n8n AI Agent 架构指南
帮助你为 n8n AI Agent 正确选择节点、连接工具并处理记忆、结构化输出与人工审核。
文档明确建议最小化向模型暴露的身份、权限和会话参数，要求对发送、付款、退款和账户变更使用人工审核，并说明二进制不能直接穿过工具边界。这些安全指导较完整，但未具体说明凭据最小权限、数据保留、审计、回滚或外部服务授权范围；示例还依赖 Slack、Notion、Tavily 和 OpenRouter，故扣分。
内容结构清晰，覆盖节点选择、连接类型、错误分支、会话键和异常提示，并提醒目标实例上的节点与模型版本可能变化。材料未提供可执行测试、CI 覆盖或关键路径复现证据，且部分行为仅要求用户自行验证，因此按静态校准限制扣分。
触发条件、适用场景和 Agent、Chain、Classifier、Extractor 的边界描述明确，也涵盖聊天、RAG、人工审核和二进制场景。但未提供中文交互或中国大陆网络可达性的明确方案；示例中的海外模型和搜索服务可能增加部署限制，因此扣分。
文件采用主文档、专题参考、示例、反模式和检查清单的分层结构，README 提供版本 1.0.0、兼容性和使用说明，MIT 许可证元数据明确。缺少维护者、变更日志、发布流程、更新责任和完整依赖安装说明，且多个交叉引用文件未在所给材料中提供，故扣分。
文档能直接指导节点选择、AI 连接、工具描述、结构化输出、记忆、聊天防循环和人工审核，示例具有较高实用价值。示例明确是带占位符的不可直接导入片段，需要目标实例验证、凭据配置和人工改造；静态材料没有证明代表性工作流已成功运行，因此按上限保守扣分。
证据主要是仓库内的说明、JSON 片段、检查清单和少量声称已验证的实现细节，具备一定审阅和追踪基础。但没有提交的测试套件、CI 结果、第三方复核或可复现执行记录；关键事实与作者判断未始终区分，因此扣分。
- 不要把示例片段直接视为可导入生产工作流；必须在目标 n8n 版本中验证节点、模型、表达式、凭据权限和连接结构。
- 部署前应补充凭据最小权限、敏感数据处理、日志与保留策略、人工审核超时、失败恢复和可回滚方案。
- 若使用 OpenRouter、Tavily、Slack 或 Notion，应单独确认中国大陆网络可达性、数据跨境要求和服务可用性。
- 文档声称部分行为已由源码验证，但所给材料未包含对应源码、测试或第三方执行证据。
这个 Skill 能做什么，适合哪些场景？
这是 n8n-skills 仓库中的独立 n8n-agents 技能，专注于 LangChain AI 节点和 AI Agent 工作流设计。它指导用户选择 AI Agent、LLM Chain、Text Classifier、Information Extractor 等节点，并配置模型、记忆、工具和输出解析器。内容覆盖工具描述、$fromAI()、结构化输出、RAG、聊天机器人、人机协同和二进制数据边界。它适合已经使用 n8n 与 n8n-mcp、需要构建可维护 AI 工作流的用户。
读取用户关于 n8n AI Agent、工具调用、记忆、结构化输出、RAG 或聊天机器人的需求，指导选择合适的 LangChain 节点；说明如何通过 ai_languageModel、ai_memory、ai_tool 和 ai_outputParser 连接子节点；给出工具名称与描述、$fromAI() 参数、sessionId、maxIterations、autoFix、人工审核和聊天防循环过滤的配置规则；指导使用 n8n-mcp 的 search_nodes、get_node、validate_node、validate_workflow、n8n_update_partial_workflow、n8n_test_workflow 和 n8n_get_workflow 构建、验证和检查工作流。
- n8n 用户需要构建一个能调用 Slack、Gmail、HTTP 或子工作流工具的多轮 AI Agent。
- 自动化开发者需要判断某个任务应使用 AI Agent、LLM Chain、Text Classifier 还是 Information Extractor。
- 团队需要让 Agent 输出严格 JSON，并配置结构化解析器、autoFix 和修复模型。
- 聊天机器人开发者需要为 Slack、Discord、Teams 或 Telegram 工作流加入稳定会话记忆和机器人自触发防护。
- 运营团队需要让付款、退款、发送消息或账户变更等高影响工具在执行前经过人工批准。
这个 Skill 有哪些优点和局限？
- 覆盖 AI Agent 设计中的节点选择、子节点连接、工具描述、记忆、结构化输出和人工审核等关键环节。
- 明确指出常见失败模式，例如工具描述为空、sessionId 不稳定、结构化输出未启用 autoFix，以及聊天机器人缺少自触发过滤。
- 提供针对 n8n-mcp 节点搜索、验证、构建、测试和工作流检查的操作指导。
- 包含 Slack、Discord、Teams、Telegram 聊天拓扑以及 RAG、二进制数据和子工作流工具的边界说明。
- 它只覆盖 n8n AI Agent 及相关 LangChain 设计，不是完整的 n8n 工作流开发指南。
- 部分主题明确交由其他技能负责，例如代码工具、二进制数据机制、表达式语法、子工作流和错误处理。
- 需要 n8n-mcp MCP server；来源没有提供脱离该 MCP server 的等价操作流程。
- 来源没有给出单独的 n8n-agents 测试结果或不同 n8n 版本的固定模型可用性保证。
如何安装这个 Skill？
该技能位于仓库的 skills/n8n-agents/ 文件夹。安装整个 Claude Code 插件可执行：/plugin install czlonkowski/n8n-skills。手动安装可先执行 git clone https://github.com/czlonkowski/n8n-skills.git，再执行 cp -r n8n-skills/skills/* ~/.claude/skills/，然后重新加载 Claude Code。使用前还需要安装并配置 n8n-mcp MCP server。
如何使用这个 Skill？
在已加载技能的客户端中提出具体请求，例如：“Build an n8n AI Agent that uses tools, memory, structured JSON output, and human approval.” 也可以直接询问：“Should this n8n workflow use an AI Agent or a Text Classifier?” 技能会在涉及 @n8n/n8n-nodes-langchain.*、$fromAI、system prompts、sessionId、RAG 或 human-in-the-loop 时触发。
这个 Skill 与同类方案有什么区别？
该技能明确比较 AI Agent、Basic LLM Chain、Text Classifier、Information Extractor、Sentiment Analysis、Summarization Chain，以及媒体生成的原生节点；它也将 Native Tool、Sub-workflow Tool、HTTP Request Tool 和 MCP Client Tool 作为不同工具实现方式进行选择。