很多人学 n8n，会先从“自动把表单发到飞书”“定时抓取网页”“邮件通知”这类流程开始。到了 AI Agent 这一步，难点就变了：不是能不能连起来，而是 AI 什么时候该判断、什么时候该调用工具、什么时候必须交给人审核。
这篇 n8n AI Agent 教程，用一个接近真实交付的场景来讲：客户发来需求，系统自动识别意图、检索资料、生成回复草稿，再交给人工确认，最后输出交付结果。它不是炫技工作流，而是普通人更容易落地的 AI 自动化流程。
如果你还没区分 Dify 和 n8n，建议先看 Dify和n8n有什么区别；如果你想系统了解智能体，可以从 AI智能体与自动化专题 和 老达AI实践专题 开始。
先搞清楚：n8n里的AI Agent不是万能大脑
n8n 的优势是工作流编排。AI Agent 节点更像一个“会判断下一步该做什么的调度员”：它可以接收输入，调用模型，使用工具，读取记忆，然后输出结果。
但它不应该包办所有事情。一个稳定的 n8n AI Agent 工作流，通常要把职责拆开：
- 触发器负责接收消息或定时启动；
- AI Agent 负责理解任务和做步骤选择；
- 工具节点负责查资料、调接口、写表格、发通知；
- 记忆节点负责保留必要上下文；
- 人工审核负责拦截高风险输出；
- 日志和异常分支负责后续排查。
如果你把所有逻辑都塞进一个长提示词，前期看起来简单，后期会非常难维护。
适合新手的实战场景：客户消息处理助手
我们用一个常见副业和小团队场景来搭：客户通过表单、聊天工具或邮件发来需求，n8n 自动做初步处理。
目标不是让 AI 直接替你发最终回复，而是让它完成 70% 的脏活：
- 识别客户要咨询、报价、售后还是催进度；
- 从知识库或历史资料中找相关信息；
- 生成一版回复草稿；
- 把草稿、客户原文、推荐动作发给人工审核；
- 人工确认后再发送或进入下一步。
这个场景比“全自动客服”稳很多，也更适合真实交付。老达之前写过 AI Agent实战指南，核心思路也是一样：先做半自动，再逐步自动化。
n8n AI Agent工作流的6个节点
1. 触发器：从哪里接收任务
触发器可以是聊天消息、Webhook、表单、邮件或定时任务。新手建议先用 Webhook 或表单，因为输入结构更稳定，方便调试。
输入字段至少包含：
- 客户原始消息；
- 客户联系方式或来源；
- 时间；
- 业务类型，如果表单里能提前选择最好。
输入越规整，AI Agent 后面的判断越稳定。不要让模型同时承担“清洗脏数据”和“做业务决策”两件事。
2. 预处理：先把输入整理干净
在进入 AI Agent 之前，可以加一个简单的处理节点，把空字段、过长内容、附件链接、来源渠道整理好。
这一层不需要复杂，重点是给 Agent 一个明确输入，例如：
{
"source": "website_form",
"customer_message": "我想做一个餐饮店小红书代运营，多少钱？",
"service_type": "content_operation",
"priority": "normal"
}结构化输入会显著降低提示词压力。
3. AI Agent：决定下一步怎么做
AI Agent 节点的提示词不要写成营销文案，而要写成执行规则。比如：
你是客户需求初筛助手。
任务：
1. 判断客户意图：咨询、报价、售后、催进度、无效消息；
2. 如需资料，调用知识库检索工具；
3. 生成一版回复草稿；
4. 标记是否需要人工审核。
限制：
- 不直接承诺价格；
- 不编造案例和客户名称；
- 信息不足时提出1-2个澄清问题；
- 输出必须是JSON。这里的关键是“输出必须可被后续节点处理”。如果 Agent 输出一段漂亮散文，后面的分支判断就会很痛苦。
4. 工具调用：让Agent查真实资料
n8n 的 AI Agent 可以连接工具。工具可以是 HTTP 请求、数据库查询、表格读取、知识库检索、内部系统接口等。新手不要一开始接太多工具，先从两个高价值工具开始：
- 服务资料检索：读取价格范围、服务说明、常见问题；
- 历史案例查询：查找同类客户的交付样例或内部备注。
工具描述要写清楚：这个工具能查什么、输入什么、不能做什么。否则 Agent 可能会在不该调用时反复调用，或者拿不到结果后开始编。
5. 记忆：只保存有用上下文
记忆不是越多越好。客户消息处理场景里，适合保存的是：
- 客户偏好；
- 最近一次沟通结论；
- 已确认的价格、范围和交付时间；
- 需要下次跟进的事项。
不建议把每次完整对话无脑塞进记忆。过长的历史会增加成本，也会让模型抓错重点。
6. 人工审核：把风险拦在发送前
真正可交付的 n8n AI Agent 工作流，一定要设计人工审核。尤其是报价、承诺、法律、医疗、财务、账号操作这些场景，不要让 AI 直接发最终消息。
人工审核节点可以收到三类内容：
- 客户原文；
- Agent 生成的意图判断和回复草稿；
- 系统建议动作，例如“需要补充预算信息”或“可以进入报价流程”。
这种半自动设计，既能省时间，又不会把业务风险完全交给模型。
上线前必须检查的清单
一个 n8n AI Agent 工作流能跑通，不等于能上线。上线前至少检查这些点：
- 输入为空、超长、乱码时是否会中断；
- 模型失败或超时时是否有备用分支；
- 工具查不到结果时是否明确说明“不确定”；
- 是否记录关键日志，方便回看；
- 是否有人工审核或撤回机制；
- 是否避免输出敏感信息和内部字段；
- 是否限制自动发送的场景。
这套思路也适合迁移到其他工具。比如你可以用 Dify 做对话入口，用 n8n 做后端编排；也可以用 MCP 把工具暴露给代码助手。相关基础可以看 MCP是什么 和 用Claude搭自动收集AI资讯工作流。
n8n和Dify怎么分工更合理？
很多人纠结“到底用 n8n 还是 Dify”。我的建议是按任务类型分：
- Dify 更适合做 AI 应用入口、知识库问答、面向用户的对话体验；
- n8n 更适合做跨系统自动化、数据流转、审批、通知和后台任务；
- 复杂场景可以两者结合，Dify 负责对话，n8n 负责执行流程。
如果你的目标是“给客户交付一个能跑的业务自动化”，n8n 的可视化编排和丰富集成会更直接。如果你的目标是“做一个问答机器人或知识库助手”，Dify 的应用层能力更省事。
常见错误
错误一：让AI直接决定业务结果
AI 可以建议报价区间，但不应该在没有规则和审核的情况下直接承诺最终价格。越接近钱、合同和账号权限，越需要人工确认。
错误二：没有结构化输出
后续节点要判断分支，就必须让 Agent 输出稳定字段。推荐输出 JSON，而不是一段自然语言解释。
错误三：工具说明太模糊
工具不是越多越好，说明不清楚的工具会让 Agent 误用。每个工具都要写清楚用途、输入、输出和限制。
错误四：没有失败分支
模型 API、数据库、第三方服务都可能失败。没有失败分支的工作流，只适合演示，不适合交付。
老达点评
n8n AI Agent 的价值，不是把一个流程变得“看起来很智能”，而是把过去人工反复复制、判断、查询、整理的步骤变成可追踪的流程。
新手不要一上来做全自动客服、全自动销售、全自动交付。先做“AI 生成草稿 + 人工确认 + 自动归档”，这已经能省下大量时间，也更容易真正上线。
如果你想继续扩展，可以回到 AI工具评测专题 看工具选型，也可以把这套流程和 AI内容代运营副业流程 结合，做成可交付的小型自动化服务。
