
  - name: SearchWeb
    type: httpRequest
    method: GET
    url: "https://api.search.com?q={{ $json.topic }}"
  
  # 4. 总结搜索结果
  - name: Summarize
    type: llmChain
    model: gpt-4o
    prompt: |
      基于以下搜索结果，为主题"{{ $json.topic }}"生成研究报告：
      
      搜索结果：
      {{ $node["SearchWeb"].json.results }}
      
      报告要求：
      1. 包含背景介绍
      2. 列出3-5个关键发现
      3. 提供未来展望
      4. 使用Markdown格式
  
  # 5. 更新记忆
  - name: UpdateMemory
    type: memoryBuffer
    operation: append
    data:
      role: assistant
      content: "{{ $node["Summarize"].json.report }}"
  
  # 6. 返回结果
  - name: Response
    type: respondToWebhook
    response:
      report: "{{ $node["Summarize"].json.report }}"

7.3 对话上下文处理

// 表达式：构建带历史的对话上下文
const history = $node["Memory"].data;
const currentMessage = $json.message;
 
let context = "";
history.forEach(msg => {
  context += `${msg.role}: ${msg.content}\n`;
});
context += `user: ${currentMessage}`;
 
return { context };

8. 高级技巧

8.1 Token控制

# 计算预估token数
tokenEstimate: |
  {{ Math.ceil(($json.prompt.length + $json.context.length) / 4) }}
 
# 动态截断
truncateContext: |
  {{ $json.fullContext.slice(0, 6000) }}

8.2 批量处理

# 使用SplitInBatches并行调用
batchProcess:
  - name: SplitInBatches
    batchSize: 5
    options:
      reset: false
  
  - name: LLMCall
    type: llmChain
    # 每个批次处理5个请求

8.3 错误重试

errorWorkflow:
  onError: continue
  retryNode: LLMCall
  maxRetries: 3
  retryWait: 5000  # ms

9. 相关资源

n8n平台深度指南 - n8n完整教程
工作流设计模式 - 工作流设计原则
Function_Calling与工具调用 - 函数调用规范详解
AI对话记忆系统 - 记忆系统设计
多Agent系统设计 - 多智能体协作

本文档由归愚知识系统自动生成 last updated: 2026-04-18

人工智能知识库

探索

n8n与LLM集成

n8n与LLM集成

核心关键词速览

1. AI节点体系概述

1.1 节点能力矩阵

2. LLM节点详解

2.1 节点配置

2.2 模型选择指南

2.3 动态模型选择

3. Prompt节点配置

3.1 模板语法

3.2 Few-shot Prompt模板

3.3 链式Prompt

4. Memory节点详解

4.1 内存类型对比

4.2 Buffer Memory配置

4.3 向量记忆配置

4.4 混合记忆配置

5. Tool节点配置

5.1 工具定义格式

5.2 HTTP Request作为Tool

5.3 工具调用示例

6. Agent节点配置

6.1 Agent类型

6.2 ReAct Agent配置

6.3 自主决策工作流

7. 完整实战案例

7.1 需求：构建AI研究助手

7.2 工作流实现

7.3 对话上下文处理

8. 高级技巧

8.1 Token控制

8.2 批量处理

8.3 错误重试

9. 相关资源

关系图谱

目录

反向链接