很多人在 n8n 画布里拖了一个 AI Agent 节点，接上 LLM 的 API Key 就以为搭好了 agent，结果一跑全是坑：模型下一轮就忘了上一轮说什么（Memory 没接），工具死活调不动（HTTP Request 参数格式没对），System Prompt 写得太宽导致 agent 上下文漂移、把"总结 RSS"跑成"写小说"。n8n 的 AI Agent 节点不是"接上 API 就能用"，它是一个需要你理解 Language Model、Memory、Tools、System Prompt 四件套如何协同的工程组件。
这篇 SOP 把在 n8n 画布里搭一个能自主调用工具的 AI agent 工作流拆成五步：Docker 自托管部署、AI Agent 节点四件套解剖、分步搭建、调试避坑、FAQ。节点参数以 n8n 官方文档为准，本文给的是配置逻辑和简化结构，不伪造完整工作流 JSON。
一句话定位：n8n 的 AI Agent 节点是把 LLM 从"会聊天的 API"变成"会干活的工作流组件"的壳子，真正决定 agent 好不好用的是你接的 Memory、Tools 和 System Prompt，不是模型本身。
一、n8n 是什么：开源工作流自动化 + 原生 AI 节点
n8n 是一个开源的工作流自动化平台（n8n-io/n8n，TypeScript，fair-code 许可，2019 年开源，GitHub 近 20 万 star），内置 400+ 集成节点，近两年加了原生的 AI Agent 节点族。和 Zapier、Make 这类纯 SaaS 不同，n8n 可以 Docker 自托管，数据不出门，免费；云端版（n8n.io）有免费额度。
它的 AI 能力不是外挂，而是把 LangChain 风格的 agent 架构做成了画布节点：你拖一个 AI Agent 节点进来，往上面挂 Language Model（大脑）、Memory（记忆）、Tools（工具），再写一段 System Prompt（行为定义），就是一个能自主决策、调用工具、保留上下文的 agent。触发它可以是定时、Webhook、内置聊天界面。
为什么不用纯代码（LangChain/LlamaIndex）搭 agent？因为 n8n 把"接 API、配凭证、串节点、看日志"可视化了，调试时每个节点的输入输出一眼可见，改连接线比改代码快。代价是灵活性低于代码，但对 80% 的"接几个工具 + LLM + 触发器"场景，n8n 够用且快得多。
二、部署 n8n：Docker 自托管一条命令
最快的自托管方式是 Docker：
# 拉取并启动 n8n，端口 5678，数据持久化到 ~/.n8n
docker run -d --name n8n -p 5678:5678 -v ~/.n8n:/home/node/.n8n n8nio/n8n启动后浏览器打开 http://localhost:5678，走完初始账号注册就能进画布。-v ~/.n8n:/home/node/.n8n 这步不能省，否则容器重启后工作流和凭证全丢。
不想装 Docker 就用云端：n8n.io 注册即用，免费额度覆盖个人测试。自托管的好处是数据完全在自己机器上、接内网 API 没有跨网问题、不占云端执行额度；云端的好处是零运维、外网 Webhook 直接可用。本文后续以自托管为例，操作一致。
生产部署（公网暴露）务必加反向代理 + HTTPS + 强密码，并启用 n8n 内置的凭证加密（环境变量
N8N_ENCRYPTION_KEY），别把裸 5678 端口直接挂公网。
三、AI Agent 节点解剖：四件套各自干什么
n8n 画布里拖一个 AI Agent 节点，你会看到它需要四个输入，缺一不可：
| 组件 | 作用 | 常用选项 |
|---|---|---|
| Language Model | agent 的大脑，负责推理和决定调哪个工具 | OpenAI、Anthropic，或任何 OpenAI-compatible API（DeepSeek、通义等） |
| Memory | 对话记忆，决定 agent 记多久 | Window Buffer Memory（留最近 N 条）、Postgres Chat Memory（持久化） |
| Tools | agent 可调用的工具，挂多个 | HTTP Request、Code、自定义工具函数 |
| System Prompt | 定义 agent 的角色、目标、工具使用规则 | 纯文本，写在节点配置里 |
四件套的逻辑：Language Model 提供推理能力，Tools 提供"动手"能力，Memory 提供"记住上下文"能力，System Prompt 提供"行为边界"。很多人卡住是因为只接了 Language Model，没接 Memory（agent 失忆）或没接 Tools（agent 只会说话不会干活）。
接国产模型走 OpenAI-compatible 路径：在 Language Model 子节点里选 OpenAI 兼容类型，Base URL 填对应服务的 OpenAI 兼容端点，API Key 用 n8n 凭证管理存，模型名按服务商文档填。DeepSeek、通义千问、智谱都有 OpenAI 兼容端点。
四、分步搭建第一个 AI agent 工作流
以"定时抓 RSS → AI 总结 → 推送 Telegram"为例，五步搭通。
步骤 1：选触发器
n8n 常用触发器四种：
| 触发器 | 何时用 |
|---|---|
| Schedule Trigger | 定时跑，如每天 8 点 |
| Webhook | 外部系统调用，如表单提交 |
| Chat Trigger | n8n 内置聊天界面，调试和对话型 agent |
| Manual Trigger | 手动点一下跑，调试用 |
本例选 Schedule Trigger，设每天 8:00。拖进来不用配置复杂参数，选 cron 表达式或自然语言时间即可。
步骤 2：配 AI Agent 节点
拖一个 AI Agent 节点，把 Schedule Trigger 的输出连到它。然后挂四件套：
- Language Model：选 OpenAI-compatible，Base URL 填你的模型服务端点，API Key 用凭证引用（别硬编码），模型按服务商文档填。
- Memory：选 Window Buffer Memory，session key 设一个固定值（定时任务单会话，够用）。
- Tools：先留空，下一步加。
- System Prompt：写清楚 agent 要干什么、能干什么。示例：
你是一个资讯总结助手。每次会收到若干条 RSS 条目（标题+链接+正文摘要）。
请按以下规则工作：
1. 过滤掉与 AI 工具无关的条目；
2. 对剩下的每条生成一句话中文摘要，保留原文链接；
3. 输出 Markdown 列表，不要编造链接。
不确定就不写，宁可少不可错。步骤 3：加工具
AI agent 的价值在于能调用工具。本例至少加两个：
- HTTP Request 工具：让 agent 能主动抓取某个 URL 的内容（比如遇到摘要不够时自己去取正文）。在 HTTP Request 节点里配 method、URL、headers，作为工具挂到 AI Agent 上。
- Code 工具：写一段 JS 做数据清洗或格式转换，当工具挂上去。
工具挂上后，agent 会在推理时自己决定要不要调、调哪个。这就是 agent 和"线性流水线"的区别：线性流水线是你定死步骤，agent 是模型根据 System Prompt 和当前输入自己选工具。
从最小可行产品开始：先 1 个触发器 + AI Agent（含 LLM+Memory）+ 1 个输出节点，3 个节点跑通"收到数据 → AI 处理 → 输出"闭环，再加工具。一上来就堆十几个节点，调试会崩。
步骤 4：输出
AI Agent 节点处理完，输出连到下游节点：Telegram（推送到频道）、Email、Google Sheets（存档）。本例接 Telegram 节点，用 @BotFather 申请的 Bot Token 做凭证，把 agent 输出的 Markdown 发到频道。
步骤 5：测试与发布
点画布上的"Execute Workflow"手动跑一次，看每个节点的输出。n8n 会高亮每个节点的执行结果，数据格式不对会直接报红。调通后切换到 Active 状态，定时任务就生效了。
测试时用 Manual Trigger 而非 Schedule Trigger，方便随时点跑；调通再换回 Schedule Trigger 并激活。
五、五个避坑
坑一：Memory 忘加，agent 每轮失忆。 AI Agent 节点不接 Memory 子节点时，模型每轮都是无状态调用，上一轮说过什么全忘。对话型 agent 必须接 Memory；即使是定时任务单次执行，若 agent 内部要多轮调用工具，Memory 也影响一致性。
坑二：API Key 硬编码在节点里。 直接把 Key 粘到节点配置字段里，导出工作流 JSON 时会泄露。务必用 n8n 的凭证管理（Credentials）存 Key，节点里引用凭证名，导出 JSON 时凭证不会带出来。
坑三：过度设计，一上来堆节点。 新手最容易把工作流画成蜘蛛网，十几个节点交叉连线，一个报错全链路崩。从 3 节点 MVP 起步：触发器 → AI Agent → 输出。跑通再加工具、加分支、加错误处理。
坑四：System Prompt 太宽，上下文漂移。 "你是一个有用的助手"这种 prompt，agent 跑几轮就漂移，把"总结 RSS"跑成"评论 RSS"。拆角色、定规则：明确说"你能用哪些工具、什么情况下用什么、输出什么格式"。复杂场景拆成多个 AI Agent 节点各管一摊，比一个 agent 包打天下稳。
坑五：节点连接数据格式不匹配。 上游节点输出数组，下游节点期待对象，n8n 会报错或静默跑空。调试时点开每个节点看它的输出 JSON 结构，用 Code 节点或 Set 节点做格式转换。n8n 的 $json、$items() 表达式是处理数据格式的关键，官方文档有完整说明。
FAQ
Q1：n8n 自托管要什么配置？ A：个人测试 2 核 4G 的 VPS 或本地 Docker 够用。工作流多了、AI 调用频繁了，升到 4 核 8G。n8n 本身不吃资源，吃资源的是你接的模型 API 调用频率和数据量。
Q2：能接 DeepSeek 等国产模型吗？ A：能。n8n 的 Language Model 节点支持 OpenAI-compatible API，DeepSeek、通义千问、智谱都提供 OpenAI 兼容端点。在节点里选 OpenAI 兼容类型，填 Base URL 和 API Key 即可。具体端点和模型名以各服务商文档为准。
Q3：n8n 和 Coze 怎么选？ A：Coze（字节）是托管 SaaS，上手更快、内置国内生态，但数据在云端、灵活性低、复杂逻辑不好搭。n8n 可自托管、数据自主、节点自由度高、能接任意 API，但学习曲线更陡。要快速搭个国内场景的 bot 选 Coze；要自主可控、接私有系统、做复杂工作流选 n8n。
Q4：要写代码吗？ A：基础工作流不用，拖节点配凭证就行。但要让 agent 干非标准的事（自定义数据清洗、调内部 API、特殊格式转换），Code 节点要写 JS。复杂 agent 通常躲不开少量代码，但比纯 LangChain 写代码量少一个数量级。
Q5：免费额度够用吗？ A：自托管完全免费，不卡额度，只卡你机器性能。云端 n8n.io 免费额度覆盖个人测试和小规模定时任务，工作流激活数和执行次数有限制，具体以官网定价页为准。生产用建议自托管或付费档。
看法
n8n 搭 AI agent 的真相是：难点不在 n8n 这个工具，而在你有没有想清楚 agent 的四件套怎么配。Language Model 决定智商上限，Memory 决定记忆深度，Tools 决定动手范围，System Prompt 决定行为边界--四件套里任何一件拉胯，agent 都跑歪。n8n 的价值是把这四件套的可视化配置和调试做到了最低门槛，让你不用写 LangChain 代码也能搭出能用的 agent。
但别神化它。n8n 搭出来的是"工具增强型 agent"，不是 AGI。它能稳定地按规则调几个工具、串几步流程，已经超过 90% 的手动搬运。想让它自主决策复杂任务，还得靠你把 System Prompt 和工具边界设计清楚。工具是壳，设计是魂。
参考来源
- n8n 官网与文档：https://docs.n8n.io
- n8n GitHub（n8n-io/n8n）：https://github.com/n8n-io/n8n
- 用 n8n 和 PPIO 构建 AI Agent（掘金）：https://juejin.cn/post/7502246437372608553
- n8n 快速上手构建 AI Agent（CSDN）：https://blog.csdn.net/weixin_45565886/article/details/147932682
- How to Build an AI Agent With n8n in 2026（robizsolutions）：https://robizsolutions.com/how-to-build-an-ai-agent-with-n8n-in-2026-a-step-by-step-guide
- 本文素材由 gongzuoliu 工作流产出初稿，经人工重构角度（聚焦 n8n 画布内搭建而非 AI 生成 JSON）、删除夸大表述、核实节点与命令后定稿；n8n 节点参数以官方文档为准