[EP-16] n8n 上的各種 AI 節點功能介紹
本文介紹 n8n 上各種 AI 節點，大略地介紹了AI 模版、AI 代理人、資訊抽取器、問答鏈、情感分析等等節點。文章非常長，慎入。
上次在 EP-14 電子報，我們已經設定了讓公司信件轉寄到 Gmail ，讓 n8n 每日執行來自 Gmail 帶有公司標籤的信件，如果是與長官或同事交辦事項有關，就送到 Notion 。其他的信件則送到 AI 節點做進一步的辨識。
這些 AI 節點，主要是使用 OpenAI、DeepSeek、xAI、Anthropic、Google、Meta 等公司發佈的大型語言模型（LLMs）。
語言模型的功能，目前有下列這幾種，這些功能我們都能運用在 n8n 平台上。
文字處理與生成
輸入與輸出：接受文字輸入（如問題、指令、對話），生成自然語言回應，比如回答問題、撰寫文章、翻譯語言、總結內容等。
對話能力：能進行多輪對話，記住上下文，模擬不同語氣或角色（如專業、幽默、友好）。
程式碼生成：可以生成、解釋或除錯程式碼，支援多種程式語言（如Python、JavaScript等）。
圖像處理與生成
圖像分析：部分模型能分析用戶上傳的圖片，描述內容、識別物體、文字或情緒。
圖像生成：根據文字描述生成圖片（如DALL·E或Midjourney）。
圖像編輯：對之前生成的圖像進行修改（如調整顏色、添加元素）。
聲音處理與生成
語音輸入：一些模型能接受語音訊息，轉錄成文字後處理。
語音生成：將文字轉為語音，模擬自然聲音，甚至模仿特定語調或口音。
聲音分析：辨識語音中的情感、語調或語速。
多模態能力
跨模態轉換：例如，將圖片描述成文字，或根據聲音內容生成圖像，甚至從文字生成音頻故事。
綜合理解：同時處理文字、圖像、聲音等多種輸入，並給出整合的回應。
如何在 n8n 上添加 AI 節點？
在 n8n 介面上按 + 符號，可以看到 Advanced AI 的選項，點擊 Advanced AI 之後，有下列這幾種選擇：
AI 模版（AI Templates）
AI 代理人（AI Agent）
OpenAI
基礎大型語言模型鏈（Basic LLM Chain）
資訊抽取器（Information Extractor）
問答鏈（Question and Answer Chain）
情感分析（Sentiment Analysis）
總結鏈（Summarization Chain）
文本分類（Text Classifier）
其他 AI 節點（Other AI Nodes）
1. AI 模版（AI Templates）
AI 模版是由眾多網友分享的，點擊後會開啟新視窗，如下圖。
這裡的模版也不只是 AI 模版，而是提供使用者分享他們創作的模版。我很建議新手從模版開始著手，不建議自己手刻。我們可以在這裡尋找一些可用的想法。如果看到適合的模版，大部分都是可以免費使用。
2. AI 代理人（AI Agent）
AI 代理人應該是功能最強大的節點，因此我們必須花最多篇幅說明。
點擊 AI 代理人創建新節點之後，會看到底下的畫面。
AI Agent 有各種變化型態，在第一個欄位有下拉選單可以選擇，
(1) 工具代理人（Tools Agent）
功能：
結合 LangChain 框架，讓工作流程能夠動態調用多種工具（如 API、資料庫、n8n 工作流）來自動完成複雜任務。
不支援上下文記憶，節點中的 Memory 子節點比較像是提供臨時的記憶，與聊天機器人多次對話的記憶情境不同。
適用情境：
適用於需要自動化且具智慧化決策的情境，例如自動生成報告、資料分析、跨平台資料整合、客服回應、或需多步驟決策的業務流程。
(2) 對話代理人（Conversational Agent）
功能：
支援人性化對話，能理解用戶意圖並保持對話上下文。
適用情境：
適用於需要智能客服、對話式自動化、虛擬助理、或任何需要自然語言互動的應用場景，例如客服機器人、銷售助理、或內部知識問答系統。
(3) OpenAI 功能代理人（OpenAI Functions Agent）
功能：
專為 OpenAI Functions 模型設計，適用於複雜的自然語言理解與生成任務。
適用情境：
適用於需要利用 OpenAI 模型進行複雜資料處理、語言生成、客製化對話體驗、或自動化決策的應用，例如智能客服、內容生成、數據分析報告、或語意分析工具。
(4) 計畫執行代理人（Plan and Execute Agent）
功能：
用於自動規劃並執行多步驟任務。它會先制定計劃，再逐步執行，並根據結果調整後續步驟，以達到高效且智慧化的工作流程管理。
適用情境：
適用於需要多階段決策和動態調整的任務，例如自動化專案管理、複雜工作流排程、策略規劃與執行、或需要即時反饋與調整的業務流程。
(5) 推理與行動代理人（ReAct Agent）
功能：
以推理與行動 (Reason + Act) 的方式進行決策。它能夠根據上下文推理並選擇適當的動作或工具來完成任務，提升任務執行的智慧化和自動化程度。
適用情境：
適用於需要動態決策和複雜推理的應用，例如智能客服、跨系統操作協調、自動化數據處理或策略性決策支持。
(6) SQL資料庫代理人（SQL Agent）
功能：
與 SQL 資料庫互動，能將自然語言轉換為 SQL 查詢，並以易於理解的格式顯示結果。
適用情境：
自然語言查詢生成：例如自動化報表生成、數據分析。
資料洞察提取：從結構化數據中獲取分析結果。
小提示：
Tools Agent 與 OpenAI Functions Agent 的差異在於，Tools Agent 更側重於整合外部工具，而 OpenAI Functions Agent 更適用於自然語言處理與生成。
Conversational Agent 是唯一支援記憶且具備工具整合的選項，因此特別適合用於虛擬助理與聊天機器人。
ReAct Agent 與 Plan and Execute Agent 的差異在於，前者具備動態反應能力，而後者則更注重結構化執行。
3. OpenAI
功能：OpenAI 提供不同模型，主要有底下幾種模式，
助理（Assistant）
文本（Text）
圖像（Image）
音訊（Audio）
檔案（File）
客製化 API （Custom API Call）
用起來其實跟 AI Agent 差不多，只不過這個節點是專門為了 OpenAI 設計的，結合了 LangChain 框架和 OpenAI API，讓工作流程能夠進行自然語言處理、文本生成、資料分析、以及其他 AI 驅動的任務。它支援 GPT 模型，可用於各種語言任務，包括自動回覆、內容生成和語意分析。
適用情境：
適用於需要高度自動化且智能化的應用場景，如客服自動化、行銷內容生成、報告撰寫、數據洞察分析、或語言翻譯工具。
4. 基礎大型語言模型鏈（Basic LLM Chain）
功能：相對來說比較陽春，也沒有記憶功能
適用情境：單純只是需要單次對話的場景。
5. 資訊抽取器（Information Extractor）
功能：根據用戶定義的模板或提示，從文本中提取關鍵資料（如姓名、日期、數字），並且將提取結果轉為 JSON 等結構化格式，便於後續處理。
適用情境：
電子郵件處理：從客戶寄來的詢問郵件中提取訂單號、產品名稱和送貨地址。
社交媒體分析：從 X 貼文中提取用戶提到的品牌名稱、情感傾向或事件時間。
報告自動化：從 PDF 報告中提取關鍵統計資料。
6. 問答鏈（Question and Answer Chain）
功能：結合檢索器（Retriever）和大型語言模型（LLM），從給定的資料中提取相關內容並生成答案。
適用情境：
知識庫查詢：從公司文件、手冊或 FAQ 中回答具體問題，例如「我們的退貨政策是什麼？」
客戶支援自動化：根據內部資料快速回應客戶詢問，如「產品規格有哪些？」
研究與分析：從大量文檔中提取答案，適合學術或商業情報需求。
在問答鏈節點設定底下有一個檢索器（Retriever），如上圖。點下去有數種檢索器可供選擇：
(1) 向量資料庫檢索器（Vector Database Retriever）
功能：利用向量資料庫進行相似度搜尋，從大量未結構化資料中找到與查詢最相關的內容。
適用情境：擁有大量文本資料（如文件、文章）且需要根據語意相似度進行高效檢索時，適合使用此檢索器。
(2) 文件檢索器（Document Retriever）
功能：從預先定義的文件集合中檢索相關資訊，通常使用關鍵字匹配或其他傳統搜尋技術。
適用情境：擁有一組已知的文件，且需要根據使用者查詢從中提取相關段落或資訊時。
(3) 知識庫檢索器（Knowledge Base Retriever）
功能：從結構化的知識庫中檢索答案，通常包含 FAQ 形式的資料。
適用情境：適合用於客服系統或常見問題解答，能快速從知識庫中找到精確答案。
(4) 網路檢索器（Web Retriever）
功能：即時從網路上搜尋資訊，獲取最新的資料。
適用情境：當需要查詢最新事件、新聞或動態資訊時，使用此檢索器可以獲得即時結果。
(5) 資料庫檢索器（Database Retriever）
功能：從結構化資料庫中檢索資料，通常使用SQL查詢。
適用情境：當需要從關聯式資料庫中提取特定資訊時，此檢索器非常適合。
7. 情感分析（Sentiment Analysis）
功能：分析傳入文本的情感，例如讓 AI 判斷文本是正面（Positive）、中立（Neutral）、負面 （Negative）。語言模型的溫度要設置為 0 ，確保每次的產出都很穩定。
適用情境：
客戶反饋分析：判斷產品評論或支持票的情感傾向。
社交媒體監控：分析 Threads 貼文或留言的情緒，如品牌聲譽評估。
市場研究：從問卷或訪談中快速識別情感趨勢。
自動化決策：根據情感結果觸發後續動作，如負面反饋提醒客服。
8. 總結鏈（Summarization Chain）
功能：匯總多個文檔，生成簡潔的摘要。
適用情境：
文件摘要：快速總結報告、文章或會議記錄。
新聞監控：從多篇新聞中提取核心內容。
總結鏈另外還分成了不同總結方式，提供三種選項：
(1) Map Reduce
功能：先進行個別段落或片段的摘要（Map），再將所有摘要進行合併與精煉（Reduce）。
適用情境：長篇文章或大型資料集，如技術文件、報告、或多段落內容的總結。
(2) Refine
功能：先生成初步摘要，並在每次新段落加入時進行進一步的精煉。
適用情境：需要在多段內容之間保持連續性和上下文一致性的場合。例如即時會議紀錄或逐步收集的資料總結。
(3) Stuff
功能：將所有內容集中後，一次性進行總結。
適用情境：短篇文章或小型資料集：如簡短的報告、單篇文章、或字數較少的內容。
9. 文本分類（Text Classifier）
功能：顧名思義就是依據文意分類，類別可自行定義。
適用情境：
垃圾郵件過濾：識別電子郵件或訊息是否為垃圾內容。
情感分類：將客戶評論分類為正面或負面（比情感分析更直接）。
內容標籤：為文章或貼文自動標記主題（如科技、健康）。
工作流路由：根據文本類別觸發不同後續動作，如將負面反饋轉給客服。
文本分類節點另外有數個選項可以設定，
(1) 允許多個類別為真（Allow Multiple Classes To Be True）
功能：決定每個項目只能單選（關閉），還是可以多選（開啟）。
適用情境： 當內容可能同時符合多個類別（如多標籤分類）時，建議開啟。
(2) 當無明確匹配時（When No Clear Match）
功能：定義模型無法明確分類時的處理方式，有兩個選項：
丟棄項目（Discard Item）：預設選項。
輸出到「Other」分支（Output on Extra, 'Other' Branch）：將無法分類的項目輸出到額外的分支，方便後續處理或檢查。
適用情境： 若希望追蹤無法分類的項目，建議使用 "Other" Branch。
(3) 系統提示詞模板（System Prompt Template）
功能：自定義分類過程中的提示詞，以影響模型對內容的理解和分類方式。
適用情境： 當需要針對特定情境或語境進行分類時，可自定義提示詞以提高分類準確性。
(4) 啟用自動修復（Enable Auto-Fixing）
功能：開啟後，當模型輸出的格式不符合預期時，節點會自動修復輸出格式。
適用情境： 當輸出格式需嚴格符合特定要求，或想減少格式錯誤時，建議開啟。
10. 其他 AI 節點（Other AI Nodes）
上述的節點已經可以應付大部分的需求了，但是還有一些少部分的情況，需要使用下面的節點。
(1) 文件加載器（Document Loaders）
負責將文件（例如 PDF、Word 文檔、純文本等）加載到系統中，以便進一步處理或分析。一共有兩種
預設資料加載器（Default Data Loader）
功能：這個選項用於從工作流程中的前一個步驟（previous step）加載資料。它適用於在工作流程內部傳遞和處理已經存在的資料或文件，不需要從外部來源獲取新資料。
適用場景：如果你在前一個步驟已經生成或接收了資料（例如文本、文件內容或結構化資料），這個加載器可以直接使用這些資料作為輸入，繼續後續的處理。
GitHub 文檔加載器（GitHub Document Loader）
功能：這個選項專門用於從 GitHub 平台加載資料或文檔，並將其作為工作流程鏈（chain）的輸入。GitHub 數據可能包括代碼庫、README 文件、問題（issues）、拉取請求（pull requests）或其他與 GitHub 倉庫相關的內容。
適用場景：從 GitHub 倉庫中提取特定文件或資料（例如分析代碼、檢查文檔或整合 GitHub 活動）。
(2) 語言模型（Language Models）
例如用於文本生成、翻譯、問答或語義分析的模型。常見的例子包括基於大規模語言模型的技術，如用於聊天機器人或內容創建的系統。點擊下去有 OpenAI 、 Anthropic 、 Hugging Face 、 Ollama 等語言模型可供選擇。
(3) 記憶（Memory）
管理訊息儲存和檢索的組件，特別是在執行任務或流程時使用。記憶模組可能會記錄上下文、歷史資料或臨時訊息，以便系統能夠在不同步驟之間保持連貫性或進行參考。點擊下去有 Motorhead 、 Postgres 、 Redis 、 Xata 等資料庫儲存方式。 ****
(4) 輸出解析器（Output Parsers）
這是用來確保系統輸出的工具，會將結果格式化或轉換為特定結構或格式。例如，它可以將原始的 AI 輸出整理成表格、JSON 或其他可讀格式，以滿足特定需求。有三種選項：
自動修正輸出解析器（Auto-fixing Output Parser）
功能：這個選項會自動檢測輸出的格式，如果發現不符合預定義的正確格式，會嘗試自動修正或調整輸出。
適用場景：適合用於需要穩定輸出格式的場景，尤其是當上游節點（例如語言模型）可能生成不一致或錯誤格式的資料時。這個解析器可以幫助確保輸出符合期望的結構，減少手動干預。
項目列表輸出解析器（Item List Output Parser）
功能：將結果返回為單獨的項目列表（separate items）。通常以列表或陣列的形式呈現，方便後續處理或迭代。
適用場景：適合需要將資料分拆為多個獨立部分的情況，例如處理多行文本、列表資料或需要逐項操作的結果。這在工作流程中便於與其他節點（如迭代器）集成。
結構化輸出解析器（Structured Output Parser）
功能：將資料返回為定義的 JSON 格式。
適用場景：適合需要以標準化、可機讀格式傳遞資料的場景，例如與 API 交互、資料分析或生成結構化報表。
(5) 檢索器（Retrievers）
用於從資料來源中獲取相關訊息的工具。檢索器可能會搜索資料庫、文件庫或外部資源，找到與當前任務相關的內容。
上下文壓縮檢索器（Contextual Compression Retriever）
功能：通過上下文壓縮技術增強文檔相似性搜索。能夠優化搜索過程，壓縮或過濾不相關的內容，確保返回的結果與查詢的上下文更相關。
適用場景：適合需要從大型文檔集或資料庫中檢索訊息時使用，特別是在自然語言處理或 AI 應用中，需要更精確地匹配查詢與文檔內容的情況。
多查詢檢索器（MultiQuery Retriever）
功能：自動生成多樣化的查詢，它會根據單一查詢生成多個變體或相關查詢，從而覆蓋更廣泛的潛在結果，提高檢索的全面性和準確性。
適用場景：適合需要全面搜索或從多個角度檢索資料的場景，例如在知識庫或文檔庫中查找可能分散的訊息。
向量儲存檢索器（Vector Store Retriever）
功能：使用向量儲存（Vector Store）作為檢索工具，用於高效搜索和匹配相似內容。
適用場景：適合需要基於語義相似性搜索的場景，例如在 AI 應用中檢索與查詢語義相關的文檔或資料。需要與向量數據庫（如 Pinecone、Weaviate 或 FAISS）搭配。
工作流程檢索器（Workflow Retriever）
功能：使用 n8n 的工作流程作為檢索工具，它會利用現有的 n8n 工作流程邏輯來檢索資料。
適用場景：例如從之前的工作流程步驟或外部 API 中提取訊息。
(6) 文本分割器（Text Splitters）
用來將大段文本拆分成較小部分的工具。這種功能在處理長文件或大數據時非常有用，因為它可以使文本更易於分析、管理或傳遞給語言模型。
字符文本分割器（Character Text Splitter）
功能：根據字符數量將文本分割成塊（chunks）。這意味著它會按照指定的字符數（例如每 1000 個字符）將文本切分為多個部分。
適用場景：適合需要簡單、直接分割文本的場景，例如將長文檔按固定長度切分，特別是當文本結構簡單或不需要考慮語義時。
遞歸字符文本分割器（Recursive Character Text Splitter）
功能：通過遞歸的方式根據字符數量將文本分割成塊，並針對大多數使用場景推薦使用。它會嘗試按層次結構（例如段落、句子或單詞）逐步分割文本，直到達到指定的字符數限制，這樣可以保留更多的上下文和結構完整性。
適用場景：適合大多數文本處理場景，尤其是需要保留文本語義和結構的情況，例如 AI 模型輸入、長文檔分析或需要避免單詞中斷的場景。因為它是“推薦用於大多數使用場景”的，所以通常是預設或最常用的選擇。
標記分割器（Token Splitter）
功能：根據標記（tokens）將文本分割成塊。標記通常是語言模型或分詞器識別的基本單位（例如單詞、標點符號或子詞），而不是簡單的字符數。也就是說，分割會考慮文本的語義和語言結構，而不是僅依賴字符數。
適用場景：適合需要與語言模型或自然語言處理（NLP）工具集成的場景，例如將文本準備為 AI 模型的輸入（因為許多模型輸入限制是以標記為單位）。這在處理多語言文本或需要精確控制語義分割時非常有用。
(7) 工具（Tools）
提供各種功能的實用模組，可能包括資料處理、格式轉換、API 集成或其他特定任務的工具，用於增強工作流程的靈活性。點擊下去有各家廠商的工具， 底下只介紹最常用的：
調用 n8n 工作流程工具（Call n8n Workflow Tool）
功能：將現有的 n8n 節點或工作流程封裝為一個工具，允許你將其作為單獨的工具在工作流程中使用。
適用場景：適合需要重用或封裝現有 n8n 工作流程的場景，例如在多個工作流程中重複使用相同的邏輯或功能。
代碼工具（Code Tool）
功能：允許你使用 JavaScript 或 Python 撰寫自定義工具。
適用場景：適合需要高度自定義或無法通過現有 n8n 節點實現的場景。
HTTP 請求工具（HTTP Request Tool）
功能：發送 HTTP 請求並返回資料，可以與外部 API 或網站通訊，獲取資料、發送資料或執行其他基於 HTTP 的操作。
適用場景：適合需要與外部服務或 API 集成的場景，例如從 REST API 獲取資料、發送 POST 請求或檢查網站狀態。
(8) Embeddings（嵌入）
嵌入是一種將文本（如單詞、句子或段落）轉換為數學向量（通常是多維數組）的技術，這些向量可以捕捉文本的語義和語境，常用於自然語言處理（NLP）和機器學習模型。
(9) 向量儲存（Vector Stores）
提供向量資料庫，通常與嵌入（Embeddings）一起使用，以實現基於語義的搜索或資料檢索。包括 Pinecone、Postgres、Qdrant 等。
(10) Miscellaneous（雜項）
其他與 AI 相關的節點，包含各種不屬於上述類別的 AI 功能或工具。包含下列三種：
OpenAI
前面介紹過了，不贅述。
聊天記憶管理器（Chat Memory Manager）
功能：管理聊天消息的記憶，並在工作流程中使用。這意味著它可以儲存、檢索和處理聊天歷史或會話資料，確保上下文在工作流程中保持連貫。
適用場景：適合需要跟踪會話歷史或上下文的場景，例如聊天機器人。
LangChain 程式碼（LangChain Code）
功能：上述這些節點都是基於 LangChain 框架，如果要客製化可以用這個節點。
適用場景：適合需要自定義 AI 邏輯的場景，例如將多個 AI 模型（如 OpenAI、嵌入模型）串聯起來，實現問答系統、文件摘要或代理式 AI 應用。
Thx.
很詳細，謝謝分享