在 Day19 的內容中，我們學會了如何使用 Chat Trigger 節點，為我們的 n8n 工作流程打造一個聊天機器人的入口。

現在，我們的機器人已經準備好接收訊息了，下一步就是賦予它一個聰明的大腦——這就是 AI Agent 與 大型語言模型（LLM） 登場的時刻。

這篇文章會接續上一篇的進度，帶你深入了解 AI Agent 的核心，並專注於如何選擇最適合你的大型語言模型，以及如何調整其中的關鍵參數，讓你的 AI Agent 更聰明、更符合需求。我們將以 Google 強大的 Gemini 模型作為主要範例。

什麼是 AI Agent？它和 LLM 有何不同？

如果你剛接觸 AI，可能會對這兩個名詞感到困惑。讓我們用一個簡單的比喻來解釋：

• 大型語言模型（LLM）：就像一個博學多聞、但只能待在圖書館裡的「大腦」。它讀遍了全世界的書，擁有驚人的知識與語言能力。你問它問題，它能給你精準的回答；你讓它寫作，它能產出優美的文章。但它本身無法離開圖書館去「做」任何事。例如：OpenAI 的 GPT 系列、Google 的 Gemini、Anthropic 的 Claude 都是頂尖的 LLM。
• AI Agent：就像一個擁有「大腦、目標和手腳」的完整個體。它不僅內建了 LLM 這個聰明的大腦，更重要的是，它被賦予了「目標導向」的能力，並且懂得如何使用外部「工具」來完成任務。

當你給 AI Agent 一個指令，例如「幫我找出今天台北天氣如何，並把結果寄給我」，它的運作流程會是：

1. 思考：運用 LLM 的大腦，理解任務是「查詢天氣」和「寄送郵件」。
2. 規劃：將任務拆解成 (1) 呼叫天氣查詢工具 (2) 呼叫郵件寄送工具。
3. 行動：實際去使用這些工具，取得天氣資訊，然後撰寫並寄出郵件。
4. 完成：向你回報任務已完成。

在 n8n 中，「AI Agent」節點就是扮演這個指揮官的角色，而我們要做的，就是為這位指揮官挑選一個合適的大腦（LLM），並教會它如何使用各種工具。

如何在 n8n 中設定 AI Agent 與 LLM？

延續 Day19 的工作流程，現在我們要在 Chat Trigger 節點後面，接上 AI Agent 節點。

1. 在 Chat Trigger 節點後方點擊 +，搜尋並加入 AI Agent 節點。
2. 點開 AI Agent 節點，你會看到下方有多個可以連接的插槽，最重要的就是第一個 Chat Model。
3. 點擊 Chat Model 的 + 按鈕，這時會彈出 n8n 支援的各種大型語言模型讓你選擇。

這一步就像是為你的 AI Agent 挑選大腦，而這個選擇將直接決定 Agent 的能力、速度與成本。

LLM 模型選擇：為你的 Agent 挑選合適的大腦

n8n 內建了許多主流的 LLM 供你選擇，包括 OpenAI、Google Gemini、Azure OpenAI、Groq、Ollama 等。每個模型都有其獨特的優勢和適用場景。

以下是一些常見的選擇考量：

對於剛入門的開發者，Google Gemini 是一個非常推薦的起點。它的 gemini-1.5-flash 模型在速度、能力和成本之間取得了絕佳的平衡，非常適合用來打造各種類型的 AI Agent。

Gemini 模型參數詳解：微調你的 AI 大腦

當你選擇了 Google Gemini Chat Model 並連接到 AI Agent 後，點開 Gemini 節點，你會看到一系列可以調整的參數。這些參數就像是大腦的「旋鈕」，透過調整它們，可以精準控制 AI 的輸出行為。

讓我們來看看幾個最重要的參數：

1. Model（模型）

這裡可以選擇你要使用的具體 Gemini 模型版本。

• gemini-1.5-pro：目前最強大的模型，擁有最大的上下文視窗（Context Window），適合處理極度複雜的長文分析或多輪對話。
• gemini-1.5-flash：速度更快、成本更低的輕量版模型，在多數場景下表現已非常出色，是兼顧效能與成本的最佳選擇。
• gemini-1.0-pro：上一代的主力模型，穩定可靠。

建議：除非你的任務極其複雜，否則從 gemini-1.5-flash 開始是最好的選擇。

2. Temperature（溫度）

• 數值範圍：0 到 2 之間。
• 作用：控制輸出的「創意程度」或「隨機性」。
• 數值越高：AI 的回答會更有創意、更多樣化，但可能偏離主題或出現不精確的內容。適合用於寫詩、想點子、寫行銷文案。
• 數值越低：AI 的回答會更穩定、更具確定性，每次都可能給出相似的答案。適合用於寫程式碼、處理客服問題、進行資料分類。

建議：一般任務設為 0.7 左右。如果需要精確的答案，可以降至 0.2；如果需要創意發想，可以調高至 1.0 或更高。

3. Top P

• 數值範圍：0 到 1 之間。
• 作用：另一種控制隨機性的方式。它會從機率最高的詞彙中進行抽樣。例如，Top P 設為 0.9 表示模型只會從機率總和達到 90% 的詞彙中挑選下一個字。
• 與 Temperature 的關係：通常建議只調整其中一個。Temperature 像是調整「驚喜程度」，而 Top P 則是限制「選擇範圍」。

建議：多數情況下，保持預設值 1，專注調整 Temperature 即可。

4. Top K

• 作用：直接限制模型只能從機率最高的 K 個詞彙中選擇下一個字。例如 Top K 設為 40，模型就只會從最可能的 40 個字中挑選。
• 與 Top P 的關係：Top K 的限制比 Top P 更直接，可能會讓輸出顯得比較呆板。

建議：除非有特殊需求，否則保持預設值即可。

結語：你的第一個 AI Agent 大腦已上線

恭喜你！你已經完成了打造 AI Agent 最關鍵的一步：為它安裝並設定了一個強大的大腦。

我們今天學習了：

• AI Agent 與 LLM 的根本區別。
• 如何在 n8n 中為 AI Agent 選擇合適的 LLM，例如 Google Gemini。
• 如何透過調整 Temperature 等關鍵參數，微調 AI 的行為模式。

現在，你的 AI Agent 已經能夠進行聰明的對話了。不過，它還是一個只會「說」不會「做」的 Agent。

在接下來的篇章中，我們將學習如何為它連接各種「工具」，讓它能夠查詢網路、讀寫檔案、操作你的各種應用程式，成為一個真正能為你分勞解憂的超級助理！