大家好，鐵人賽第十二天！這是我們 n8n 篇章的最終章，也是成果驗收的時刻。

在過去一週裡，我們從零開始，為 AI Agent 陸續打造了計算機、天氣、新聞、音樂推薦等多種工具，並將它們整合在一個 MCPClient 伺服器中。今天，我們將透過一個真實的、複雜的指令，來對這位「終極個人助理」進行一次壓力測試，並深入其執行日誌，一窺 AI Agent 的內心世界。

一、終極挑戰：AI 智慧生活助理

我們在 Open WebUI (我們的 MCP Host) 中，向連接了 n8n MCP Server 的 AI Agent 下達了一個複雜的、多步驟的指令：

使用者指令：

我正在規劃週六下午的行程。請先幫我查一下台北市的天氣，看看是否適合戶外活動。然後，幫我找一些關於當代藝術展覽的最新新聞。最後，根據天氣和活動，推薦一些適合路途中聽的放鬆心情的 Spotify 歌單。

成果展示：來自 Open WebUI 的完美答卷

經過短暫的等待，AI Agent 在 Open WebUI 的聊天視窗中，給出了一份令人驚豔的、結構完整的行程規劃：

從下圖 n8n 可以看到，AI Agent 完美地理解了我們的多層次需求：

1. 天氣分析： 它首先呼叫了天氣工具，得出「天氣晴朗，適合戶外活動」的結論。
2. 活動推薦： 接著，它呼叫新聞工具，找到了「2025 展覽」的相關資訊，並提供了參考連結。
3. 音樂推薦： 最後，它根據「放鬆心情」這個模糊的需求，呼叫 Spotify 工具，推薦了一系列適合的歌單。

這份答案不是單純的資料拼湊，而是經過 AI Agent 理解、拆解、規劃、執行、總結後的智慧產物。

二、深入日誌：揭秘 AI Agent 的思考與行動鏈

那麼，AI Agent 是如何達成這個任務的呢？讓我們潛入 n8n 的執行日誌，看看幕後發生了什麼。

這張日誌截圖，就是 AI Agent 的「內心獨白」。仔細觀察左側的 Logs 區域，你會發現一個驚人的事實：AI Agent 進行了一連串、多達三次的「思考 -> 行動」循環！

1. 第一次循環 (思考 -> 行動 -> 觀察):

   • Google Gemini Chat Model (思考): 「用戶想查天氣。」
   • MCP Client (行動): 呼叫 Weather 工具。
   • (觀察到天氣結果)

2. 第二次循環 (再次思考 -> 行動 -> 觀察):

   • Google Gemini Chat Model (再次思考): 「天氣不錯。現在該找新聞了。」
   • MCP Client (行動): 呼叫 News 工具。
   • (觀察到新聞結果)

3. 第三次循環 (再次思考 -> 行動 -> 觀察):

   • Google Gemini Chat Model (再次思考): 「行程有了，該推薦音樂了。」
   • MCP Client (行動): 呼叫 Spotify 工具。
   • (觀察到歌單結果)

4. 最終整合 (最後一次思考):

   • 執行完三次工具呼叫後，最後一個 Google Gemini Chat Model 步驟，將前面所有觀察到的結果進行匯總，生成了我們在 Open WebUI 中看到的那段通順、流暢的最終答案。

這份日誌完美地印證了 AI Agent 的強大之處：它不是一次性的執行，而是一個動態的、自主的、為了達成最終目標而反覆思考和行動的循環過程。

三、回顧與展望：從 n8n 到 Python

經過這一系列的實戰，我們已經深刻體會到，使用 n8n 的 AI Agent + Tool 模式，是實現 MCP 思想、快速打造 AI 應用的絕佳路徑。它視覺化、整合快、抽象層次高，讓我們能專注於「能力」的定義，而非底層協議的細節。

然而，正如我們在執行日誌中可能遇到的 429 Too Many Requests 錯誤一樣：

n8n 這種高階抽象的工具，在面對需要精細化控制的場景時（例如 API 頻率控制、複雜的錯誤處理、自訂的重試邏輯、極致的性能要求），便會顯現出其局限性。

為了突破這些限制，為了能隨心所欲地掌控我們服務的每一個細節，我們必須走向更底層、更靈活的世界——用 Python 親手打造我們自己的 MCP 伺服器。

感謝 n8n 帶給我們這段精彩的旅程。現在，請深吸一口氣，準備好你的程式碼編輯器。

真正的挑戰，明天正式開始！