一、理論背景：

當我們把 n8n（自動化流程工具）與 Dify（AI 應用開發平台）結合時，其實是實現了一種「AI 事件驅動式架構（AI Event-driven Workflow）」。

簡單來說：

1. n8n 扮演「流程控制中心」，負責接收外部訊息、呼叫 API、回傳結果。
2. Dify 扮演「智慧腦袋」，負責根據問題生成回覆。
3. 兩者結合，就能做到：當收到一則訊息，就讓 AI 自動思考並回覆。

二、資料流（Data Flow）概念：

你可以把整個流程想成這樣：

使用者 → Webhook (n8n) → HTTP Request (呼叫 Dify API)
      → Dify 處理文字生成 → 回傳回答
      → (錯誤處理 / 格式化) → Respond to Webhook → 使用者

這整段流程中：

• Webhook：負責接收訊息（例如使用者輸入「今天天氣怎樣」）
• HTTP Request：把訊息丟給 Dify 的 /chat-messages API
• Dify：分析問題並生成回覆
• Respond to Webhook：把 Dify 的回答返回原本的來源（例如表單、系統或 LINE Bot）

三、技術核心說明：

四、API 結構理解（以 Dify 的 /chat-messages 為例）

在 n8n 的 HTTP Request 節點中，發送的 JSON Body 結構通常如下：

{
  "inputs": {},
  "query": "={{ $json['body']['message'] }}",
  "response_mode": "blocking",
  "user": "api-user",
  "conversation_id": "={{ $json['body']['session_id'] }}" 
}

• query：AI 要回答的問題 (原來的 user_question 在新版 Dify API 中通常寫作 query)
• response_mode：設定為 blocking 代表 n8n 會等待 Dify 回覆完才繼續
• user：用來區分使用者
• conversation_id：（新增） 若要實現多輪對話，此參數是必須的。n8n 會從 Webhook 接收到的資料（例如 session_id）中擷取此 ID，確保 Dify 能維持上下文。

API 呼叫成功後，Dify 會回傳一個 JSON，例如：

{
  "id": "...",
  "answer": "今天台北的天氣晴朗，最高溫28度。",
  "conversation_id": "..."
}

五、流程健壯性與錯誤處理 （新增核心重點）

一個穩定的 AI 流程必須考慮失敗狀況。n8n 扮演的角色不只是傳遞，還要確保流程的健壯性：

六、理論應用：AI 自動回覆系統的三層結構

1. 輸入層（Input Layer）：Webhook 或表單收集資料
2. 智能層（Intelligence Layer）：Dify 的 LLM 模型處理輸入並生成回答
3. 輸出層（Output Layer）：n8n 回傳資料、觸發通知或寄送郵件

這樣的架構可以被應用在：

• 客服自動回覆（Email / LINE）
• 學習助理問答系統
• 表單智能回覆
• Chatbot API 後端