本文目錄 · 9 個段落
你已經知道 n8n 是什麼，也會拉基本的自動化工作流了。但你可能聽過 AI Agent 這個詞，卻不確定它跟普通的工作流到底差在哪，或是覺得要寫程式才能用。這篇從最基礎的概念講起，一路帶到實作、RAG 知識庫和實際應用場景，看完你就能自己建出一個會思考、會選工具的 AI 助理。
💡 TL;DR：n8n 從 2.0 版開始原生整合 LangChain，內建 AI Agent、Memory、Vector Store 節點。你不需要寫一行程式碼，用拖拉就能建出會自己上網查資料、讀文件、回答問題的 AI 助理。這篇教你 5 步完成第一個 AI Agent，再進階到 RAG 知識庫。
什麼是 n8n AI Agent？跟普通工作流差在哪
根據 Kong 在 2025 年 9 月發布的調查報告，已經有 90% 的企業正在導入或評估 AI Agent 技術（Kong Agentic AI Report, 2025）。n8n 從 2.0 版（2026 年 1 月）開始原生整合 LangChain，讓你用拖拉方式就能建出 AI Agent，不用寫半行程式碼。
1. AI Agent 的核心概念：讓 AI 自己選工具
普通的 n8n 工作流是你預先定義好流程：A 發生 → 做 B → 再做 C。每一步都是固定的，AI 只負責某個節點裡的文字處理。
AI Agent 不一樣。你給它一個任務和一堆工具，它自己決定用哪個工具、用什麼順序、甚至要不要重複執行。像是你問它今天台北的天氣，它會自己判斷要先呼叫天氣 API，拿到數據再整理成你看得懂的回覆。
工作流是你當指揮官，AI Agent 是你當老闆，AI 自己當指揮官。
2. AI Agent vs 普通工作流：3 個關鍵差異
| 比較項目 | 普通工作流 | AI Agent |
|---|---|---|
| 執行邏輯 | 固定路徑，你定義每一步 | 動態決策，AI 自己選工具和順序 |
| 處理意外 | 遇到意外就停住或走錯誤處理 | 能根據回饋調整策略，重試或換工具 |
| 適合場景 | 重複性高、流程固定的任務 | 需要判斷、分析、回答問題的任務 |
建立你的第一個 n8n AI Agent：5 步完整教學
n8n 社群目前有超過 6,300 個 AI 自動化範本（n8n Community, 2026），但從零開始建一次會讓你更理解每個節點在幹嘛。這 5 步帶你建出一個能上網搜資料、回答問題的 AI 助理。
1. 新增 Chat Trigger 觸發器
打開 n8n，建立新的 Workflow。點畫布上的 + 號，搜尋 Chat Trigger，把它拖進來。
Chat Trigger 是聊天機器人的入口。當有人送訊息進來，它就觸發工作流。你可以在設定裡打開 Make Chat Publicly Available，這樣之後可以拿到一個 Webhook URL 嵌到你的網站上。
還有兩個選項：Allow File Uploads 可以讓使用者上傳檔案給 Agent 處理，Allowed File Mime Types 可以限制上傳的檔案類型（例如只允許 PDF 和圖片）。
2. 加入 AI Agent 節點並接上語言模型
在 Chat Trigger 後面加一個 AI Agent 節點。這是工作流的大腦。
AI Agent 節點底下有三個插槽：
- Chat Model：接語言模型。n8n 支援 OpenAI（GPT-4o）、Anthropic（Claude）、Google（Gemini）、Ollama（本地模型）。如果你追求回答品質，接 GPT-4o 或 Claude Sonnet；追求速度和省錢，接 GPT-4o-mini 或 Gemini Flash
- Memory：讓 Agent 記住對話上下文。後面第 3 步會設定
- Tool：給 Agent 可以用的工具。後面第 4 步會設定
接 Chat Model 時，你需要填入 API Key。到 OpenAI、Anthropic 或 Google 的開發者後台申請，貼進 n8n 的 Credentials 設定就好。
3. 設定 Memory 讓 Agent 記住對話
沒有 Memory，Agent 每次收到訊息都當作全新對話，完全不記得你前面說過什麼。
點 AI Agent 節點下方的 Memory 插槽，選一個 Memory 類型：
| Memory 類型 | 適合場景 | 說明 |
|---|---|---|
| Simple Memory | 一般聊天 | 存在記憶體裡，工作流重啟就清空。最簡單，大部分情境夠用 |
| Window Buffer Memory | 長對話 | 只保留最近 N 輪對話，避免 Token 爆量 |
| Postgres / Redis Memory | 正式上線 | 對話紀錄存進資料庫，重啟也不會消失 |
剛開始用 Simple Memory 就好。等你的 Agent 需要上線給別人用，再換成 Postgres 或 Redis。
4. 添加工具：讓 Agent 能搜尋、計算、讀資料
工具是 Agent 的手腳。沒有工具的 Agent 就只是一個聊天機器人，有了工具它才能做事。
點 AI Agent 節點下方的 Tool 插槽，常用的工具包括：
- SerpAPI / Google Search：讓 Agent 上網搜尋最新資訊。免費版每月 100 次搜尋額度
- Calculator：數學計算。看起來簡單，但語言模型的數學能力不穩定，加個計算器可以避免算錯
- Wikipedia：查百科知識
- HTTP Request：呼叫任何 API。這個最萬用，等於讓 Agent 能串接所有有 API 的服務
- n8n Workflow：呼叫你建好的其他工作流。Agent 遇到特定任務就把它丟給另一個流程處理
AI Agent 可以同時掛多個工具。你在每個工具的 Description 欄位寫清楚這個工具是幹嘛的，Agent 就會根據描述判斷什麼時候該用哪個。
5. 測試並除錯你的 AI Agent
全部接好，按右上角的 Save，然後打開底部的聊天視窗測試。
先問一個需要用工具的問題，例如「今天台北的天氣怎麼樣？」。看 Agent 有沒有正確呼叫天氣 API 或搜尋工具。
如果 Agent 沒有呼叫工具、直接用自己的知識回答，通常是兩個原因：
- 工具的 Description 不夠明確，Agent 判斷不需要用
- System Prompt 沒有告訴 Agent 要優先使用工具
在 AI Agent 節點的 System Message 裡加上類似這樣的指示：你是一個助手，回答問題時必須優先使用提供的工具搜尋最新資訊，不要依賴你自己的知識。
進階玩法：用 RAG 打造企業知識庫 AI 助理
全球 RAG 市場規模在 2025 年已達到 19.6 億美元，預計 2035 年將突破 400 億美元（BusinessWire, 2025）。RAG 不是學術名詞，它是讓 AI Agent 從你的資料裡找答案的技術，而 n8n 用拖拉就能建。
1. 什麼是 RAG？為什麼 AI Agent 需要它
RAG 全名是 Retrieval-Augmented Generation，中文叫檢索增強生成。AI 回答問題前，先去你指定的資料庫裡撈相關內容，再根據撈到的內容回答。
為什麼需要它？因為語言模型的知識有截止日期，它不知道你公司內部的規章制度、產品文件、客戶資料。RAG 讓 AI Agent 能讀你的資料，回答的準確度會高很多，幻覺（講錯話）的機率也大幅降低。
2. 在 n8n 建立 RAG 工作流的完整步驟
n8n 內建了 Vector Store 節點，支援 Pinecone、Qdrant、Supabase 等向量資料庫。完整流程分兩段：
第一段：建立知識庫（跑一次就好）
文件上傳 → Document Loader 讀取（支援 PDF、Word、網頁）→ Text Splitter 切成小段落 → Embeddings 節點轉成向量 → 存進 Vector Store
第二段：查詢流程（每次提問都跑）
Chat Trigger → AI Agent → 掛上 Vector Store Tool → Agent 收到問題時自動去向量資料庫搜尋相關段落 → 根據搜尋結果回答
這樣你的 AI Agent 就變成企業知識庫助理。新進員工問公司制度，不用再翻 100 頁手冊，直接問 Agent 就好。
3 個 n8n AI Agent 實戰應用場景
Datagrid 在 2025 年的調查指出，全球已有 33% 的企業在日常營運中使用 AI Agent（Datagrid AI Agent Statistics, 2025）。以下是三個用 n8n 就能建的場景。
1. 客服機器人：自動回覆 + 轉接真人
Chat Trigger 接收客戶訊息 → AI Agent 用 RAG 搜公司 FAQ 和產品文件 → 能回答就直接回 → 判斷無法處理時自動發 Slack 通知給真人客服接手。
這個流程的關鍵是 System Prompt 要寫清楚 Agent 的邊界：哪些問題可以自己回答、哪些必須轉人工。常見的做法是告訴 Agent 遇到退款、投訴、法律相關問題一律轉人工。
2. 內容助理：自動蒐集素材 + 產出草稿
設定排程觸發 → AI Agent 用 SerpAPI 搜尋特定主題的最新文章 → 用 HTTP Request 抓取網頁內容 → 整理成摘要 → 輸出到 Notion 或 Google Docs。
我自己用這個流程每天自動追蹤 AI 產業新聞，省下了每天花 30 分鐘掃新聞的時間。Agent 會自動判斷哪些新聞值得摘要、哪些可以跳過，比單純的 RSS 篩選精準很多。
3. 資料分析助手：接 Google Sheets 自動產報表
Chat Trigger 接收提問（例如上個月哪個產品賣最好？） → AI Agent 用 Google Sheets 工具讀取銷售資料 → 用 Code 節點做運算 → 產出圖表和文字摘要回傳。
這種用法對不會寫 SQL 或 Python 的行銷、業務團隊特別有用。問一句話就拿到答案，不用等資料分析師排到你的需求。
n8n AI Agent 要花多少錢？完整成本估算
n8n Cloud 的方案從免費到每月 €800 不等（n8n Pricing, 2026），但自架的話主機成本低很多。以下是一個中小型 AI Agent 的月費估算：
| 項目 | n8n Cloud Pro | 自架（Zeabur） | 自架（VPS） |
|---|---|---|---|
| n8n 平台 | €50/月 | 免費（開源版） | 免費（開源版） |
| 主機費用 | 包含在方案內 | ~NT$300/月 | ~NT$150-500/月 |
| OpenAI API | 依用量 ~$5-30/月 | 同左 | 同左 |
| 向量資料庫 | 視需求 ~$0-25/月 | 同左 | 同左 |
| 月費總計 | ~NT$2,500-4,000 | ~NT$500-1,500 | ~NT$350-1,200 |
如果你剛開始玩，用 Zeabur 部署 n8n 是最快的方式。台灣的 PaaS 平台，中文介面，幾分鐘就能把 n8n 跑起來。Zeabur 的 AI Hub 還能直接在 n8n 裡呼叫 GPT、Claude、Gemini，不用另外搞 API Key 設定。
想省到最低，用 Hetzner 或 DigitalOcean 的 VPS 自己架，一個月 $5 美金就能跑 n8n。
新手常踩的 5 個坑
1. 忘記設 System Prompt 導致回答亂飄
沒有 System Prompt 的 Agent 就像沒有 SOP 的新員工，什麼都可能回。在 AI Agent 節點的 System Message 裡寫清楚：你是誰、你的任務是什麼、哪些事不能做、回答的語言和格式。
2. Max Iterations 設太低，Agent 還沒做完就停了
AI Agent 節點有個 Max Iterations 設定，預設通常是 3-5 次。如果你的 Agent 需要先搜尋、再讀文件、再計算，3 次可能不夠。一般建議設 5-10 次，但也不要設太高，避免 Token 消耗爆量。
3. Memory 沒接好，每次對話都從頭來
最常見的情況是忘記接 Memory 節點，或是接了但工作流重啟後記憶就清空。如果你的 Agent 需要在多輪對話中維持上下文，確認 Memory 有正確連接。正式上線建議用 Postgres Memory，資料不會因為重啟而消失。
4. 工具描述寫不清楚，Agent 選錯工具
Agent 是根據每個工具的 Description 來判斷什麼時候該用什麼工具。如果你有兩個搜尋工具，Description 都寫 Search for information，Agent 會隨機選。要寫成 Search the internet for latest news 和 Search internal company documents 這樣明確區分。
5. API Key 額度用完沒發現
OpenAI、SerpAPI 這些服務都有免費額度上限。額度用完後 API 會回傳錯誤，但 Agent 不會告訴你是因為額度不夠。建議在 n8n 裡加一個 Error Trigger 工作流，API 呼叫失敗時自動發通知到你的 Slack 或 Email。
常見問題
n8n AI Agent 支援哪些語言模型？
n8n 原生支援 OpenAI（GPT-4o、GPT-4o-mini）、Anthropic（Claude Sonnet、Claude Haiku）、Google（Gemini Pro、Gemini Flash）、Mistral、Ollama（本地模型）。只要有 API 端點的語言模型，用 HTTP Request 節點都能接。
不會寫程式也能用 n8n AI Agent 嗎？
可以。n8n 的 AI Agent 節點完全是拖拉操作，不用寫程式碼。但如果你會一點 JavaScript，用 Code 節點可以處理更複雜的資料轉換，能做的事會多很多。從社群的 6,300 多個範本裡挑一個來改，是最快的上手方式。
n8n AI Agent 跟 Dify、Coze 比哪個好？
Dify 和 Coze 是專門做 AI 應用的平台，操作介面更簡單，適合只需要建聊天機器人的場景。n8n 的優勢是它不只能建 AI Agent，還能串接 400 多個工具做完整的自動化流程。如果你的需求是 AI Agent + 後續自動化（例如回覆完客戶之後自動更新 CRM、發通知、產報表），n8n 會更適合。
開始打造你的第一個 AI Agent
回顧重點：AI Agent 跟普通工作流的差異在於動態決策能力，n8n 用 AI Agent 節點 + Memory + Tool 三個元件就能建出來，進階的 RAG 知識庫讓 Agent 能讀你的資料回答問題。
👉 下一步建議：
- 還沒裝 n8n？先看《n8n 是什麼？2026 最完整入門介紹》，裡面有 3 種安裝方式的完整比較
- 想用最快速度部署？到 Zeabur 幾分鐘就能把 n8n 跑起來
- 卡關了？加入 AI 自動化社群 發問，有人會幫你看工作流
參考來源
| 來源 | 引用內容 | URL |
|---|---|---|
| Kong Agentic AI Report (2025) | 90% 企業正在導入或評估 AI Agent | https://konghq.com/company/press-room/press-release/agentic-ai-report |
| Datagrid AI Agent Statistics (2025) | 33% 企業已在日常營運中使用 AI Agent | https://www.datagrid.com/blog/ai-agent-statistics |
| BusinessWire / ResearchAndMarkets (2025) | RAG 市場 2025 年 $19.6 億，2035 年預估 $403 億 | https://www.businesswire.com/news/home/20251010008494/en/ |
| n8n Community (2026) | 6,300+ AI 自動化社群範本 | https://n8n.io/workflows/ |
| Finbyz (2026) | n8n 2.0 原生整合 LangChain | https://finbyz.tech/n8n/insights/n8n-2-0-langchain-agentic-workflows |
| n8n Pricing (2026) | Cloud 方案 €24-€800/月 | https://n8n.io/pricing/ |
