LangChain 节点全景 · 70+ AI 节点分类
第 5 章 · 第 1 节
n8n 1.x 之后把 LangChain 整合进来了，提供 70+ AI 相关节点。看起来眼花缭乱，实际上就 5 类角色——理解了角色分工，搭 AI workflow 就像搭积木。
🎭 langchain-roles.txt
① Chat Model (聊天模型) "大脑" - 实际的 LLM
OpenAI Chat Model · Anthropic Chat Model · Ollama · Google Gemini · etc.
② Agent (智能体) "决策中枢" - 协调 LLM 调用工具
AI Agent · Tools Agent · Conversational Agent
③ Memory (记忆) "短期记忆" - 多轮对话上下文
Window Buffer Memory · Summary Buffer Memory · Postgres Chat Memory · etc.
④ Tool (工具) "手脚" - Agent 可调用的能力
HTTP Request Tool · Code Tool · Calculator · Wikipedia · Custom Tool · etc.
⑤ Vector Store (向量库) "长期记忆" - 用于 RAG 检索
Pinecone · Qdrant · Supabase · Postgres · In-Memory · etc.
辅助：
- Embeddings (嵌入模型)：把文本变向量，喂给 Vector Store
- Text Splitter：把长文档切成块
- Document Loader：从 PDF/URL 读文档
节点连接模式（Root + Sub）
Section titled “节点连接模式（Root + Sub）”LangChain 节点跟普通节点连接方式不同。它们用”主节点 + 子节点挂载”的模式：
🔗 root-sub.txt
┌─────────────────────┐
in ─▶│ AI Agent │─▶ out
│ (Root Node) │
│ │
│ Chat Model ◀──── [OpenAI Chat Model] (Sub Node)
│ Memory ◀──── [Window Buffer] (Sub Node)
│ Tool ◀──── [HTTP Request Tool] (Sub Node)
│ Tool ◀──── [Wikipedia Tool] (Sub Node)
└─────────────────────┘
主节点（Root）：AI Agent —— 处理输入输出
子节点（Sub）：通过底部挂载口连接到主节点 —— 提供能力
每个挂载口接受特定类型的子节点（Chat Model 口只能接 Chat Model 类）。
① Chat Model：选哪个 LLM
Section titled “① Chat Model：选哪个 LLM”| 节点 | 模型来源 | 典型用法 |
|---|---|---|
| OpenAI Chat Model | OpenAI API (GPT-4o / GPT-4.1 / o-series) | 综合最强、贵 |
| Anthropic Chat Model | Claude API (Sonnet / Opus / Haiku) | 长上下文 + 写作好 |
| Google Gemini Chat Model | Gemini API | 性价比、多模态 |
| Ollama Chat Model | 本地 Ollama | 零成本、隐私敏感数据 |
| Groq Chat Model | Groq Cloud | 极快推理 |
| Mistral / DeepSeek / etc. | 各家 API | 看具体需求 |
⚙ chat-model-config.txt
OpenAI Chat Model:
Model: gpt-4o-mini (便宜) / gpt-4.1 (能力)
Temperature: 0.7 (创意度，0=确定，1=发散)
Max Tokens: 2000 (输出上限)
Credential: <OpenAI API key>
② Agent：选哪个智能体
Section titled “② Agent：选哪个智能体”| Agent 节点 | 适合 |
|---|---|
| AI Agent（推荐默认） | 通用——LLM 自主决定调哪个工具 |
| Tools Agent | 强工具调用场景 |
| Conversational Agent | 多轮对话为主 |
90% 的场景用 AI Agent 就够。
③ Memory：要不要记得上次说啥
Section titled “③ Memory：要不要记得上次说啥”| Memory 节点 | 何时用 |
|---|---|
| Window Buffer Memory | 保留最近 N 轮对话（最简单） |
| Summary Buffer Memory | 保留摘要 + 最近几轮（长对话省 token） |
| Postgres Chat Memory | 跨会话持久化（用户回来 7 天后还能续上） |
| Redis Chat Memory | 同上但用 Redis |
| 不挂 Memory | 每次都是新对话（适合”一问一答”场景） |
④ Tool：给 Agent 装上”手脚”
Section titled “④ Tool：给 Agent 装上”手脚””工具节点让 Agent 能做事——查 API、算数、读 Wikipedia、调你自定义的 workflow……
🛠 tool-types.txt
内置工具：
- HTTP Request Tool 任意 API 调用
- Code Tool JS 代码执行
- Calculator 数学运算
- Wikipedia 维基百科查询
- SerpAPI Google 搜索
- Vector Store Tool 检索你的知识库（RAG）
把现有 workflow 当工具：
- Workflow Tool 调用另一个 n8n workflow
把应用节点当工具（最强大）：
- Slack 节点、Notion 节点... 几乎所有应用节点都能挂到 Agent 上当 Tool
每个工具挂载时要给它起个名字 + 写”什么时候用它”——LLM 看这段描述决定是否调用。
⑤ Vector Store：长期记忆 / RAG
Section titled “⑤ Vector Store：长期记忆 / RAG”把文档（PDF、网页、Notion 页）变成”可搜索的知识库”，喂给 Agent 当背景。详细见 5.4 节。
📚 vector-flow.txt
流程：
PDF/文档 → [Document Loader] → [Text Splitter] → [Embeddings] → [Vector Store]
(变向量)
用户问题 ─→ [Embeddings] → [Vector Store 搜索 top-K]
↓
相关片段
↓
AI Agent（带这些片段作为上下文回答）
一个最小 Agent 的连线图
Section titled “一个最小 Agent 的连线图” 🎯 minimal-agent-canvas.txt
[Chat Trigger]
↓
[AI Agent]
├── Chat Model: [OpenAI Chat Model]
├── Memory: [Window Buffer Memory]
└── Tool: [Wikipedia Tool]
↓
[Respond to Chat]
只有 5 个节点。Chat Trigger 接住用户消息，AI Agent 用 OpenAI 推理、记得最近对话、能查 Wikipedia，最后回复用户。
本节要点回顾
Section titled “本节要点回顾”- LangChain 节点 5 类：Chat Model / Agent / Memory / Tool / Vector Store
- 主节点（Root）+ 子节点（Sub）通过底部挂载口连接
- Chat Model 选 OpenAI 起步最稳；Ollama 留给隐私和成本敏感场景
- Agent 默认用 “AI Agent” 节点
- Memory 让 Agent 记得多轮对话
- Tool 让 Agent 能做事
- Vector Store 用于 RAG（5.4 节展开）
下一节深入AI Agent 节点的工作机制。