n8n 整合 LangChain 終極教學：打造能思考、懂工具的 AI Agent 自動化

你是否已經不滿足於讓 AI 在 n8n 中僅僅扮演一個「文案產生器」或「摘要工具」的角色？你是否夢想著能建立一個更進階的 AI 系統，它不僅能理解你的指令，更能自主地「思考」、拆解任務、選擇並使用「工具」，最終完成複雜的目標？

這，就是 AI Agent (AI 代理人) 的世界。而當 n8n 這個最強大的視覺化自動化平台，與 LangChain 這個最受歡迎的大型語言模型 (LLM) 開發框架相遇時，一場自動化的革命就此展開。

n8n 的 LangChain 節點，正是讓你能夠將這兩者完美結合的官方橋樑。它讓你不再只是單純地向 AI “提問”，而是能夠真正地 “賦權” 給 AI，讓它在你的 n8n 工作流生態系中，自由地呼叫其他節點或整個工作流作為它的「手腳」，來與外部世界互動。

這篇文章將是你的 n8n 結合 LangChain 的完整實戰指南。我們將從 LangChain 的核心概念講起，手把手教你如何在 n8n 中建立「工具」，並組裝出一個能夠自主上網查資料、閱讀網頁內容的「AI 研究助理」，讓你親身體驗，當自動化擁有了「思考與行動」的能力後，將會是多麼強大的一件事。

內容目錄

超越單純 API 呼叫：為什麼 n8n 需要 LangChain？

在你已經有了 OpenAI 和 Ollama 節點後，為什麼還需要一個看起來更複雜的 LangChain 節點？因為它們解決的問題層次完全不同。

OpenAI / Ollama 節點 (傳統 LLM 呼叫): 這是一種「單向」的溝通。你給 AI 一段 Prompt，AI 回傳一段文字。整個過程就像是你對著一個萬能的黑盒子說話，它無法與外界互動，也無法執行任何實際操作。
LangChain 節點 (AI Agent 模式): 這是一種「雙向」的、具備「行動力」的溝通。你給 AI 一個「目標」，AI 會開始進行一個思考 -> 行動 -> 觀察 -> 再次思考的迴圈 (ReAct – Reason and Act)。它會自主判斷：「為了達成這個目標，我需要使用哪個工具？」，然後在 n8n 中實際執行那個工具（例如，呼叫一個 HTTP Request 節點），接著觀察工具回傳的結果，再決定下一步該怎麼做。

簡單來說，n8n 提供了所有能與外部世界互動的「工具」，而 LangChain 則提供了驅動這些工具的「大腦」。 兩者結合，才是一個完整的 AI Agent。

n8n 的 LangChain 節點是你建立 Agent 的主控制台。它的核心設定，就是圍繞著如何為 AI「大腦」配置「工具箱」。

Model: 選擇驅動 Agent 的語言模型。這可以是 OpenAI、Ollama、Azure OpenAI 等任何 n8n 支援的 LLM。推薦使用推理能力較強的模型，如 gpt-4o 或 Llama3。
Agent/Chain: 選擇 AI 的「思考模式」。最常用的是 Agent Executor，它能讓 AI 根據工具的描述，自主決定使用工具的順序和時機。
Tools (工具箱):這就是魔法發生的地方！ 你可以在這裡「掛載」多個工具，讓 AI Agent 在執行任務時可以選擇使用。在 n8n 中，一個「工具」可以是：
- n8n 內建工具: 例如 Calculator (計算機)、Search API (搜尋引擎)。
- n8n 工作流 (Workflow): 這是最強大的功能！ 你可以將任何一個 n8n 工作流，打包成一個工具。這意味著，任何你能用 n8n 實現的自動化，都能成為你 AI Agent 的超能力。

在組裝 Agent 之前，我們必須先為它準備好工具。我們來建立兩個非常實用的工具：一個負責「上網搜尋」，另一個負責「讀取網頁內容」。

建立新工作流，命名為 Tool - Google Search。
觸發器： 使用 Callable Trigger。這是專門用來讓其他流程呼叫的觸發器。
設定觸發器：
- Description: 用於在 Google 上搜尋資訊。當你需要回答關於近期事件或 n8n 的問題時，這個工具非常有用。 (這個描述至關重要，AI 會靠它來判斷何時使用此工具)。
- Inputs > Add Input:
  - Name: query
  - Description: 你要搜尋的關鍵字詞。
  - Required: 打勾。
核心邏輯： 接上一個 Google Search 節點，並在 Query 欄位中使用 Expression {{ $json.body.query }} 來接收 Agent 傳來的搜尋指令。
啟用工作流： 儲存並啟用 (Activate) 這個工具流。

建立新工作流，命名為 Tool - Read Webpage。
觸發器： 同樣使用 Callable Trigger。
設定觸發器：
- Description: 根據提供的 URL，讀取並回傳該網頁的文字內容。
- Inputs > Add Input:
  - Name: url
  - Description: 你要讀取內容的網頁 URL。
  - Required: 打勾。
核心邏輯： 接上一個 HTTP Request 節點，在 URL 欄位中使用 {{ $json.body.url }}。並在 Options 中，將 Response Format 設為 Text。
啟用工作流： 儲存並啟用它。

至此，你的 AI Agent 已經擁有上網搜尋和閱讀網頁兩種超能力了。

現在，讓我們把大腦和工具箱組裝起來。

建立主工作流，命名為 AI Research Assistant。
新增一個 LangChain 節點。
設定 LangChain 節點：
- Authentication: 選擇你的 OpenAI 或 Ollama 憑證。
- Resource: Agent
- Agent/Chain: Agent Executor
- Model: gpt-4o (或 llama3)
- Tools > Add Tool:
  - Tool: 在下拉選單中選擇 Workflow。
  - Workflow: 選擇我們剛剛建立的 Tool - Google Search。
- 再次 Add Tool:
  - Tool: Workflow
  - Workflow: 選擇 Tool - Read Webpage。
下達指令 (Prompt): 在 Input 欄位中，輸入你的研究任務： 請幫我研究「n8n 的 LangChain 節點」，並用繁體中文總結它的主要功能和優點。

當你執行這個 LangChain 節點時，一場精彩的 AI 思考劇場將在背景上演：

(Thought 思考): AI 大腦 (GPT-4o) 接收到你的指令。它分析後心想：「這個問題是關於 n8n 的一個特定節點，我的內建知識可能不夠新。我需要上網查一下最新資訊。我應該使用 Google Search 這個工具。」
(Action 行動): AI 決定使用 Google Search 工具，並自己生成了 query 參數，可能是「n8n LangChain node tutorial」。然後，n8n 會在背景實際執行了你的 Tool - Google Search 工作流。
(Observation 觀察): Google Search 工具執行完畢，回傳了一串搜尋結果（包含標題和 URL）給 AI。
(Thought 再次思考): AI 觀察了搜尋結果，心想：「嗯，第一個連結看起來很相關，是一篇官方教學文章。我需要閱讀它的內容才能總結。我應該使用 Read Webpage 這個工具，並把這個 URL 傳給它。」
(Action 再次行動): AI 決定使用 Read Webpage 工具，並將剛剛得到的 URL 作為 url 參數，再次呼叫了 Tool - Read Webpage 工作流。
(Observation 再次觀察): 工具回傳了整篇網頁的文字內容。
(Final Thought 最終思考): AI 心想：「好了，我已經有了足夠的資料。現在我要根據這篇文章的內容，整理並總結出答案。」