n8n + Flowise AI 終極實戰：視覺化拖拉，打造專屬知識庫的 AI 客服機器人 (無程式碼)

你是否夢想著能為你的公司或個人專案，打造一個真正聰明的 AI 客服機器人？一個不僅能閒聊，更能精準回答關於你產品規格、服務條款、退貨政策等「私有知識」的 AI 助理。

過去，要實現這樣的「知識庫問答 (RAG, Retrieval-Augmented Generation)」，往往需要撰寫複雜的 Python 程式碼，處理文件讀取、文本切割、向量化等繁瑣的技術細節。但現在，透過兩個開源工具的革命性結合，這個過程已經變得像拖拉積木一樣簡單。

Flowise AI: 一個視覺化的 AI 應用程式建構平台。你可以像畫流程圖一樣，拖拉組合各種 AI 元件（如語言模型、向量資料庫、文件讀取器），輕鬆打造出複雜的 AI 應用，特別是客製化的知識庫問答機器人。
n8n: 最強大的視覺化工作流自動化工具。它扮演著連接器與執行者的角色，能將你用 Flowise 打造的 AI 大腦，與真實世界的各種應用（如 LINE, Discord, Slack, Email）無縫對接。

這篇文章將是你的 n8n 結合 Flowise AI 的終極實戰指南。我們將手把手帶你，在完全不寫一行程式碼的情況下，先用 Flowise 訓練一個能讀懂你公司文件的 AI 大腦，然後再用 n8n 為這個大腦裝上身體與五官，最終打造出一個能透過 LINE 真實互動的 AI 客服機器人。

零基礎帶你完成屬於自己的n8n自動化流程

內容目錄

天作之合：為什麼 n8n 與 Flowise AI 是絕配？

n8n 和 Flowise AI，兩者都是視覺化、基於節點的開源工具，它們的結合，為無程式碼 (No-Code) AI 應用開發帶來了前所未有的可能性。

你可以這樣理解它們的分工：

Flowise AI 負責「深度思考」： 它的核心任務是建構 AI 的「大腦」。你可以在 Flowise 中專注於 AI 的核心邏輯，例如如何讀取 PDF 文件、如何建立索引、如何設計與大型語言模型 (LLM) 的互動鏈 (Chain)。它產出的是一個「可供呼叫的智慧端點 (API)」。
n8n 負責「連接與行動」： 它的核心任務是打造 AI 的「身體」和「感官」。n8n 負責接收來自四面八方（LINE, Webhook, Email）的訊息，將這些訊息「餵」給 Flowise 的 AI 大腦進行處理，然後再將 AI 的思考結果，透過各種管道「行動」出去（例如，回覆 LINE 訊息、在 Trello 開卡、寄送 Email）。

n8n + Flowise AI = 一個完整的、端到端的、視覺化開發的 AI 自動化系統。

步驟一 (Flowise)：訓練你的 AI 大腦 — 建立一個讀懂你文件的 RAG 機器人

我們的第一步，是在 Flowise 中建立一個能回答特定知識的 AI。假設我們要建立一個能回答「公司退貨政策」的機器人。

1. 準備你的知識庫

首先，準備一份包含你公司退貨政策的純文字檔 (.txt) 或 PDF 檔案。內容越詳細越好。

2. 在 Flowise 中建立 Chatflow

登入 Flowise，點擊「Add New」建立一個新的 Chatflow。
你會看到一片空白的畫布。點擊左上角的 + 按鈕，開始加入節點。

3. 組合 RAG 的核心元件

一個基礎的 RAG (檢索增強生成) 應用，通常由以下幾個核心元件組成：

Document Loader (文件讀取器):
- 新增 Text File 或 PDF File 節點。
- 上傳你準備好的退貨政策文件。
Text Splitter (文本切割器):
- 新增 Recursive Character Text Splitter 節點。
- 將 Document Loader 的輸出連接到它。
- 這個節點會將長篇文件，切割成適合 AI 處理的較小語義區塊。
Vector Store (向量資料庫):
- 新增 In-Memory Vector Store 節點 (最簡單的入門選擇)。
- 將 Text Splitter 的輸出連接到它的 Document 輸入端。
- Embedding： 在 Vector Store 節點中，你需要設定一個 Embedding 模型，例如 OpenAI Embeddings。記得要先在左下角 Credentials 中設定好你的 OpenAI API Key。
- 這一步會將切割好的文本區塊「向量化」，轉換成 AI 能理解的數學形式，並建立索引。
LLM (大型語言模型):
- 新增 ChatOpenAI 節點。
- 選擇你設定好的 OpenAI API Key 憑證。
Chain (鏈):
- 新增 Conversational Retrieval QA Chain 節點。這是整合以上所有元件的核心。
- 連接：
  - 將 ChatOpenAI 節點連接到 Chain 的 Chat Model 輸入端。
  - 將 In-Memory Vector Store 節點連接到 Chain 的 Vector Store Retriever 輸入端。

完成後，你的 Flowise 畫布看起來會像一個由多個節點串連起來的完整流程。

步驟二 (Flowise)：取得 AI 的聯絡方式 — 獲取 Chatbot API 端點

當你的 Chatflow 建立完成後，我們需要取得一個能讓 n8n 和它溝通的「地址」。

點擊畫布右上角的「儲存」按鈕，為你的 Chatflow 命名，例如 Refund Policy Bot。
接著，點擊儲存按鈕旁邊的「API Endpoint」按鈕（一個類似 </> 的圖示）。
在彈出的視窗中，你會看到各種語言的程式碼範例。我們需要的，是 cURL 範例中的那個 URL。它通常長得像這樣： http://<你的Flowise伺服器IP>:3000/api/v1/prediction/<你的Chatflow ID>
記下這個 URL，以及 cURL 範例中 -d 後面的 JSON 資料結構，特別是 question 這個欄位，這就是我們等一下要從 n8n 傳送問題的地方。

步驟三 (n8n)：打造 AI 的身體 — 建立 LINE Bot 來與 AI 大腦溝通

現在，AI 大腦已經準備就緒，讓我們回到 n8n，為它打造一個可以接收和回應 LINE 訊息的身體。

建立觸發器 – LINE Trigger:
- 在 n8n 中建立一個新工作流。
- 新增 LINE Trigger 節點作為起點。
- 設定你的 LINE Developer 帳號憑證，並將節點產生的 Webhook URL 填寫到你的 LINE Messaging API 設定中。
呼叫 Flowise AI – HTTP Request 節點：
- 在 LINE Trigger 後，接上一個 HTTP Request 節點。
- Authentication: None。
- Request Method: POST。
- URL: 貼上你在步驟二從 Flowise 取得的那個 API URL。
- Body Content Type: JSON。
- Body Parameters > Add Parameter:
  - Name: question
  - Value (使用 Expression): {{ $json.body.events[0].message.text }} (這會抓取 LINE 使用者傳來的訊息文字)
回覆訊息 – LINE 節點：
- 在 HTTP Request 後，接上一個 LINE 節點。
- Resource: Message
- Operation: Reply
- Reply Token (使用 Expression): {{ $json.body.events[0].replyToken }}
- Text (使用 Expression): {{ $json.text }} (Flowise API 預設會將 AI 的回覆放在一個名為 text 的欄位中)

實戰演練與成果展示：一個能回答「退貨政策」的 LINE AI 客服

啟用你的 n8n 工作流後，整個流程就串連起來了！

使用者在 LINE 上傳送訊息：「請問我買的商品不喜歡，可以退貨嗎？」
n8n 的 LINE Trigger 接收到訊息。
HTTP Request 節點將使用者的問題 {"question": "請問我買的商品不喜歡，可以退貨嗎？"} 發送到 Flowise 的 API 端點。
Flowise AI 接收到問題，在它的知識庫（你上傳的退貨政策文件）中，找到最相關的段落，並交給 OpenAI 的語言模型，生成一段精準的回答。
Flowise 將 AI 生成的回答（例如：「可以的，根據我們的政策，您在 7 天鑑賞期內都可以申請退貨…」）回傳給 n8n。
n8n 的 LINE 節點 接收到這個回答，並將其作為回覆訊息，傳送回給 LINE 上的使用者。

恭喜你！你已經成功打造了一個擁有專屬知識、能夠自動化回覆的 AI 客服機器人，而且完全沒有寫到任何程式碼！

進階思考：如何讓你的 AI 客服機器人更強大？

擴充你的知識庫： 在 Flowise 的 Document Loader 中，你可以上傳多個檔案，甚至連接整個資料夾，讓你的 AI 能夠學習更全面的知識。
加入對話記憶： 在 Flowise 中，你可以加入 Buffer Memory 等記憶節點，讓你的 AI 能夠記得前幾輪的對話，進行更有人性的追問與互動。
賦予 AI 行動能力： 在 n8n 中，你可以在收到 Flowise 的回覆後，加上 IF 節點進行判斷。例如，如果 AI 的回覆中包含了「需要專人處理」，就自動觸發 Trello 節點，在客服看板上新增一張卡片，真正實現查詢、判斷、行動的完整閉環。