用途
本资料介绍如何在 n8n 中构建 AI 驱动的自动化流程，重点是通过 AI 节点与 LangChain 集成来实现智能体、LLM 调用、向量检索与 RAG（检索增强生成）等能力。
主要能力
AI 智能体（Agents）
资料列出多种 Agent 类型：
- Tools Agent：最灵活，使用工具/函数完成任务，适合通用任务与 API 集成，可与任意工具节点（HTTP、数据库、代码）配合。
- Conversational Agent：支持多轮对话记忆，适合聊天机器人与客服系统，可与记忆节点配合维护上下文。
- ReAct Agent：推理加行动，逐步思考，适合复杂推理任务，可展示思维链。
- SQL Agent：面向数据库并具备 schema 感知，适合自然语言转 SQL，配合数据库凭据使用。
- Plan and Execute Agent：先规划再执行步骤，适合多步骤复杂任务，比 ReAct 更有条理。
LangChain 链节点（Chains）
- Basic LLM Chain：简单提示到响应的转换。
- Question and Answer Chain：基于 RAG 的问答，带上下文检索。
- Summarization Chain：长文档摘要，支持 stuff（单次处理）、map_reduce（分块合并）、refine（迭代优化）等类型。
- Information Extractor：从文本中抽取结构化数据，可定义 schema。
- Text Classifier：将文本分类到预定义标签。
- Sentiment Analysis：内置情感检测，可返回分数。
LLM 提供商
资料中提到的提供商包括：OpenAI（gpt-4-turbo、gpt-4、gpt-3.5-turbo 等）、Anthropic Claude（claude-3-opus、sonnet、haiku）、Google Gemini（gemini-pro）、Ollama（分布式集群配置，如 qwen2.5、deepseek-r1、llava 等）、Groq（超快推理，适合高并发）、Mistral（mistral-large-latest）。各提供商示例中包含模型、temperature、maxTokens、topP 等参数。
向量存储（Vector Stores）
- Supabase Vector：包含建表与匹配函数 SQL 示例，需启用 pgvector 扩展。
- Pinecone：indexName、namespace、topK 等配置。
- Qdrant：collectionName、url、limit、scoreThreshold。
- PGVector：tableName、distanceStrategy、k。
- In-Memory Vector Store：适合原型验证，重启后丢失。
嵌入（Embeddings）
- OpenAI Embeddings：text-embedding-3-small、text-embedding-3-large、text-embedding-ada-002。
- Cohere Embeddings：embed-english-v3.0。
- Ollama Embeddings：如 nomic-embed-text。
记忆节点（Memory Nodes）
Buffer Memory（简单对话历史）、Buffer Window Memory（有限窗口）、Motorhead Memory（外部记忆服务）、Zep Memory（带搜索的高级记忆）。
RAG 与文本处理
包含基础 RAG 模式（文档加载 → 文本分割 → 嵌入 → 向量存储；用户查询 → 检索 → 上下文加查询 → LLM → 响应）、文档加载来源、文本分割器（Character、Recursive Character、Token Splitter）以及检索配置（topK、scoreThreshold、similarity 与 mmr 搜索类型）。
AI 工作流模式
资料给出多种模式示例：带记忆的聊天机器人、文档问答系统、内容生成流水线、AI 数据处理、多模型路由（按复杂度分流到不同模型）。
MCP 集成
MCP Client Node 可连接 MCP 服务器以扩展能力，示例包含 serverUrl 与 tools 列表。
使用方式
资料以 JSON 配置片段和节点连线的形式展示各项功能的使用方式，例如 Agent 配置、Chain 配置、模型参数、向量存储配置、分割器参数等。实践建议部分给出提示词工程（结构化系统提示）、temperature 取值参考（事实问答 0.0-0.3、摘要 0.3-0.5、创意写作 0.7-0.9、头脑风暴 0.9-1.0）、Token 管理、错误处理（错误触发 + 回退响应 + 记录日志）、成本优化（小模型处理简单任务、缓存、批量、开发用本地模型）等。资料末尾还给出一个输出格式模板，用于描述 AI 工作流的目的、LLM 选择、向量存储、节点配置、提示词模板以及 Token、成本、延迟等考量。
适用场景
适合需要在 n8n 中搭建聊天机器人、文档问答、内容生成、数据处理、多模型路由等 AI 自动化流程的场景。
限制
资料未提供关于定价、平台限制或性能指标的完整说明，相关具体约束暂未提供。