n8n中最被低估的功能是AI Agent节点。它能把静态工作流（“当X发生时，执行Y”）变得更加灵活：AI模型会根据具体情况决定采取哪些操作。
本文将端到端构建一个真正可运行的智能体：这个潜在客户分流系统会接收新线索、补充相关信息、进行评分、起草个性化回复，并将线索转交到合适的环节。读完后，你既能理解n8n智能体的运行机制，也能掌握区分实用智能体与脆弱演示的设计模式。
本文假设你已安装n8n（在服务器上自托管或使用n8n.cloud），并拥有可用的Claude或OpenAI API密钥。如果你刚开始接触n8n，请先完成其基础教程。
不要让第一个版本自动向真实潜在客户发送回复。在你具备日志、幂等性、评分阈值，并审核过足够多次运行、确认工作流能够应对混乱输入之前，请将草稿交由人工审核。
我们要构建什么
工作流如下：
- 新的潜在客户通过webhook进入（可能来自表单、活动或CRM等）。
- 智能体使用网页搜索补充该客户的公司信息。
- 智能体从三个维度为客户评分：匹配度、意向和紧迫度。
- 智能体起草个性化回复。
- 根据评分，智能体会：
- 对置信度高且匹配度高的潜在客户自动回复并创建CRM记录；
- 对中等评分的潜在客户起草回复供人工审核，并发送Slack通知；
- 或者对匹配度低的潜在客户仅做记录和通知，不予回复。
这种模式可以推广到其他场景。将“潜在客户分流”替换为“支持工单分流”“候选人筛选”“媒体问询处理”或“客户反馈转交”，其结构完全相同。
本文链接的配套JSON schema定义了接收数据的payload。请先用它验证webhook输入，再让AI Agent节点接收数据。
添加智能体前置验证关卡
webhook不应将任意表单数据直接传给智能体。请在触发器与智能体之间添加验证步骤：
| 字段 | 规则 | 失败时的处理方式 |
|---|---|---|
email | 必填、有效的电子邮箱、规范化为小写 | 拒绝并通知负责人 |
message | 必填、非空、限制最大长度 | 拒绝或转交人工审核 |
source | 必填枚举，例如website-form、event、crm | 拒绝未知来源 |
timestamp | 必填ISO时间戳，或由webhook生成 | 使用接收时间并添加标记 |
lead_id | 必填的稳定ID，或生成的幂等键 | 处理前去重 |
这个关卡可以保护工作流免受格式错误的提交、webhook重复重试，以及隐藏在表单字段中的提示词注入内容影响。智能体仍然可以读取消息，但由工作流决定记录是否足够有效、可以处理。
思维模型：智能体 = LLM + 工具 + 循环
开始构建前，先了解这个概念。
2026年所说的“智能体”，是指能够使用工具的LLM。模型不只生成一次回复，还会决定调用哪些操作（称为“工具”）。每次工具返回结果后，模型会看到结果并决定下一步做什么——调用另一个工具、执行另一个步骤，或给出最终答案。
n8n的AI Agent节点实现了这个循环。你需要为模型提供：
- 系统提示词（对其行为和角色的说明）。
- 用户提示词（本次运行的输入）。
- 一组工具（模型可以调用的其他n8n节点或子工作流）。
模型决定调用哪些工具、按什么顺序调用，以及使用什么参数。每个工具返回后，模型会重新判断。当模型认为任务已经完成时，就会返回最终答案。
这与静态工作流存在根本区别，因为步骤的顺序由模型而不是由你决定。设计智能体的关键在于：
- 为模型提供合适的工具（不能太少，也不能太多）。
- 编写限定其行为范围的系统提示词。
- 添加护栏，防止智能体偏离正轨。
- 设计输出，让下游节点能够可靠使用。
第1步：触发器
打开n8n并创建一个新工作流。触发器配置如下：
- 节点： Webhook
- HTTP方法： POST
- 响应模式： “When last node finishes”
- 路径： 例如
/lead-triage
这个webhook将接收潜在客户提交的数据。n8n会提供一个URL，你可以将其配置为表单提交或CRM出站webhook的目标地址。
测试时，先保存一次工作流，让webhook URL生效，并准备一个示例payload。典型的潜在客户webhook payload可能如下：
{
"name": "Anna Lehtinen",
"email": "anna@somecompany.fi",
"company": "Some Company OÜ",
"role": "市场营销负责人",
"message": "我对贵公司的AI咨询服务感兴趣。我们有一支10人的团队，需要提示词工程培训方面的帮助。",
"source": "website-form",
"timestamp": "2026-05-15T14:30:00Z"
}
点击“Test step”并提交测试payload，即可查看数据流入工作流。
第2步：AI Agent节点
在webhook后添加一个AI Agent节点。配置如下：
- 智能体类型： Conversational（在较新版本中也可能称为“Tools Agent”——请选择支持工具调用的类型）。
- 聊天模型： Claude（Anthropic）或OpenAI。对于智能体工作流，Claude Sonnet 4.5或GPT-5是不错的默认选择。推理模型也可以使用，但执行智能体循环时速度更慢。
- 记忆： 对无状态分流设为None（每个潜在客户互相独立）。对于多轮智能体对话，请使用记忆节点。
- 系统消息： 智能体的行为在这里定义。使用下面的模板。
- 用户消息： 从webhook中提取潜在客户数据。
系统消息：
你是[Your Company Name]的潜在客户分流智能体，该公司是一家AI咨询公司。
你的任务是处理收到的潜在客户，并生成结构化的分流决策。
对于每位潜在客户，你必须：
1. 使用`enrich_lead`工具收集该公司的背景信息。
2. 从三个维度为潜在客户评分：
- 匹配度：潜在客户是否符合我们的理想客户画像？
- 从事B2B、制造业或专业服务，规模为10-200人的公司。
- 职位属于市场营销、运营、工程管理层或高管。
- 意向：这次问询有多认真？
- “只是好奇”与“正在积极评估”与“准备购买”。
- 紧迫度：是否明确或暗示了时间要求？
3. 使用`score_lead`工具记录评分。
4. 使用`draft_response`工具生成个性化回复。
5. 使用`route_lead`工具，并从以下选项中选择一个："auto_reply"、"human_review"、"log_only"。
路由规则：
- 如果匹配度 >= 7/10且意向 >= 7/10，则选择"auto_reply"。回复将自动发送。
- 如果匹配度 >= 5/10或意向 >= 5/10，则选择"human_review"。发送前将由人工检查。
- 如果匹配度 < 5/10且意向 < 5/10，则选择"log_only"。我们只做跟踪，然后继续处理其他工作。
切勿编造信息。如果某项信息不明确，请在评分理由中标记[unclear]。
最后必须返回一个JSON对象：
{
"fit_score": <1-10>,
"intent_score": <1-10>,
"urgency_score": <1-10>,
"reasoning": "<2-3 sentences>",
"drafted_response": "<the email body>",
"routing": "<auto_reply|human_review|log_only>"
}
请留意其中的结构。我们提供了：
- 清晰的任务说明。
- 明确的流程（第1–5步）。
- 明确的评分标准。
- 明确的路由逻辑。
- 必须遵守的输出格式。
智能体不一定每次都能完美遵循。但系统消息越具体，它每次执行相同流程结构的可靠性就越高。
仅有JSON对象还不够。请在AI Agent节点后添加验证步骤；如果缺少评分、路由值不在允许的枚举范围内，或回复草稿为空，则拒绝该次运行。
第3步：工具
智能体需要可以调用的工具。在n8n中，工具在AI Agent节点下配置，可以是：
- 子工作流。
- HTTP请求。
- 内置工具节点。
下面为智能体构建四个工具。
工具1：enrich_lead
创建一个子工作流：
- 接收公司名称和电子邮箱域名作为输入。
- 使用HTTP节点调用网页搜索API（Perplexity、Serper、Brave Search、Tavily），搜索该公司。
- 返回3句话的摘要：公司业务、粗略规模，以及近期值得关注的新闻。
工具描述（智能体会读取它，以决定何时调用该工具）：
通过查询公司信息来补充潜在客户资料。输入：公司名称和电子邮箱域名。输出：简要说明公司业务、粗略规模，以及近期值得关注的背景信息。
工具2：score_lead
这是一个简单的工具，接收智能体给出的评分并写入某处。可以写入：
- Google Sheets中的一行。
- 数据库中的一条记录。
- CRM API。
测试时，最简单的方式是追加到Google Sheets。工具描述如下：
记录潜在客户评分。输入：fit_score、intent_score、urgency_score、reasoning。输出：确认信息。
工具3：draft_response
创建一个子工作流，接收潜在客户背景信息和评分，并生成个性化电子邮件草稿。这个子工作流会在内部调用另一个AI节点，并使用专门的起草提示词：
为B2B问询起草个性化回复。输入：潜在客户的原始消息、公司信息补充摘要，以及匹配度/意向/紧迫度评分。
语气：热情、直接，不使用空洞的企业套话。回应客户的具体需求。引用公司信息补充中的某项内容（不要泛泛而谈）。最后给出明确的下一步（例如，“下周抽15分钟聊聊方便吗？”）。
长度：80–120字。
工具描述如下：
为潜在客户起草个性化电子邮件回复。输入：潜在客户消息、信息补充摘要和评分。输出：电子邮件草稿。
工具4：route_lead
最后执行路由操作。根据路由参数，这个工具会：
- 发送电子邮件并创建CRM记录（auto_reply）。
- 保存草稿并发送Slack通知（human_review）。
- 仅记录并创建CRM记录（log_only）。
该工具通过一个子工作流实现，其中的switch节点会根据参数将任务分配到三个不同分支。
工具描述如下：
根据分流决策转交潜在客户。输入：路由决策（“auto_reply”、“human_review”、“log_only”）和回复草稿。输出：确认信息。
第4步：测试智能体
完成智能体配置并连接四个工具后，使用示例payload进行测试。
你应该会在n8n的执行视图中看到：
- Webhook接收payload。
- AI Agent启动。
- 智能体调用
enrich_lead——你可以看到工具执行并返回结果。 - 智能体选择下一步（能否看到中间轨迹取决于模型和设置）。
- 智能体调用
score_lead。 - 智能体调用
draft_response。 - 智能体调用
route_lead，并传入三个路由选项之一。 - 智能体返回最终JSON。
如果出现问题，n8n的调试面板会显示智能体与工具之间的消息。最常见的问题包括：
- 工具描述不够具体。 模型无法推断工具适用的时机。请让描述更加具体。
- 工具输入/输出schema不匹配。 智能体无法传入正确的参数。请明确说明schema。
- 智能体无限循环。 它不断调用工具，无法结束。请设置最大迭代次数限制，并重新检查系统提示词。
第5步：添加护栏
未经防护的智能体不适合用于生产环境。信任它处理真实流量前，需要添加以下五项护栏：
1. 最大迭代次数。 将智能体的最大迭代次数设置为合理值（10–20）。这样可以避免失控循环，即智能体不断调用工具却始终无法完成任务。
2. auto_reply审批关卡。 即使智能体决定使用“auto_reply”，最初几周也要将其转入人工审批队列。先验证智能体的自动回复决策确实合理，再允许它不经审核直接发给客户。
3. 出站操作白名单。 配置CRM工具和电子邮件工具，使其只能操作符合预期模式的记录。这样可防止智能体将电子邮件发到错误地址，或为并非潜在客户的对象创建记录。
4. 日志记录。 记录智能体每次运行的输入、所有工具调用和最终输出。使用n8n内置执行日志，或将日志推送到专用日志服务。出现问题时，需要依靠日志进行调试。
5. 成本限制。 设置每日token预算。AI智能体可能失控——配置错误的循环可能在一次异常运行中花掉$50的API调用费用。n8n cloud内置了这项功能；如果采用自托管方式，请监控API密钥的用量。
6. 决策归属。 模型可以建议auto_reply、human_review或log_only，但最终规则应由工作流执行。将路由枚举、评分阈值和审批要求放在提示词之外，使其可测试、可见。
第6步：生产加固
下面这些模式能将可运行的原型转变为值得信赖的系统：
幂等性。 确保同一个潜在客户被处理两次时（例如webhook重试或人工重新运行），不会创建重复记录。在工作流开头添加一项检查：“这个潜在客户以前是否处理过？”
错误处理。 为每个工具调用添加错误处理。如果信息补充API出现故障，智能体不应崩溃，而应使用有限的信息继续处理，并标记缺失的数据。
可观测性。 跟踪关键指标：平均运行时间、工具调用频率，以及分配到各路径的百分比。异常就是信号。
运行审核。 对前50个真实潜在客户，逐一对照客户原始信息审核每次运行。跟踪错误的公司信息补充、错误评分、错误路由、遗漏截止时间和草稿质量不佳等问题。在这些失败模式变得少见且原因明确之前，不要放宽人工审核。
“紧急停止开关”。 提供一种无需重新部署即可关闭智能体的方法。可以使用简单的环境变量或工作流开关，让智能体首先检查其状态。当你发现生产环境中出现错误决策并希望暂停运行时，这会很有用。
最重要的设计决策：为智能体提供哪些工具
决定智能体质量的最大因素是工具集。常见的失败模式有两种：
工具太少。 智能体无法完成任务。它会尝试假装自己具备缺失的能力，通常导致幻觉。
工具太多。 智能体会感到困惑、选错工具，或浪费迭代次数进行探索，质量随之下降。
一条实用原则是：从最小可行工具集开始，只有在智能体明确表现出需要时才添加工具。
对于潜在客户分流，我们选择的四个工具基本合适。你还可以添加：
- “lookup_existing_customer”工具，用于检查潜在客户是否已经是现有客户。
- “schedule_meeting”工具，用于与你的日历集成。
- “translate”工具，用于处理多种语言的潜在客户信息。
但每增加一个新工具，智能体就多一个需要做出的决策。每个工具都应该真正证明自己的价值。
可推广的模式
为潜在客户分流构建的内容也适用于许多其他用例：
支持工单分流。 将信息补充替换为“lookup_customer_history”，将路由替换为“auto_solve / escalate / categorise”。
职位候选人筛选。 将信息补充替换为“parse_cv”，将评分替换为职位匹配标准，将路由替换为“interview / reject / flag for human review”。
媒体问询处理。 将信息补充替换为“lookup_publication”，将路由替换为按优先级回复。
客户反馈转交。 将信息补充替换为情感分析和产品分类。
采购申请。 将信息补充替换为供应商查询，将评分替换为政策合规性，将路由替换为审批流程。
底层模式始终相同：入站事件 → 补充信息 → 评分/分类 → 起草回复 → 路由。智能体负责决策，工具负责执行。
何时不应使用智能体
有些工作流并不能从智能体中受益。如果逻辑完全确定——“始终先执行A，再执行B，然后执行C”——不使用智能体的常规n8n工作流会更快、更便宜，也更可靠。
在以下情况下，智能体才能体现价值：
- 可能采用的路径很多。
- 正确的路径取决于判断，而不是严格规则。
- 某些决策需要综合多个来源的信息。
如果你的决策树只包含几条if-then-else语句，直接使用if-then-else节点即可。把智能体留给if-then-else变得难以管理的情况。
在实际工作中构建一次
n8n中的AI智能体是一种工作流：面对一组工具，由模型决定采取哪些操作以及以什么顺序执行。构建得当时，它能够处理过去需要人工参与、依赖判断的多步骤工作。
对于刚接触n8n智能体的人来说，我们构建的潜在客户分流工作流大约需要两小时完成，之后还要用几周时间根据真实数据进行调优。回报是：每个新进入的潜在客户都能在几分钟内完成信息补充、评分、草稿撰写和路由，只有在人工审核真正能增加价值的环节才需要人工参与。
选择一个你真正关心的实际工作流，亲手构建一次。智能体设计模式是2026年AI工作中最具杠杆效应的技能之一。
