目標與概念

目標：
建立一個完整自動化任務流程，模擬實務應用案例。

核心概念：
整個任務分為四個主要階段：

• 讀取：從文字、檔案或 API 收集資料
• 理解：透過 LLM Agent 進行分析、摘要或問答
• 整理：將結果轉換為結構化格式（JSON、表格等）
• 回報：將最終結果回傳至 Webhook、API 或前端 UI

n8n 可透過多個節點組合，實現資料從接收、處理到輸出的全自動流程。

操作環境準備

• 已完成 昨天 的 LLM Agent Workflow
• Docker 中的 n8n 容器運行中
• 建議建立資料夾 ~/n8n-workflows/task-flow 以儲存 Workflow
• 可搭配 Python 或其他語言於 Function 節點中進行複雜邏輯處理

建立 Webhook 節點（讀取階段）

1. 新增 Webhook 節點

   • URL：/task-agent
   • Method：POST
   • 接收格式：JSON

{
  "text": "請幫我分析以下文章...",
  "metadata": {"user": "Alice"}
}

此節點負責接收外部輸入資料，作為整個流程的起點。

呼叫 LLM 理解資料（理解階段）

1. 新增 HTTP Request 節點 → 呼叫 Gemini LLM API
2. 設定請求內容：

{
  "prompt": "{{$json['text']}}",
  "temperature": 0.7,
  "max_tokens": 300
}

將 Webhook 節點連接到 HTTP Request 節點，讓輸入文字直接送進 LLM 模型進行處理。

整理 LLM 回應（整理階段）

1. 新增 Function 節點
2. 範例程式碼：

const llmResponse = $json["choices"][0]["text"] || "";
return [{
  json: {
    summary: llmResponse.slice(0, 200), // 前 200 字摘要
    user: $json["metadata"]["user"]
  }
}];

這段程式將模型的回覆取出、裁切摘要，並附上使用者資訊。
連接 HTTP Request 節點 → Function 節點。

回傳結果（回報階段）

1. 點選 Webhook 節點
2. 設定 Response Mode 為「Last Node」
3. 讓 Function 節點的輸出作為最終回傳結果

整個流程完成後，系統能自動接收資料、呼叫模型、整理結果並返回。

測試範例

使用 curl 測試流程：

curl -X POST http://localhost:5678/webhook/task-agent \
  -H "Content-Type: application/json" \
  -d '{"text":"請將這篇文章摘要","metadata":{"user":"Alice"}}'

預期回傳：

{"summary": "文章前200字摘要", "user": "Alice"}

驗證與測試建議

• 透過 Postman 或 curl 測試 JSON 請求
• 檢查每個節點的輸入與輸出
• Function 節點的 summary 與 metadata 是否正確
• Webhook 最終是否成功返回完整 JSON 結果

錯誤排查與修正方式

• LLM 無回應

  • 確認 API Key 正確
  • 檢查 Body JSON 是否正確傳遞 prompt

• Function 節點錯誤

  • 確認 $json 屬性路徑是否正確

• Webhook 回傳空值

  • Workflow 是否啟用（Activate）
  • Response Mode 是否設定為「Last Node」

今日小結

• 完成完整任務自動化流程設計
• 掌握四步驟架構：讀取 → 理解 → 整理 → 回報
• 實作 Webhook → HTTP Request → Function 的連貫串接
• 為後續的檔案處理與介面整合奠定基礎