n8n中的AI集成与应用：构建智能自动化工作流

最新推荐文章于 2025-12-14 11:01:10 发布

原创最新推荐文章于 2025-12-14 11:01:10 发布 · 1.1k 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #自动化 #运维 #n8n中的AI集成与应用 #构建智能自动化工作流

摘要

随着人工智能技术的快速发展，将AI能力集成到业务流程中已成为提升效率和智能化水平的重要途径。n8n作为一个强大的工作流自动化平台，提供了丰富的AI集成能力，支持多种主流AI模型和服务。本文将详细介绍如何在n8n中使用AI节点构建智能工作流，包括OpenAI、Anthropic Claude等大语言模型的集成，以及如何创建AI代理工作流。

正文

1. n8n中的AI能力概述

n8n原生支持多种AI服务和模型的集成，使其成为一个强大的AI工作流平台。通过内置的AI节点，用户可以轻松地将AI能力嵌入到各种业务流程中。

1.1 支持的AI服务

n8n支持与以下AI服务和模型集成：

OpenAI（GPT系列模型）
Anthropic Claude
Google Vertex AI
Hugging Face
Azure OpenAI
Amazon Bedrock
以及其他自定义AI服务

1.2 AI节点类型

n8n提供了多种AI相关的节点：

AI Language Model：与大语言模型交互
AI Agent：创建AI代理执行复杂任务
AI Chain：构建AI处理链
AI Memory：管理对话历史和上下文
AI Tool：为AI代理提供特定功能工具
AI Embeddings：生成文本向量表示
AI Vector Store：存储和检索向量数据
AI Document Loader：加载和处理文档

2. 配置OpenAI集成

让我们从最常见的OpenAI集成开始，了解如何在n8n中配置和使用AI服务。

2.1 获取OpenAI API密钥

访问 OpenAI平台
注册账号并登录
进入API Keys页面创建新的密钥
保存密钥以备后用

2.2 在n8n中配置OpenAI凭证

在n8n界面中，点击左侧的"Credentials"图标
点击"Add Credential"按钮
搜索并选择"OpenAI"凭证类型
输入API密钥并保存

2.3 使用OpenAI节点

创建一个简单的工作流来测试OpenAI集成：

添加"Manual Trigger"节点作为触发器
添加"OpenAI Chat Model"节点
配置节点参数：
- 选择之前创建的OpenAI凭证
- 设置模型为"gpt-3.5-turbo"或"gpt-4"
- 在Messages中添加系统消息和用户消息

示例配置：

{
  "messages": [
    {
      "role": "system",
      "content": "你是一个乐于助人的AI助手，请用中文回答问题。"
    },
    {
      "role": "user",
      "content": "请为我写一首关于秋天的诗。"
    }
  ]
}

3. 构建AI代理工作流

AI代理是n8n中一个强大的功能，它允许你创建能够执行复杂任务的智能代理。

3.1 创建基础AI代理

添加"Manual Chat Trigger"节点作为聊天触发器
添加"AI Agent"节点
添加"AI Tool Calculator"节点作为计算工具
连接节点：Manual Chat Trigger → AI Agent → AI Tool Calculator

3.2 配置AI代理参数

在AI Agent节点中配置以下参数：

Agent: “Conversational Agent”
Text: “{{$input[0].json.text}}”
Has Output Parser: false

3.3 添加语言模型

为AI代理添加OpenAI语言模型：

在AI Agent节点中添加"AI Language Model"连接
选择之前配置的OpenAI凭证
选择合适的模型（如gpt-3.5-turbo）

3.4 测试AI代理

点击"Execute Workflow"按钮
在弹出的聊天界面中输入问题，如"请计算123乘以456等于多少？"
AI代理会自动使用计算器工具来完成计算并返回结果

4. 实践案例：智能客服系统

让我们构建一个更复杂的AI应用：智能客服系统，它可以回答常见问题并处理订单查询。

4.1 系统架构设计

4.2 实现FAQ问答模块

添加"HTTP Request Trigger"节点接收用户问题
添加"Function"节点预处理问题：

// 预处理用户问题
const userQuestion = items[0].json.question;

// 简单的关键词匹配分类
const faqKeywords = ['产品', '价格', '使用', '功能', '帮助'];
const orderKeywords = ['订单', '购买', '发货', '物流', '退款'];

let category = 'faq';
if (orderKeywords.some(keyword => userQuestion.includes(keyword))) {
    category = 'order';
} else if (userQuestion.includes('人工') || userQuestion.includes('客服')) {
    category = 'human';
}

return [{
    json: {
        question: userQuestion,
        category: category,
        userId: items[0].json.userId || 'anonymous'
    }
}];

添加"Switch"节点根据分类路由到不同模块
在FAQ分支添加"OpenAI Chat Model"节点处理问答：

// 构建发送给OpenAI的消息
const question = items[0].json.question;

return [{
    json: {
        messages: [
            {
                role: "system",
                content: "你是一个智能客服助手，请用中文回答用户问题。只回答与公司产品和服务相关的问题。"
            },
            {
                role: "user",
                content: `用户问题：${question}`
            }
        ]
    }
}];

4.3 实现订单查询模块

添加"Postgres"节点查询订单信息
添加"OpenAI Embeddings"节点生成问题向量
添加"Postgres PGVector Store"节点进行相似度搜索
添加"Function"节点格式化响应：

// 格式化订单查询结果
const orderInfo = items[0].json;
const question = items[0].json.originalQuestion;

return [{
    json: {
        response: `关于您的问题"${question}"，我找到了以下订单信息：
        
订单号：${orderInfo.orderId}
产品：${orderInfo.productName}
状态：${orderInfo.status}
下单时间：${new Date(orderInfo.createdAt).toLocaleString('zh-CN')}
金额：${orderInfo.amount}元

如有其他问题，请随时询问。`,
        type: "order_info"
    }
}];

5. AI工作流最佳实践

5.1 提示工程（Prompt Engineering）

良好的提示是获得高质量AI输出的关键：

# 示例：优化提示词
def create_optimized_prompt(user_input, context=None):
    """
    创建优化的提示词
    
    Args:
        user_input (str): 用户输入
        context (dict): 上下文信息
        
    Returns:
        str: 优化后的提示词
    """
    prompt = f"""
你是一个专业的客服助手，请按照以下要求回答用户问题：

1. 使用中文回答
2. 回答要准确、简洁
3. 如果不确定答案，请说明并建议用户联系人工客服
4. 不要编造信息

用户问题：{user_input}

"""
    
    if context:
        prompt += f"上下文信息：{context}\n\n"
    
    prompt += "请回答："
    return prompt

# 使用示例
optimized_prompt = create_optimized_prompt("产品价格是多少？", {"product_id": "12345"})
print(optimized_prompt)

5.2 错误处理和重试机制

在AI工作流中，需要考虑API调用失败的情况：

import time
import openai
from typing import Optional

def call_ai_with_retry(prompt: str, max_retries: int = 3) -> Optional[str]:
    """
    带重试机制的AI调用函数
    
    Args:
        prompt (str): 提示词
        max_retries (int): 最大重试次数
        
    Returns:
        Optional[str]: AI生成的文本，失败时返回None
    """
    for attempt in range(max_retries):
        try:
            response = openai.ChatCompletion.create(
                model="gpt-3.5-turbo",
                messages=[{"role": "user", "content": prompt}],
                temperature=0.7,
                max_tokens=500
            )
            return response.choices[0].message.content
        except Exception as e:
            print(f"第{attempt + 1}次尝试失败: {e}")
            if attempt < max_retries - 1:
                time.sleep(2 ** attempt)  # 指数退避
            else:
                print("所有重试都失败了")
                return None

# 使用示例
result = call_ai_with_retry("请写一篇关于AI的文章")
if result:
    print(result)
else:
    print("AI调用失败")

5.3 成本控制

使用AI服务时需要注意成本控制：

选择合适的模型（如gpt-3.5-turbo vs gpt-4）
合理设置max_tokens参数
缓存常见问题的答案
监控API使用量和费用

6. 高级AI功能

6.1 使用AI内存管理对话历史

在多轮对话中，保持上下文非常重要：

添加"AI Memory"节点（如Buffer Memory）
将其连接到AI Agent节点
配置会话ID以区分不同用户

6.2 自定义AI工具

创建自定义工具扩展AI代理的能力：

// 示例：创建天气查询工具
// 在n8n的Function节点中实现
return [{
    json: {
        name: "get_weather",
        description: "获取指定城市的天气信息",
        parameters: {
            type: "object",
            properties: {
                city: {
                    type: "string",
                    description: "城市名称"
                }
            },
            required: ["city"]
        }
    }
}];