n8n实战：从零搭建智能水质查询机器人

🌊 n8n 实战：从零搭建智能水质查询机器人

久违的更新，本次将深入探讨智能体（Agent）的构建实践。在众多工具的对比与探索中，我们发现开源工作流自动化平台 n8n 凭借其卓越的易用性和全面性脱颖而出。其在 GitHub 上迅速积累了超过 13 万星标，充分证明了其强大的社区支持和广泛认可度。

本文将以构建一个智能水质查询机器人为例，详细介绍如何利用 n8n 搭建一个能够理解自然语言、调用外部 API 获取数据，并最终通过大语言模型（LLM）进行智能总结与输出的 Agent。

一、什么是 n8n？为何选择它？

n8n（发音 “n-eight-n”）是一个开源的、可扩展的工作流自动化工具。它允许您通过“拖拽节点 + 配置参数”的方式，连接不同服务（如 API、数据库、AI 模型、消息平台等），构建复杂的数据处理或自动化流程。

✅ 核心优势：

  • 开源免费：社区版完全免费，企业版提供高级功能和支持。
  • 高度灵活：支持 300+ 官方节点（HTTP、数据库、Slack、Telegram、OpenAI 等），并支持自定义 JavaScript/Python 代码节点，满足多样化需求。
  • 本地部署 & 云端运行：可一键 npx n8n 启动本地服务，也可灵活部署到服务器或云平台，实现私有化部署。
  • AI 原生集成：内置 LangChain 支持，轻松接入主流大语言模型（如 GLM、GPT、Claude 等），实现自然语言理解与生成。
  • 开发者友好：对于开发者而言，n8n 同样友好。它允许用户在工作流中无缝集成自定义代码节点（支持 JavaScript/Python），以应对更复杂的业务逻辑或特定需求。

二、环境准备

n8n 的安装与启动过程非常便捷：

1
2
# 安装并启动（需 Node.js 环境）
npx n8n

成功启动后，访问 http://localhost:5678 即可进入简洁直观的工作流编辑界面。

📌 提示：首次使用建议注册账号并探索内置的“模板工作流”，这将有助于您快速熟悉 n8n 的各项功能和应用场景。

三、实战项目：构建智能水质查询机器人

本项目的核心目标是：

用户输入：“请帮我查询某某站点昨天的水质数据情况。”
→ n8n 自动解析用户意图
→ 调用相关 API 获取数据
→ 生成结构化分析报告
→ 以自然语言形式返回结果

搭建结果

整个工作流将围绕以下四个核心模块展开：

1
用户输入 → AI 语义解析 → API 请求 → AI 数据分析 → 返回结果

n8n 提供了直观的拖拽式界面，用户可以根据设计好的流程，通过添加和配置相应的节点来快速构建工作流。

🧩 模块一：接收用户输入（Chat Trigger）

作为工作流的起始点，我们选择 Chat Trigger 节点。该节点能够灵活接收来自 Webhook、Slack、Telegram 或自定义网页聊天窗口的用户消息，从而启动整个自动化流程。

查找节点

🧠 模块二：AI 语义解析（Agent + LLM）

此模块是实现自然语言理解的关键。我们利用大语言模型（LLM）将用户的自然语言查询转换为结构化的 API 调用参数，通常以 JSON 格式输出。

我们通过组合 AI Agent 节点与 OpenAI Chat Model（或其他兼容模型）来实现：

  • 系统提示词（System Prompt）：精心设计的提示词是核心，它明确指导 AI 如何从用户输入中提取关键信息，如时间、地点、监测指标，并将其格式化为标准的 JSON 数据结构。
  • 模型选择：n8n 支持集成多种主流大语言模型，包括 GLM-4、GPT-4、Claude 等，用户可根据需求灵活选择。本次测试中，我们选用了硅基流动的免费 GLM-9 B 模型，其在性能和响应速度方面表现良好，足以满足本项目的需求。
  • 内存节点（Memory）：为支持多轮对话和上下文理解，可选择配置记忆节点，使 Agent 能够记住之前的对话内容。

🎯 示例输入：“请查询某站点过去 24 小时的溶解氧数据。”
🎯 AI 输出：{"mn":"SITE_CODE","beginTime":"...","endTime":"...","period":"h1"}

模型设置

AI Agent设置

关于模型记忆功能：
为了实现更流畅的多轮对话体验，您可以为模型配置记忆功能（如 Simple Memory 节点），使其能够保留对话上下文。

simple memory

【推荐】硅基流动平台：
如果您正在寻找免费且性能不错的 LLM 服务，可以考虑硅基流动。通过以下邀请链接注册，您将获得 2000 万 Tokens（价值 14 元平台配额）：https://cloud.siliconflow.cn/i/p61lgKxB 或填写邀请码：p61lgKxB。

🧹 模块三：数据清洗（Code 节点）

大语言模型在生成 JSON 数据时，有时会包含 Markdown 格式的包裹（如 json ... ）或额外的换行符。为了确保下游节点能够直接、正确地解析和使用这些数据，我们需要一个数据清洗步骤。

通过 Code 节点，我们可以利用 JavaScript 编写自定义逻辑来处理这些格式问题：

1
2
3
4
5
6
const dirtyStr = $input.first().json.output; // 获取AI输出的原始字符串
const cleanStr = dirtyStr
  .replace(/```json|```/g, '') // 移除Markdown代码块标识
  .replace(/\\n/g, '') // 移除多余的换行符
  .trim(); // 清除首尾空白
return [{ json: JSON.parse(cleanStr) }]; // 将清洗后的字符串解析为JSON对象

code 设置

此清洗步骤至关重要，它保证了后续 API 请求节点能够接收到纯净、标准的结构化数据。

📡 模块四：调用 HTTP API

在获取并清洗了结构化的 API 参数后，下一步是使用 HTTP Request 节点向目标水质监测平台 API 发送请求。

该节点功能强大，支持：

  • 将上一步清洗后的 JSON 参数动态映射为 Query String 或请求体。
  • 自定义请求头（Header）、认证方式（如 API Key、OAuth 2）。
  • 配置重试机制和超时设置，以适应复杂的企业级接口调用场景。

只需将前一节点生成的 JSON 数据拖拽至 HTTP Request 节点的相应参数字段，即可轻松构建动态请求。

http设置

📊 模块五：AI 数据分析与报告生成

在成功获取水质数据后，我们再次利用 AI Agent 节点，将原始的 JSON 格式数据转化为人类易读、专业且富有洞察力的分析报告。

例如，将原始数据总结为：

“某站点在 2025-04-04 至 2025-04-05 期间共采集 24 条数据，氨氮平均值 0.12 mg/L，溶解氧平均值 8.5 mg/L，水质良好。”

此模块的关键在于精心设计系统提示词。您可以在提示词中嵌入：

  • 字段映射表：解释 JSON 字段的含义。
  • 单位说明：确保数值单位的准确性。
  • 报告模板：定义报告的结构和风格，确保输出的专业性和一致性。
  • 分析指令：明确要求 AI 进行数据统计（如平均值、最大值、最小值）、趋势分析或水质评估。

通过精确的提示词工程，Agent 能够理解数据背后的意义，并生成符合预期的专业报告。

模型配置

四、效果展示

经过上述步骤的构建，我们的智能水质查询机器人能够高效地理解用户意图，自动调用接口获取数据，并最终生成清晰、专业的总结报告。

对话测试

如上图所示，机器人成功地实现了语义理解、数据查询与智能总结的全流程自动化。

五、进阶方向与扩展资源

本实战指南仅展示了 n8n 的基础应用。基于此，您可以进一步探索和扩展机器人的功能，使其更加强大和智能化。

🚀 可扩展功能：

  • 多渠道集成：接入微信、钉钉、Telegram 等消息平台，实现移动端便捷查询与通知。
  • 定时任务与报告：利用定时触发器，每日自动生成并推送水质简报或异常告警。
  • 数据持久化与分析：结合数据库节点（如 MySQL, PostgreSQL），将查询结果存档，进行长期趋势分析或可视化。
  • 智能告警系统：通过“条件判断”节点，对水质超标数据自动触发告警通知（短信、邮件等）。
  • 生产环境部署：将 n8n 工作流部署到云服务器，并配置域名，对外提供稳定可靠的服务。

📚 学习资源：
生态环境
#经验分享 #agent #AIGC #智能体
n8n实战：从零搭建智能水质查询机器人
https://maoyu92.github.io/2025/09/10/02 生态环境/n8n 实战：从零搭建智能水质查询机器人/
作者
陈文茂
发布于
2025年9月10日
许可协议