大家好，鐵人賽堂堂邁入第六天！
昨天，我們學會了 n8n 的基礎，成功從外部世界獲取了資料。今天，我們要做一件更酷的事：為我們的工作流裝上一個真正的「大腦」—— AI Agent 節點。
這個節點是 n8n AI 功能的核心，也是我們能將 MCP 思想發揮到極致的關鍵。現在，就讓我們來揭開它神秘的面紗！
在開始之前，我們必須先釐清一組非常重要的概念：大型語言模型 (LLM) 和 AI 代理人 (AI Agent) 有什麼不同？您可以透過下表快速理解：
| 特徵 | 大型語言模型 (LLM) | AI 代理人 (AI Agent) |
|---|---|---|
| 核心功能 | 理解並生成人類語言（文字）。 | 自主執行任務以達成目標。 |
| 自主性 | 反應式；需要提示。 | 主動式；可獨立運作。 |
| 互動 | 主要透過文字輸入/輸出。 | 與環境（數位/實體）互動，使用工具。 |
| 決策能力 | 有限，基於預訓練資料模式。 | 動態、適應性強，可規劃行動。 |
| 記憶 | 單次互動中通常無狀態（除非明確管理）。 | 通常具備短期和長期記憶。 |
| 工具使用 | 本身不具備（除非是代理人框架的一部分）。 | 整合並利用各種外部工具。 |
| 範圍 | 認知、基於語言的任務。 | 跨多個領域的複雜、多步驟任務。 |
簡單來說，LLM 是一個強大的「語言專家」，而 AI Agent 則是一個懂得如何運用這位專家和其他工具來完成任務的「專案經理」。
光看定義的比較可能還是有點抽象，讓我們透過一個具體的工作情境，來感受 AI Agent 究竟有多強大。
上週「夏日特賣」社群成效簡報
- 總覽： 本次活動社群迴響熱烈，成功引導大量流量至官網。
- 社群互動： Facebook 總讚數 580，Instagram 總讚數 1,250。
- 網站流量： 為官網帶來 3,500 名訪客，訪客轉換率達 2.5%。
- 建議： Instagram 平台的互動成效顯著優於 Facebook，未來可考慮將更多預算投入 IG 平台。
那麼，AI Agent 是如何達成上述這些複雜任務的呢？讓我們透過 n8n 的執行日誌，來窺探它內部的運作機制。
假設我們向 AI Agent 提出一個簡單問題：「100 + 100 等於多少？」，並提供給它一個「計算機工具」。
這張日誌截圖，清晰地展示了 AI Agent 的決策循環：
接收指令 (總指揮):
最外層的 AI Agent 節點接收了我們的原始指令：「100 + 100 = ?」。
思考 (Thought):
Agent 啟用它的大腦 (第一個 Google Gemini Chat Model)，進行思考：「這個問題是關於數學計算。我的手邊有一個『計算機工具』，我應該把『100 + 100』這個表達式傳給它。」 LLM 最終決定呼叫 Calculator 工具。
行動 (Action):
接著，MCP Client (或類似的工具呼叫機制) 被啟用。它的職責就是接收大腦的決策，並實際去觸發『計算機工具』的工作流。這一步完美模擬了 MCP 協議的 tools/call 行為。
觀察 (Observation) & 再次思考:
工具執行完畢，回傳了結果 200。AI Agent 的大腦 (第二個 Google Gemini Chat Model) 再次啟動，它觀察到這個結果，並思考：「200 這個結果完美地回答了原始問題。任務完成。」
最終輸出 (Final Answer):
LLM 將 200 作為最終答案呈現給使用者，整個循環結束。
這個「思考 → 行動 → 觀察 → 再次思考」的循環，正是 AI Agent 能夠自主完成複雜任務的秘密所在。
今天我們解鎖了 n8n 中最核心的 AI 功能。我們理解到：
理論已經完備，工作情境也已瞭描繪。從明天開始，我們就要親自動手，在 n8n 中為我們的 AI Agent 打造出第一個專屬工具！
iThome鐵人賽
看影片追技術
看更多
