AI Agent
n8n 裡有兩種常見 AI 組法，不要混在一起：
| Basic LLM Chain | AI Agent | |
|---|---|---|
| 行為 | 固定：提示進、文字出 | 模型自己決定要不要呼叫工具、呼叫幾次 |
| 適合 | 分類、摘要、改寫、抽欄位 | 要查表、搜尋、寄信、呼叫子工作流 |
| 除錯 | 看一次輸入輸出 | 還要看工具呼叫紀錄 |
Agent 最少接三件事：Chat model（大腦）、Memory（記住這次對話）、Tools（它能用的節點，例如 Google Sheets、HTTP、Call n8n Workflow）。沒接工具的 Agent 跟 Chain 差不多，只是比較貴、比較慢。
實作順序
- 用 Chain 確認模型憑證與提示詞能穩定產出 JSON 或固定格式。
- 換成 Agent，一次只給一個工具，看它會不會呼叫。
- 工具的 Description 要寫「什麼時候該用、參數是什麼」——模型靠這段字決定要不要呼叫。
- 需要引用你自己的文件時，再加向量資料庫（Pinecone 等）做 RAG（Retrieval-Augmented Generation，檢索增強生成）：先搜片段，再讓模型依片段回答，減少胡謅。
子工作流當工具時，輸入欄位名稱必須與 Agent 傳入的 key 一致，大小寫也要相同。這與 Advanced 課的 Subworkflows 是同一套紀律。
Agent 會花 token、也會做錯事
生產環境要限制工具範圍、幫 HTTP 設 timeout、對寄信／刪資料加人工確認（human in the loop）。不要一開始就把「執行任意指令」交給 Agent。
建議先看
官方 2026 Quick Start：Max 從 Basic LLM Chain 講到帶 Data Table 的問答 Agent。這是原廠對「agentic automation」的入門定義。
中文長課可看 YouTube 優質教學 的 HC Chang 與李哈利，裡面有 RAG、Webhook 與實戰案例。