n8n 实战：把 AI Agent 嵌入自动化邮件工作流

摘要：n8n 的核心身份是通用工作流自动化平台，LLM 只是流程中的一个或多个处理节点。

---

一、节点与工作流：n8n 的两个基本概念

n8n 的世界由节点和工作流组成。节点是执行具体操作的最小单元，分为触发节点和常规节点；工作流则定义了数据从触发节点开始，如何在节点之间传递、处理，并最终完成任务的路径。

n8n 的强项在于“连接”。它可以把原本孤立的 CRM、社交媒体、数据库和 LLM 串联起来，实现过去需要复杂编码才能完成的端到端业务流程自动化。

二、案例目标：构建智能邮件助手

本节要构建的 Agent 不再是线性流程，而是通过 AI Agent 节点自主理解用户邮件意图，并在多个工具中决策和选择，最终自动生成并发送高度相关的回复。

整个搭建过程分为两个核心步骤：先准备 Agent 的“记忆”，再构建 Agent 主体。

三、构建 Agent 的私有知识库

为了让 Agent 能回答关于个人信息或项目文档的问题，需要先用 Simple Vector Store 节点构建一个内存向量知识库。

1. 定义知识源

使用 Code 节点存放原始知识文本。如下JavaScript：

return [
  {
    "doc_id": "work-schedule-001",
    "content": "我的工作时间是周一至周五，上午9点到下午5点。时区是澳大利亚东部标准时间（AEST）。"
  },
  {
    "doc_id": "off-hours-policy-001",
    "content": "在非工作时间（包括周末和公共假期），我无法立即回复邮件。"
  },
  {
    "doc_id": "auto-reply-instruction-001",
    "content": "如果邮件是在非工作时间收到的，AI助手应该告知发件人，邮件已收到，我会在下一个工作日的9点到5点之间尽快处理并回复。"
  }
];

2. 文本向量化

计算机无法直接理解文本，需要使用 Embeddings 节点把文本转换为向量。本案例使用 Embeddings Google Gemini，模型为 gemini-embedding-exp-03-07。

3. 存入向量存储

最后把向量化知识存入内存数据库，设置 Operation Mode 为 Insert Documents，并为知识库命名 my-dailytime。

完成配置后手动执行一次，知识就加载到 n8n 内存中。

Agent 查询知识库时，会根据问题与知识片段向量之间的余弦相似度进行检索：

$$\text{score}(q,d)=\cos (\vec{q},\vec{d})=\frac{\vec{q}\cdot \vec{d}}{\Vert \vec{q}\Vert \Vert \vec{d}\Vert }$$

四、创建 Agent 主工作流

1. 配置 Gmail 触发器

新建工作流 Agent: Customer Support，使用 Gmail 节点作为触发器，Event 设置为 Message Received。每当新邮件进入收件箱时，工作流自动触发。

2. 配置 AI Agent 节点

AI Agent 节点是整个工作流的大脑，连接 Chat Model、Memory 和 Tools。本案例连接 Google Gemini Chat Model、Simple Memory、SerpAPI 和 Simple Vector Store。

AI Agent 的思考决策可以表示为一个循环：

如下 Prompt：

# Prompt (User Message)
# 上下文信息
- 当前时间: {{ new Date().toLocaleString('en-AU', { timeZone: 'Australia/Sydney', hour12: false }) }} (澳大利亚悉尼时间)
- 发件人: {{ $json.From }}
- 主题: {{ $json.Subject }}
- 邮件正文: {{ $json.snippet }}

# System Message
# 角色和目标
你是一个全天候待命、专业高效的AI邮件助手。你的任务是：第一时间使用公开信息尽力回答所有邮件中的问题，并根据我的工作日程，在回复的开头附加上下文状态提醒。

# 上下文信息
- 当前时间: {{ new Date().toLocaleString('en-AU', { timeZone: 'Australia/Sydney', hour12: false }) }} (澳大利亚悉尼时间)
- 邮件信息在输入数据中。

# 可用工具
- Simple Vector Store2: 用来查询我准确的工作时间（例如：周一至周五，上午9点到下午5点）。
- SerpAPI: **[主要信息来源]** 优先使用此工具在互联网上搜索，以回答邮件中的具体问题。

# 执行步骤
1.  **分析问题**: 首先，仔细阅读邮件内容，提炼出发件人的核心问题。

2.  **并行信息搜集**: 同时执行以下两个操作来收集信息：
    a. 使用 `SerpAPI` 工具，上网搜索出发件人问题的答案。
    b. 使用 `Simple Vector Store2` 工具，获取我设定的准确工作时间。

3.  **草拟核心回复**: 根据 `SerpAPI` 搜集到的信息，清晰、直接地回答发件人的问题，这部分将作为邮件回复的主体。

4.  **添加状态前缀并整合**:
    a. 对比“当前时间”和我从工具中获取的工作时间。
    b. **如果当前是“非工作时间”**: 创建一段状态提醒前缀。这段前缀**必须包含**从 `Simple Vector Store2` 获取到的具体工作时间。
        * **前缀示例**: "您好，感谢您的来信。您已在我的非工作时间联系我（我的工作时间为：[此处插入查询到的工作时间]）。我会在下一个工作日亲自审阅此邮件。与此同时，这是根据公开信息为您找到的初步答复：**<br><br>---<br><br>**"
    c. **如果当前是“工作时间”**: 只需使用简单的问候语即可。
        * **前缀示例**: "您好，关于您提出的问题，答复如下：**<br><br>---<br><br>**"
    d. 将生成的前缀和你草拟的核心回复（第3步的结果）拼接在一起，形成最终的邮件正文。

5.  **格式化输出**: 你必须将最终生成的邮件内容以一个严格的 JSON 格式输出。格式如下，不要添加任何额外的解释或文字：
    {
      "shouldReply": true,
      "subject": "Re: [原始邮件主题]",
      "body": "[这里是拼接好的、完整的邮件回复正文，**所有换行必须使用HTML的<br>标签**]"
    }

# 规则和限制
- **永远优先尝试回答**: 无论何时，你的首要任务是使用 `SerpAPI` 为用户提供有价值的回复。
- **必须声明状态**: 如果在非工作时间回复，必须在邮件开头明确声明，并附上我准确的工作时间。
- **信息来源要准确**: 工作时间必须严格以 `Simple Vector Store2` 的结果为准；问题答案主要来源于 `SerpAPI`，不要编造信息。
- **输出格式**: **在最终输出的JSON中，`body`字段内的所有换行都必须使用 `<br>` 标签，而不是 `\n`。**

3. 配置 Agent 的工具

Simple Vector Store 工具需要设置为 Retrieve Documents (As Tool for AI Agent)，Memory Key 和 Embeddings 模型必须与知识库准备阶段完全一致。

工具描述也需要清晰定义：

这是Simple Vector Store2工具，用来查询我的个人信息，特别是我的工作时间和邮件回复策略。当需要判断当前是否为工作时间，或者需要告知对方我何时会回复邮件时，必须使用此工具。

Memory 节点使用每个邮箱的线程名作为唯一标识：

{{ $('Gmail').item.json.threadId }}

4. 发送最终回复

最后把 AI Agent 的输出连接到 Gmail 节点，Operation 设为 Send，并关联收件人、主题和正文。

• To: {{ $('Gmail').item.json.From }}
• Subject: Re: {{ $('Gmail').item.json.Subject }}
• Message: {{ $json.output }}

五、n8n 的优势与局限

n8n 特别适合把 AI 能力嵌入现有业务流程。但生产环境中需要把 Simple Memory 和 Simple Vector Store 替换为 Redis、Pinecone 等持久化存储，同时注意复杂工作流的调试、版本控制和超高并发性能。

---

下一篇将把四个平台放在一起对比，整理平台选型建议和混合开发策略。