使用 n8n 构建多智能体系统的实践指南

使用 n8n 构建多智能体系统的实践指南

原文：https://github.com/ForceInjection/AI-fundermentals/blob/main/llm/n8n_multi_agent_guide.md

1. 引言

多智能体系统（MAS, Multi-Agent System）是一种由多个相互协作的智能体（Agent）组成的系统结构。这些智能体具备自主性、交互性、协作性等特征，能够共同完成复杂任务。随着大语言模型（LLM）和自动化工具的发展，MAS 越来越多地被用于构建复杂的智能应用，例如多轮问答、自动化客服、内容生成等。

n8n 是一个可视化、开源的自动化工作流工具，支持编排各类 API、逻辑与 AI 服务。借助其强大的可扩展能力，我们可以快速构建模拟多智能体行为的系统，测试智能体之间的交互逻辑。

本指南将系统介绍如何使用 n8n 构建可运行的 MAS，从原理讲解到具体实现，适合开发者、研究者和对多智能体系统感兴趣的技术人员参考和实践。

2. 核心概念：n8n 中的多智能体系统架构

2.1 多智能体系统定义

MAS 是指由多个可以独立运行但又具备协作能力的智能体所组成的系统。类比来看，可以将每个智能体看作一个“虚拟员工”，各自拥有特定职责，通过消息传递和共享资源协同完成复杂任务。

这些智能体具有以下特点：

• • 自主性：能独立感知、决策与行动；
• • 协作性：智能体之间能够分工合作以完成更大目标；
• • 通信能力：通过共享内存、消息队列、HTTP 通信等机制进行信息交互；
• • 异步性：智能体彼此并不阻塞，可以并行工作。

2.2 在 n8n 中的实现方式

在 n8n 平台上，我们将每个智能体抽象为一个工作流，每个工作流负责特定的任务处理流程：

• • 智能体工作流：封装某一角色的行为逻辑；
• • 通信机制：通过 Webhook、HTTP Request、数据库中间表实现信息交换；
• • 逻辑控制：结合 LLM 节点、条件分支、函数节点等，构建智能响应链。

3. 环境准备：搭建开发环境

3.1 安装 n8n（推荐 Docker 部署）

docker run -it --rm \
  -p 5678:5678 \
  -v ~/.n8n:/home/node/.n8n \
  n8nio/n8n

命令说明：

• • -it：以交互模式运行容器，便于查看日志和调试。
• • --rm：容器停止后自动删除，适用于临时测试。
• • -p 5678:5678：将主机的 5678 端口映射到容器的 5678 端口，n8n 默认使用此端口。
• • -v ~/.n8n:/home/node/.n8n：将主机的 ~/.n8n 目录挂载到容器内，确保数据持久化。

访问 http://localhost:5678 进入 n8n 控制台界面。

更多信息请参考：https://docs.n8n.io/hosting/installation/docker/

3.2 准备工作

1. 1. 注册并获取 DeepSeek 的 API Key(https://platform.deepseek.com/api_keys)；
2. 2. 安装 API 测试工具（如 Postman 或 curl）用于测试接口；
3. 3. 可选组件（用于高级功能）：

• • Redis：实现状态追踪和共享；
• • PostgreSQL：持久化记录任务状态或日志。

4. 智能体设计原理

4.1 智能体工作流结构

在 n8n 中构建智能体，我们遵循统一的三段式结构：

这种结构保证每个智能体具有清晰的输入、内部处理与输出接口。

4.2 常用节点说明

1. 1. 触发器节点（Trigger Node）：触发器节点负责启动工作流，常见的触发方式包括：

• • Webhook Trigger：监听外部 HTTP 请求，适用于接收外部系统的调用。
• • Schedule Trigger：定时触发工作流，适用于周期性任务。
• • Manual Trigger：手动启动工作流，适用于测试和调试。
• • 更多关于触发器节点的信息，请参考官方文档：
• • n8n Trigger Node Documentation
• • Manual Trigger Node Documentation

• • Function Node：编写自定义 JavaScript 代码，处理数据和实现逻辑。
• • LLM Integration Node：集成大语言模型（如 OpenAI、DeepSeek）进行自然语言处理。
• • If Node：根据条件判断执行不同的路径。
• • Set Node：设置或修改数据字段。 
• • 这些节点的组合使用，可以实现复杂的业务逻辑和数据处理。

• • HTTP Request Node：发送 HTTP 请求，与外部 API 或其他智能体通信。
• • Execute Workflow Node：调用其他工作流，实现模块化和复用。
• • Redis Node：读写 Redis 数据库，进行状态管理和数据共享。

4.3 常用节点功能小结

5. 实战：构建三智能体协作系统

5.1 系统目标与流程

本系统模拟一个自动化任务处理流程，包含三个智能体，分别负责任务规划、执行和审核。

该流程展示了多智能体系统中任务分解、并发执行与结果汇总的协作机制。

5.2 规划智能体工作流实现

功能流程：

1. 1. Webhook 节点接收用户输入的任务；
2. 2. 调用 DeepSeek API 对任务进行分析与拆解；
3. 3. Function 节点解析响应结果，批量发送子任务至执行智能体。

输入提取节点（Function）：

return [{
json: {
user_input: $json.body.text
  }
}];

LLM 提示词设置（Prompt）：

你作为任务规划专家，请将以下任务拆分为3个子任务：
{{ $json["user_input"] }}
按JSON数组格式返回，字段为task。

5.3 执行智能体工作流实现

执行逻辑：

1. 1. Webhook 节点接收子任务；
2. 2. 模拟任务执行过程（可替换为实际逻辑）；
3. 3. 通过 HTTP Request 节点将结果发送至审核智能体。

模拟执行节点（Function）：

const task = $json.task;
return [{ 
json: { 
result: `任务【${task}】执行完成，耗时 ${Math.random().toFixed(2)} 秒`
  } 
}];

5.4 审核智能体工作流实现

审核逻辑：

1. 1. 每个子任务结果存入 Redis（或内存）；
2. 2. 检查是否收到全部 3 个子任务结果；
3. 3. 聚合结果后返回至用户。

状态判断逻辑（Function）：

const completedTasks = $input.all().map(item => item.json);
if(completedTasks.length === 3) {
return [{ json: { final_report: completedTasks } }];
} else {
return [];
}

通过上述步骤，我们可以在 n8n 中构建一个多智能体协作系统，实现任务的自动化处理。

6. 进阶功能：状态管理与协作控制

6.1 状态跟踪方案对比

在多智能体系统中，状态管理是确保各智能体协同工作的关键。n8n 提供了多种方式来实现状态的跟踪和管理，适用于不同的应用场景。

说明：

• • 上下文变量：适用于单次执行中需要传递的简单状态信息，如计数器、标志位等。
• • Redis Hash 存储：适用于需要快速读写的并发任务状态管理，如任务队列、临时缓存等。
• • PostgreSQL：适用于需要持久化存储的复杂流程，如任务历史记录、用户会话信息等。

6.2 异步控制策略

在多智能体系统中，异步控制策略有助于提高系统的响应性和资源利用率。以下是常见的异步控制策略：

1. 1. 回调机制：执行智能体在完成任务后，主动通过 HTTP Request 节点将结果发送给审核智能体，实现非阻塞的任务处理。
2. 2. 轮询机制：审核智能体使用定时触发器（如 Cron 节点）定期检查任务状态，适用于无法使用回调的场景。
3. 3. 事件驱动：集成消息队列（如 NATS、Kafka）实现事件驱动的工作流触发，适用于高并发、复杂的系统架构。

通过上述策略，n8n 能够灵活地处理多智能体系统中的异步任务，确保各智能体之间的高效协作。

7. 调试与优化实践

7.1 调试技巧

• • 逐节点验证流程：右键点击节点，选择「执行此节点」，可单独验证节点逻辑，便于定位问题。
• • 使用 console.log() 输出调试信息：在 Function 或 Code 节点中添加 console.log() 语句，调试信息将显示在浏览器控制台中，便于观察变量值和流程状态。
• • 利用版本控制管理测试方案：合理使用 n8n 的「版本控制」功能，记录和管理不同的测试方案，便于回溯和比较。
• • 重现历史执行数据：通过「执行记录」面板，选择失败的执行记录，点击「在编辑器中调试」，可加载历史数据进行调试，提升问题定位效率。

7.2 错误处理机制示意图

在 n8n 中，可通过以下方式实现上述错误处理机制：

• • 启用节点的「失败重试」选项：在支持的节点设置中，启用「失败重试」功能，配置重试次数和间隔时间，以应对临时性错误。
• • 使用错误分支处理失败情况：在节点设置中，将「错误处理」设置为「继续（使用错误输出）」，可在错误分支中添加 Wait 节点实现延迟重试。
• • 配置全局错误工作流：创建一个以「错误触发器」为起点的工作流，并在主工作流的设置中指定该错误工作流，实现统一的错误通知和处理机制。

7.3 性能优化建议

• • 子任务并发处理：利用 n8n 的并行处理能力，批量处理子任务，避免串行执行造成的性能瓶颈。
• • 使用缓存机制减少数据库访问：在高频访问的场景中，使用 Redis 或内存缓存存储中间结果，减少对数据库的访问次数，提高响应速度。
• • 复用子工作流（Subworkflow）：将重复使用的逻辑封装为子工作流，主工作流通过「执行工作流」节点调用，提高模块化程度，便于维护和复用。
• • 优化节点配置：在 HTTP Request 等节点中，合理配置超时时间和并发限制，避免因外部服务响应慢导致的阻塞。
• • 监控和日志分析：启用 n8n 的日志功能，定期分析执行日志，识别性能瓶颈和异常情况，及时进行优化。

8. 典型应用场景

本节介绍 3 个适合使用 n8n 构建多智能体系统的典型应用场景，每个场景都体现了“任务拆解—角色协作—结果回传”的 MAS 核心思想。

8.1 智能客服系统

场景说明

企业在客服接待中面临大量重复问题、复杂业务咨询与多轮对话需求。通过构建智能客服系统，可自动应答、筛选问题并收集用户反馈。

多智能体流程

关键智能体设计建议

8.2 自动化数据分析系统

场景说明

适用于定期或触发式的数据处理任务，如销售日报、舆情分析或实时报警系统，要求自动采集、处理和分析，并通知相关人员。

多智能体流程

关键智能体设计建议

8.3 内容生成流水线

场景说明

适用于媒体、教育、营销等行业的内容自动化生产链，包括从创意生成、内容撰写到多平台发布。

多智能体流程

关键智能体设计建议

9. 小结

通过 n8n 与 LLM 的组合，我们可以低门槛构建具备 多智能体系统（MAS）特征 的自动化工作流程。系统具备以下核心能力：

• • 任务智能拆解：借助 LLM 理解并分解用户请求；
• • 并发任务执行：多个智能体可独立并行处理子任务；
• • 流程可扩展与组合：通过节点封装与子工作流重用，实现复杂逻辑的组合构建；
• • 审阅与反馈闭环：支持对任务结果的审核、聚合与用户反馈，形成闭环。

未来可扩展方向

为了实现更复杂、更智能的多智能体协作系统，可逐步引入以下能力：