AI Agent 节点初识 · 一眼看到智能体的样子

第 2 章 · 第 6 节

n8n 1.x 之后，AI Agent 成了节点库里的”明星”。本节是提前一瞥——让你在第 5 部分深入之前，对 AI Agent 节点的样子和心智模型有个直觉。

AI Agent 是什么

普通节点是”输入 → 固定处理 → 输出”。

AI Agent 节点是”输入 → 让 LLM 自己决定怎么处理（可能调工具）→ 输出”。

🤖 agent-vs-normal.txt

普通节点（HTTP Request）： Input: { url: "..." } Logic: 发请求、拿响应 Output: 响应体 AI Agent 节点： Input: { input: "查一下 Linus 的 GitHub 仓库数" } Logic: LLM 看到这句话 → 推理 → 决定调用"HTTP Request 工具" → 拿到数据 → 整理回答 Output: "Linus Torvalds 有 7 个公开仓库..."

LLM 是大脑，工具是手脚——这就是”Agent”模式的核心。

AI Agent 节点的画布外观

跟普通节点不同，AI Agent 节点有多个连接口：

📊 agent-canvas.txt

┌─────────────────────┐ 入口数据 ─▶│ AI Agent │─▶ 输出 │ │ │ Chat Model │ ◀── 选 LLM（OpenAI/Claude/Ollama） │ Memory │ ◀── 选记忆模块（可选） │ Tool (1) │ ◀── 工具 1（HTTP / Code / Wikipedia 等） │ Tool (2) │ ◀── 工具 2 │ ... │ └─────────────────────┘

每个下方接口对应一个子节点——这是 n8n 在 AI Agent 上引入的新范式：“主节点 + 一堆挂载件”。

一个 5 节点的最小 Agent 例子

🎯 minimal-agent.txt

组件清单： 1. Chat Trigger ← 用户聊天入口 2. AI Agent ← 主体 ├─ Chat Model: OpenAI GPT-4o ├─ Memory: Window Buffer Memory └─ Tool: HTTP Request Tool 对话示例：用户："给我今天上海的天气" Agent 思考：需要调用天气 API Agent 调用 HTTP Tool → GET api.weather.com/shanghai Tool 返回：22°C, 多云 Agent 整理回答："上海今天 22 度，多云"

只用 5 个节点，你就有一个能上网查实时数据的 AI 助手。完整实现第 5 部分会讲。

AI Agent 跟普通节点的 3 大不同

维度	普通节点	AI Agent
逻辑	你写死	LLM 自己决定
画布	一个进、一个出	一个进、一个出 + N 个挂载件
运行时长	通常毫秒级	几秒到几十秒（LLM 推理慢）
可预测性	完全可预测	受 LLM 输出影响，有随机性
成本	0（除非外部 API 收费）	按 token 计费（OpenAI/Claude 都是 $/M tokens）

什么时候不该用 AI Agent

读者最容易掉的坑：把所有自动化都套个 Agent。这通常是坏主意。

⚠ when-not-to-use.txt

❌ 不该用 AI Agent 的场景： • 简单的"事件 → 通知" workflow（用普通节点更便宜更快） • 严格要求确定性输出的场景（如金额计算、订单状态变更） • 数据格式高度结构化、规则清晰（用 IF / Switch / Set 即可） ✅ 该用 AI Agent 的场景： • 输入是自然语言（用户提问、邮件正文、客服聊天） • 需要"判断 + 调用合适工具"的混合任务 • 总结、提炼、改写、翻译这类语言任务 • RAG（基于自有文档回答问题）

本节要点回顾

AI Agent = LLM 做大脑 + 工具做手脚的混合节点
画布上有多个挂载口：Chat Model / Memory / Tools
跟普通节点的 3 大不同：可预测性、运行时长、成本
自然语言输入 + 混合任务最适合用 Agent
简单确定性任务别套 Agent
第 5 部分会深入讲，先学完 Part 3-4

至此你已学完 第 2 部分。下一部分进入 Part 3 · 表达式与数据。