n8n与LLM集成：AI能力深度应用

这篇指南讲什么

这是n8n AI能力的进阶教程，重点讲解LLM节点、Prompt工程、Memory记忆、Tool工具、Agent自主决策等核心功能。适合有一定n8n基础，想深入学习AI工作流的读者。

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：

用户输入
    ↓
┌─────────────────┐
│   LLM Chain     │ ← 调用大语言模型
└────────┬────────┘
         ↓
┌────────┴────────┐
│     Agent       │ ← 自主决策执行
└────────┬────────┘
         ↓
    ┌────┴────┐
    ↓         ↓
  Tools    Memory
    ↓         ↓
外部API   向量存储

核心节点：

节点类型	功能	使用场景
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

LLM节点详解

节点配置

LLM Chain节点是n8n调用大语言模型的核心入口。

基础配置：

节点配置:
  # 模型提供商
  provider: OpenAI
  
  # 具体模型
  model: gpt-4o
  
  # 认证方式
  credentials:
    apiKey: "{{ $credentials.openAiApi }}"
  
  # 消息配置
  messages:
    - role: system
      content: |
        你是一个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 }}"

高级参数：

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：控制随机性
  frequencyPenalty: 0    # 频率惩罚：降低重复
  presencePenalty: 0    # 存在惩罚：鼓励新话题

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 Sonnet	长文本处理强	文档分析、长文写作	中高
Gemini 1.5 Pro	多模态支持	图像理解、跨模态	中
DeepSeek-V3	国产开源	中文场景	低

选择建议：

简单任务（翻译、总结）→ GPT-4o-mini 或 DeepSeek
复杂推理（代码、分析）→ GPT-4o 或 Claude 3.5
长文本处理 → Claude 3.5 Sonnet
多模态任务 → Gemini 1.5 Pro

动态模型选择

有时候需要根据任务复杂度动态选择模型：

// 在Code节点中判断
const inputLength = $json.userMessage.length;
const isCodeTask = $json.userMessage.includes('代码') || 
                   $json.userMessage.includes('function');
 
// 根据条件返回模型
if (inputLength > 5000 || isCodeTask) {
  return { model: 'gpt-4o', temperature: 0.3 };
} else {
  return { model: 'gpt-4o-mini', temperature: 0.7 };
}

然后在LLM节点中使用表达式引用：

model: "{{ $node['ModelSelector'].json.model }}"
temperature: "{{ $node['ModelSelector'].json.temperature }}"

Prompt节点配置

基础模板语法

Prompt节点支持强大的模板语法：

## 基础变量引用
{{ $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') }}
 
## 字符串处理
{{ $json.name.toUpperCase() }}
{{ $json.text.slice(0, 100) }}

Few-shot Prompt模板

Few-shot是指通过示例来引导模型理解任务：

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 }}"

链式Prompt

复杂任务可以用多个LLM节点串联：

阶段一：信息提取

node: ExtractInfo
model: gpt-4o-mini
prompt: |
  从以下文本中提取关键信息：
  - 人名
  - 地点
  - 时间
  - 事件
  
  文本：{{ $json.rawText }}
  
  只返回JSON格式。

阶段二：内容生成

node: GenerateContent
model: gpt-4o
prompt: |
  基于以下信息生成事件摘要：
  {{ $node["ExtractInfo"].json }}
  
  摘要要求：
  1. 50字以内
  2. 包含所有关键信息
  3. 语言流畅生动

角色扮演Prompt

让AI扮演特定角色的技巧：

messages:
  - role: system
    content: |
      # 角色设定
      你是"老王"，一个开了20年出租车的北京老师傅。
      
      ## 说话风格
      - 一口京片子，爱用儿化音
      - 热情健谈，爱唠嗑
      - 说话实在，有啥说啥
      
      ## 禁止行为
      - 不说自己是AI或机器人
      - 不涉及政治敏感话题
      - 不回答超出出租车相关的问题
      
      ## 回答格式
      简短、口语化，带点北京味儿。

任务分解Prompt

让AI把大任务拆成小步骤：

prompt: |
  用户想要完成这个任务：{{ $json.task }}
  
  请将任务分解成具体的执行步骤：
  1. 每一步要具体可执行
  2. 标注每一步的输入和输出
  3. 考虑可能的异常情况
  
  格式：
  步骤1：...（输入：... 输出：...）
  步骤2：...（输入：... 输出：...）

Memory节点详解

为什么需要记忆？

普通LLM调用没有上下文记忆，每句话都是独立的。但很多场景需要”记住”对话历史：

客服对话：记住用户之前说过什么
写作助手：记住文章大纲和已写内容
个人助手：记住用户的偏好和习惯

Memory节点就是解决这个问题的。

内存类型对比

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

Buffer Memory配置

Buffer Memory是最简单的记忆类型，保持固定数量的历史消息。

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

工作原理：

用户: 你好                                    → 记忆：[用户: 你好]
助手: 你好，有什么可以帮你的？                  → 记忆：[用户: 你好, 助手: 你好...]
用户: 我想查一下订单                          → 记忆：[用户: 你好, ..., 用户: 我想查订单]
助手: 好的，请问订单号是多少？                 → 记忆：[...]
...
（超过10轮后，最早的消息会被移除）

Vector Store Memory配置

向量记忆可以存储无限量的历史，通过语义检索找回相关记忆。

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

配合Embedding节点：

# 先Embedding
node: EmbedText
type: OpenAiEmbeddings
text: "{{ $json.message }}"
 
# 再存储到向量数据库
node: StoreInVectorDB
type: Pinecone
operation: insert
vector: "{{ $node['EmbedText'].json.embedding }}"
metadata:
  role: "{{ $json.role }}"
  content: "{{ $json.message }}"
  timestamp: "{{ $now.toISO() }}"

检索记忆：

# 查询相关记忆
node: RetrieveMemory
type: Pinecone
operation: retrieve
query: "{{ $node['EmbedQuery'].json.embedding }}"
topK: 5
filter:
  userId: "{{ $json.userId }}"

混合记忆配置

结合Buffer和Vector两种记忆的优点：

type: combined
buffers:
  - type: bufferWindow
    windowSize: 5  # 最近5轮完整对话
  
  - type: vectorStore
    topK: 3  # 相关历史
    similarityThreshold: 0.7
    filter:
      userId: "{{ $json.userId }}"

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、历史问题、购买记录。

工作流设计：

Webhook → 提取用户ID → 查询用户信息 → Buffer记忆 → LLM处理 → 更新记忆

详细配置：

1. Webhook接收消息

method: POST
path: customer-chat

2. 查询用户历史

type: Pinecone
operation: retrieve
query: "{{ $node['EmbedQuery'].json.embedding }}"
topK: 10
filter:
  userId: "{{ $json.userId }}"

3. Buffer记忆配置

type: bufferWindow
windowSize: 20  # 保留最近20轮对话
sessionKey: "{{ $json.userId }}"

4. LLM处理

model: gpt-4o
prompt: |
  用户ID：{{ $json.userId }}
  
  用户历史信息：
  {{ $node["RetrieveMemory"].json.matches.map(m => m.metadata.content).join('\n') }}
  
  当前对话：
  {{ $node["BufferMemory"].json.messages.join('\n') }}
  
  用户问题：{{ $json.message }}
  
  请结合历史信息和当前问题，回答用户。

5. 更新记忆

type: Pinecone
operation: insert
vector: "{{ $node["NewEmbedding"].json.embedding }}"
metadata:
  role: "user"
  content: "{{ $json.message }}"
  userId: "{{ $json.userId }}"
  timestamp: "{{ $now.toISO() }}"

Tool节点配置

工具调用原理

Tool（工具）让LLM能调用外部服务，实现”思考+行动”的闭环：

用户: 帮我查一下北京的天气
    ↓
LLM理解意图 → 需要查天气 → 调用天气API
    ↓
API返回数据 → LLM整合 → 返回回答

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
  
  - name: calculate
    description: 执行数学计算
    parameters:
      type: object
      properties:
        expression:
          type: string
          description: 数学表达式，如 2+3*4
      required:
        - expression

HTTP Request作为Tool

通过HTTP Request节点实现工具：

天气查询工具：

# 定义工具
name: get_weather
description: 查询指定城市的天气
 
# HTTP Request节点配置
type: HTTP Request
method: GET
url: "https://api.weather.com/v3/wx/conditions"
qs:
  city: "{{ $json.city }}"
  units: "{{ $json.unit || 'celsius' }}"
authentication: inherit

数据库查询工具：

name: query_database
description: 查询数据库
 
type: PostgreSQL
operation: executeQuery
query: |
  SELECT * FROM products 
  WHERE name LIKE '%{{ $json.keyword }}%'
  LIMIT {{ $json.limit || 10 }}

工具调用流程

LLM决定调用工具 → Tool节点执行 → 返回结果 → LLM继续处理

示例工作流：

Webhook(用户消息)
    ↓
LLM(分析意图，可能返回工具调用)
    ↓
Tool节点(执行工具)
    ↓
LLM(基于工具结果生成回答)
    ↓
返回用户

工具设计最佳实践

1. 描述要清晰

# 好的描述
name: get_order_status
description: |
  查询订单物流状态
  
  输入：订单号（必填）
  输出：物流状态、当前地点、预计到达时间
  
  适用：用户问"我的订单到哪了"、"查一下订单"
  
  不适用：取消订单、退款等操作（请用cancel_order）

2. 参数要精简

# 好的参数设计
properties:
  city:
    type: string
    description: 城市名称，支持中英文
 
# 不好的参数设计
properties:
  data:
    type: object
    description: 数据对象

3. 返回要结构化

// 好的返回格式
{
  "success": true,
  "data": {
    "order_id": "ORD123456",
    "status": "shipped",
    "tracking_number": "SF123456789",
    "current_location": "北京分拣中心",
    "estimated_delivery": "2024-01-20"
  }
}

Agent节点配置

Agent vs 普通LLM

维度	普通LLM调用	Agent
交互方式	问答	任务执行
工具使用	无	可调用多个工具
执行模式	单轮响应	多轮推理循环
适用场景	简单问答	复杂任务

Agent类型

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

ReAct Agent配置

ReAct = Reasoning + Acting，核心是循环：思考→行动→观察→重复

type: ReAct
llm: gpt-4o
 
tools:
  - search_knowledge_base
  - calculator
  - web_search
 
maxIterations: 10
 
earlyStopping: true
stopSequence: "最终回答"
 
systemPrompt: |
  你是一个智能助手，可以调用各种工具完成任务。
  
  工作方式：
  1. 理解用户任务
  2. 判断是否需要工具
  3. 选择合适的工具
  4. 根据结果决定下一步
  5. 直到完成任务

OpenAI Function Agent

适合有丰富工具定义的场景，模型直接决定调用哪个函数：

type: openAiFunction
llm: gpt-4o
 
tools:  # 直接使用OpenAI格式的工具定义
  - name: get_weather
    description: 获取城市天气
    parameters:
      type: object
      properties:
        city:
          type: string
      required: [city]

Agent执行流程

用户任务 → Agent分析
                ↓
          需要工具?
            ↓是      ↓否
      选择工具      生成回答
            ↓
      执行工具
            ↓
      获取结果
            ↓
      继续分析? → 是 → 循环
            ↓否
      生成最终回答

Agent实战案例

案例：研究助手

# Agent配置
type: ReAct
llm: gpt-4o
 
tools:
  - web_search
  - knowledge_retrieval
  - calculator
  - save_to_notion
 
systemPrompt: |
  你是一个研究助手，帮助用户收集信息、分析数据、生成报告。
  
  能力：
  - 搜索网络获取最新信息
  - 检索知识库获取背景知识
  - 执行计算进行数据分析
  - 保存结果到Notion笔记
  
  工作流程：
  1. 理解研究主题
  2. 分解研究任务
  3. 并行搜索信息
  4. 分析整理信息
  5. 生成研究报告
  6. 保存到Notion

完整实战案例

案例一：AI研究助手

需求： 接收研究主题，自动完成信息收集、分析、报告生成。

工作流设计：

Webhook → 任务规划 → 并行搜索 → 信息整合 → 报告生成 → 保存Notion

详细配置：

1. Webhook触发

endpoint: /research-assistant
method: POST

2. 任务规划（LLM）

model: gpt-4o
prompt: |
  研究主题：{{ $json.topic }}
  
  请将研究任务分解成具体的子任务：
  
  1. 搜索方向（3-5个关键词）
  2. 分析维度
  3. 预期结论
  4. 报告结构建议
  
  返回JSON格式。

3. 并行搜索（Fan-out）

# 使用Split In Batches实现并行
node: SplitKeywords
type: SplitInBatches
values:
  - "{{ $node['Plan'].json.searchKeywords }}"
batchSize: 3
 
# 每个关键词搜索
node: SearchWeb
type: HTTP Request
method: GET
url: "https://api.search.com?q={{ $json.currentKeyword }}"

4. 信息整合（LLM）

model: gpt-4o
prompt: |
  整合以下搜索结果，提取关键信息：
  
  搜索结果：
  {{ $node["SearchResults"].json.allResults.map(r => r.content).join('\n---\n') }}
  
  研究主题：{{ $json.topic }}
  
  提取：
  1. 主要发现（5条）
  2. 数据支撑
  3. 不同观点
  4. 知识空白

5. 报告生成（LLM）

model: gpt-4o
prompt: |
  基于以下研究资料，生成完整研究报告：
  
  研究主题：{{ $json.topic }}
  
  研究资料：
  {{ $node["Integrate"].json.summary }}
  
  报告要求：
  1. 结构清晰，包含摘要、正文、结论
  2. 数据准确，引用来源
  3. 观点平衡，列出不同立场
  4. 实用性强，有可操作的建议
  
  格式：Markdown

6. 保存Notion

operation: createPage
databaseId: 研究报告库
properties:
  title:
    title:
      - text:
          content: "研究报告：{{ $json.topic }}"
  tags:
    multi_select:
      - "{{ $json.category }}"
author: 研究助手
content: |
  {{ $node["Report"].json.content }}

案例二：智能邮件助手

需求： 自动处理收件箱，分类、总结、自动回复。

工作流设计：

Gmail新邮件 → 分类判断 → 优先级排序 → 总结生成 → 自动回复 → 归档

详细配置：

1. Gmail触发

type: Gmail Trigger
pollInterval: 5minutes
filter: is:unread

2. 邮件分类（LLM）

model: gpt-4o-mini
prompt: |
  分析以下邮件，判断类型和优先级：
  
  邮件：
  发件人：{{ $json.from }}
  主题：{{ $json.subject }}
  内容：{{ $json.body }}
  
  返回JSON：
  {
    "type": "urgent/important/routine/spam",
    "category": "客户咨询/技术支持/商务合作/内部通知/其他",
    "priority": 1-5,
    "action": "reply_now/reply_later/forward/ignore"
  }

3. 分类处理

紧急邮件 → 直接回复（LLM生成）

model: gpt-4o
prompt: |
  邮件主题：{{ $json.subject }}
  邮件内容：{{ $json.body }}
  
  生成一封专业、简洁的回复邮件。
  语气要亲切但不卑微。
  控制在100字以内。

重要邮件 → 总结 + 标记

# 总结
model: gpt-4o-mini
prompt: |
  总结以下邮件的核心内容：
  
  {{ $json.body }}
  
  要求：
  - 50字以内
  - 包含关键信息和行动项

常规邮件 → 稍后处理

# 添加标签，稍后统一处理
type: Gmail
operation: addLabel
label: "待处理/{{ $node["Classify"].json.category }}"

案例三：多模态内容处理

需求： 接收图片，识别内容，生成描述，提取信息。

工作流设计：

图片输入 → GPT-4V分析 → 信息提取 → 结构化输出

详细配置：

1. 图片输入

# 支持多种来源
type: HTTP Request
url: "{{ $json.imageUrl }}"
response: binary

2. 视觉分析（GPT-4V）

model: gpt-4o
responseFormat: json
 
messages:
  - role: user
    content:
      - type: image_url
        image_url: "{{ $node["ImageInput"].binary.data }}"
      - type: text
        text: |
          分析这张图片：
          1. 图片内容描述
          2. 关键元素识别
          3. 文字识别（如果有）
          4. 质量评估
          
          返回JSON格式。

3. 信息提取（LLM）

model: gpt-4o
prompt: |
  基于以下图片分析结果，提取结构化信息：
  
  图片分析：{{ $node["VisionAnalysis"].json }}
  
  提取字段：
  - 主标题
  - 副标题
  - 内容标签（最多5个）
  - 情感倾向（正面/中性/负面）
  - 行动建议
  
  返回JSON格式。

高级技巧

Token控制

计算预估Token：

# 表达式计算
tokenEstimate: |
  {{ Math.ceil(($json.prompt.length + $json.context.length) / 4) }}

动态截断：

# 截断过长的上下文
truncatedContext: |
  {{ $json.fullContext.slice(0, 6000) }}

批量处理

使用Split In Batches并行：

node: SplitInBatches
batchSize: 5
options:
  reset: false
 
# 后续节点处理每个批次
node: LLMCall
type: LLM Chain
# 每个批次处理5个请求

成本优化

策略一：模型分级

// Code节点判断
const complexity = $json.query.length + $json.context.length;
 
if (complexity < 1000) {
  return { model: 'gpt-4o-mini', cost: 'low' };
} else if (complexity < 5000) {
  return { model: 'gpt-4o', cost: 'medium' };
} else {
  return { model: 'claude-3-5-sonnet', cost: 'high' };
}

策略二：缓存结果

# 先检查缓存
node: CheckCache
type: Redis
operation: get
key: "cache:{{ $hash($json.query) }}"
 
# 缓存命中则跳过LLM
node: Conditional
conditions:
  - if: "{{ $node["CheckCache"].json.exists }}"
    then: UseCache
  - else: CallLLM

策略三：摘要压缩

# 长对话定期摘要
node: SummarizeMemory
type: LLM Chain
model: gpt-4o-mini
prompt: |
  将以下对话历史压缩成摘要：
  
  {{ $json.history }}
  
  要求：
  - 保留关键信息和结论
  - 压缩到200字以内
  - 返回摘要文本

错误重试

配置重试机制：

onError:
  continueOnFail: true
  retryNode: LLMCall
 
# 在Code节点中实现重试逻辑
node: RetryLogic
type: Code
code: |
  const attempts = $node["Attempt"].json.attempts || 0;
  if (attempts < 3) {
    return {
      json: { shouldRetry: true, attempts: attempts + 1 }
    };
  }
  return { json: { shouldRetry: false, error: "Max retries exceeded" } };

人工智能知识库

探索

n8n与LLM集成：AI能力深度应用

n8n与LLM集成：AI能力深度应用

AI节点体系概述

LLM节点详解

节点配置

模型选择指南

动态模型选择

Prompt节点配置

基础模板语法

Few-shot Prompt模板

链式Prompt

角色扮演Prompt

任务分解Prompt

Memory节点详解

为什么需要记忆？

内存类型对比

Buffer Memory配置

Vector Store Memory配置

混合记忆配置

实战：智能客服记忆

Tool节点配置

工具调用原理

工具定义格式

HTTP Request作为Tool

工具调用流程

工具设计最佳实践

Agent节点配置

Agent vs 普通LLM

Agent类型

ReAct Agent配置

OpenAI Function Agent

Agent执行流程

Agent实战案例

完整实战案例

案例一：AI研究助手

案例二：智能邮件助手

案例三：多模态内容处理

高级技巧

Token控制

批量处理

成本优化

错误重试

相关资源

关系图谱

目录

反向链接