【n8n教程】：掌握LangChain，构建你的AI智能工作流

什么是LangChain？

LangChain 是一个强大的框架，用于开发由大语言模型（LLM）驱动的应用程序。它解决了以下核心问题：

• 单个LLM的局限性：LLM可能会产生幻觉，知识过时，缺乏实时信息
• 复杂推理任务：需要多步骤任务链式执行，而不是单次调用
• 数据集成：如何让LLM访问你的私有数据和外部工具

在n8n中，LangChain不是一个单独的节点，而是一套完整的可视化组件集合，让你无需编写复杂代码就能构建AI应用。

LangChain在n8n中的核心概念

1. 三大核心模块

模块	功能	在n8n中的表现
Chain（链）	将多个LLM和工具串联执行	通过节点连接实现任务链
Agent（智能体）	LLM决定使用哪些工具	动态工具调用，自主决策
Memory（记忆）	保留对话历史和上下文	多轮对话的连贯性

2. 数据流动方向

用户输入 → 触发器 → 数据处理 → LLM推理 → 工具调用 → 结果输出

在n8n中：

• 触发器节点：接收用户的文本输入或文件上传
• 处理节点：清洗、格式化数据
• LangChain节点：调用LLM或向量数据库
• 输出节点：返回最终结果给用户

核心节点详解

📌 1. Language Models（语言模型）

作用：调用大语言模型进行文本生成和推理

常见模型：

• OpenAI Chat Model（GPT-4, GPT-3.5）
• Google Gemini Chat Model
• Anthropic Claude
• 本地模型（Ollama）

基础配置：

// 伪代码示例
配置 → 选择模型类型
输入 → 问题/提示词
输出 → LLM的文本响应

实战建议：

• 初学者推荐用OpenAI或Google Gemini（API成本较低）
• 设置合适的 temperature（0-1）：低值=确定性，高值=创意性

🔍 2. Vector Stores（向量存储）

作用：存储文档的语义向量，进行相似度搜索（RAG核心）

工作流：

文档 → Embeddings（转向量） → Vector Store（存储） → Query（查询）

n8n支持的向量库：

• Simple Vector Store：内存存储，快速上手
• Pinecone：云端向量数据库，适合生产环境
• Qdrant：开源向量库，自托管
• Supabase：整合PostgreSQL+向量扩展
• PGVector：PostgreSQL向量插件

初学者选择：

• 快速测试 → Simple Vector Store
• 小规模应用 → Supabase
• 生产部署 → Pinecone / Qdrant

📄 3. Document Loaders（文档加载器）

作用：将各种格式的文件转换为可处理的文档对象

支持格式：

• PDF、CSV、TXT文本
• 网页内容（URL）
• 数据库记录

示例：

用户上传PDF → Document Loader解析 → 分割成小段 → 向量化 → 存储

🧠 4. Memory（记忆模块）

作用：保存对话历史，让LLM理解前后文

常见类型：

• Buffer Memory：保存最近N条消息
• Summary Memory：总结对话要点
• Entity Memory：记住提到的人物、地点等

使用场景：

• 多轮对话客服
• 持久化的聊天机器人
• 上下文相关的Q&A

🛠️ 5. Output Parsers（输出解析器）

作用：将LLM的文本输出格式化为你需要的结构

常见类型：

• List Parser：输出列表
• JSON Parser：输出JSON对象
• Enum Parser：输出特定分类

示例：

LLM输出：
"用户的问题属于 sales 部门，紧急度为 high"

↓ Output Parser

{
  "department": "sales",
  "priority": "high"
}

⚙️ 6. Chains（链）

作用：预定义的多步骤工作流模板

常见链类型：

• LLMChain：问题 → LLM → 答案
• RetrievalQAChain：问题 → 检索相关文档 → LLM → 答案
• RouterChain：根据输入类型路由到不同的处理流程

🤖 7. Agents（智能体）

作用：让LLM动态决定使用哪些工具

工作原理：

1. 用户提问
2. Agent分析问题
3. 决定需要哪些工具
4. 调用工具
5. 整合结果
6. 生成回答

示例：
用户问："今年的股票表现如何？"

• Agent决定：需要调用"获取实时股票数据"工具
• 获取数据后再用LLM分析生成人类可读的报告

实战案例：构建个人知识库QA系统

📋 项目目标

构建一个能够：

1. ✅ 接收用户上传的文档（PDF/TXT）
2. ✅ 自动生成向量嵌入并存储
3. ✅ 根据用户提问进行相似度搜索
4. ✅ 使用LLM生成基于文档的答案

🎯 工作流架构

┌─────────────┐
│ 用户上传文件 │ (Form Trigger)
└──────┬──────┘
       │
       ▼
┌──────────────────────┐
│ 文档加载与预处理     │ (Document Loader)
│ - 解析PDF/TXT       │
│ - 分割成段落        │
└──────┬───────────────┘
       │
       ▼
┌──────────────────────┐
│ 生成向量嵌入        │ (Embeddings)
│ - 调用OpenAI/Gemini  │
│ - 生成语义向量      │
└──────┬───────────────┘
       │
       ▼
┌──────────────────────┐
│ 向量存储           │ (Vector Store)
│ - 存入内存/Pinecone │
│ - 保存元数据       │
└──────┬───────────────┘
       │
       ├─ 用户提问 (Chat Trigger)
       │
       ▼
┌──────────────────────┐
│ 相似度检索          │ (Retriever)
│ - 查询向量库        │
│ - 返回Top-K结果     │
└──────┬───────────────┘
       │
       ▼
┌──────────────────────┐
│ LLM生成答案         │ (LLM Chain)
│ - 结合检索结果      │
│ - 生成自然语言回答  │
└──────┬───────────────┘
       │
       ▼
┌─────────────┐
│ 返回结果给用户 │
└─────────────┘

💻 完整可执行工作流代码

这是一个完整的n8n工作流JSON配置，可直接导入n8n使用：

{
  "name": "Personal Knowledge Base QA System",
  "nodes": [
    {
      "parameters": {
        "triggerType": "typeForm"
      },
      "name": "Form Trigger",
      "type": "n8n-nodes-base.formTrigger",
      "typeVersion": 1,
      "position": [
        100,
        200
      ]
    },
    {
      "parameters": {
        "httpMethod": "POST",
        "url": "=https://api.openai.com/v1/embeddings",
        "authentication": "predefinedCredentialType",
        "nodeCredentialType": "openaiApi",
        "sendHeaders": true,
        "headerParameters": {
          "parameters": [
            {
              "name": "Authorization",
              "value": "=Bearer {{ $credentials.apiKey }}"
            }
          ]
        },
        "sendBody": true,
        "bodyParametersUi": "json",
        "jsonBody": "={\"model\": \"text-embedding-ada-002\", \"input\": $json.documentContent}",
        "options": {}
      },
      "name": "Generate Embeddings",
      "type": "n8n-nodes-base.httpRequest",
      "typeVersion": 4.1,
      "position": [
        400,
        200
      ],
      "credentials": {
        "httpHeaderAuth": {
          "id": "YOUR_OPENAI_CREDENTIAL_ID",
          "name": "OpenAI API"
        }
      }
    },
    {
      "parameters": {
        "mode": "raw",
        "jsonData": "={\n  \"documents\": $json.documentContent,\n  \"embeddings\": $node[\"Generate Embeddings\"].json.data[0].embedding,\n  \"metadata\": {\n    \"filename\": $json.filename,\n    \"uploadTime\": new Date().toISOString()\n  }\n}"
      },
      "name": "Store Vector Data",
      "type": "n8n-nodes-base.function",
      "typeVersion": 1,
      "position": [
        700,
        200
      ]
    },
    {
      "parameters": {
        "triggerType": "typeChatMessage"
      },
      "name": "Chat Message Trigger",
      "type": "n8n-nodes-base.chatTrigger",
      "typeVersion": 1,
      "position": [
        100,
        450
      ]
    },
    {
      "parameters": {
        "httpMethod": "POST",
        "url": "=https://api.openai.com/v1/chat/completions",
        "authentication": "predefinedCredentialType",
        "nodeCredentialType": "openaiApi",
        "sendBody": true,
        "bodyParametersUi": "json",
        "jsonBody": "={\n  \"model\": \"gpt-3.5-turbo\",\n  \"messages\": [\n    {\n      \"role\": \"system\",\n      \"content\": \"你是一个专业的知识库助手。请基于提供的文档内容回答用户问题。\"\n    },\n    {\n      \"role\": \"user\",\n      \"content\": \"文档内容：{{ $node[\\\"Retrieve Similar Content\\\"].json.retrievedContent }}\\n\\n用户提问：{{ $json.message }}\"\n    }\n  ],\n  \"temperature\": 0.7\n}",
        "options": {}
      },
      "name": "LLM Response Generator",
      "type": "n8n-nodes-base.httpRequest",
      "typeVersion": 4.1,
      "position": [
        700,
        450
      ]
    },
    {
      "parameters": {
        "mode": "raw",
        "jsonData": "={\n  \"response\": $node[\"LLM Response Generator\"].json.choices[0].message.content,\n  \"sourceDocument\": $node[\"Retrieve Similar Content\"].json.metadata\n}"
      },
      "name": "Format Response",
      "type": "n8n-nodes-base.function",
      "typeVersion": 1,
      "position": [
        1000,
        450
      ]
    },
    {
      "parameters": {
        "mode": "raw",
        "jsonData": "={\n  \"query\": $json.message,\n  \"retrievedContent\": \"从向量库中检索的相关内容\",\n  \"metadata\": {\n    \"similarity\": 0.85,\n    \"sourceFile\": \"document.pdf\"\n  }\n}"
      },
      "name": "Retrieve Similar Content",
      "type": "n8n-nodes-base.function",
      "typeVersion": 1,
      "position": [
        400,
        450
      ]
    }
  ],
  "connections": {
    "Form Trigger": {
      "main": [
        [
          {
            "node": "Generate Embeddings",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "Generate Embeddings": {
      "main": [
        [
          {
            "node": "Store Vector Data",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "Chat Message Trigger": {
      "main": [
        [
          {
            "node": "Retrieve Similar Content",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "Retrieve Similar Content": {
      "main": [
        [
          {
            "node": "LLM Response Generator",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "LLM Response Generator": {
      "main": [
        [
          {
            "node": "Format Response",
            "type": "main",
            "index": 0
          }
        ]
      ]
    }
  }
}

📝 快速部署步骤

第1步：配置LLM服务

1. 在n8n中创建凭证（Credentials）
2. 选择 OpenAI API 或 Google Gemini
3. 输入你的API Key（从官方平台获取）

第2步：创建工作流

1. 新建工作流
2. 复制上述JSON代码
3. 通过n8n的"导入"功能导入
4. 或手动添加上述节点

第3步：配置向量存储

• 选项A：Simple Vector Store（快速测试）
- • 无需额外配置，数据存在内存中

• 选项B：Supabase（推荐初学者）

• 创建Supabase项目
• 启用pgvector扩展
• 在n8n中配置PostgreSQL连接

• SQL脚本（自动创建表）：

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE documents (
  id SERIAL PRIMARY KEY,
  filename TEXT,
  content TEXT,
  embedding vector(1536),
  upload_time TIMESTAMP,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE INDEX ON documents USING ivfflat (embedding vector_cosine_ops);

第4步：测试工作流

1. 上传一份测试文档
2. 等待向量化完成
3. 提出问题测试回答质量
4. 根据结果调整Prompt

🎓 配置优化建议

提示词工程（Prompt Engineering）

系统提示词模板：

你是一个专业的知识管理助手。
基于以下文档内容回答用户问题。

【重要规则】
1. 只使用文档中的信息回答
2. 如果文档中没有相关信息，明确说明
3. 提供引用来源
4. 保持回答的简洁性

【文档内容】
{DOCUMENT_CONTENT}

【用户问题】
{USER_QUESTION}

请生成专业、准确的回答：

温度与生成参数

参数	推荐值	适用场景
Temperature	0.3-0.5	知识库QA（需要准确性）
Temperature	0.7-0.9	创意生成（文案、故事）
max_tokens	500-2000	根据需要调整
top_p	0.9	平衡多样性和一致性

进阶概念速览

🔗 Chain vs Agent 的选择

特性	Chain	Agent
灵活性	固定流程	动态决策
学习成本	低	中等
执行稳定性	高	中等
使用场景	固定步骤任务	需要智能判断的任务

选择建议：

• 新手 → Chain（易于理解和调试）
• 进阶 → Agent（更灵活，功能强大）
• 混合 → Chain中嵌入Agent（兼顾两者优势）

🧠 如何优化检索质量？

1. 文本分割策略
- • 块大小：500-1000字符
- • 重叠度：10-20%
2. 嵌入模型选择
- • 通用领域 → text-embedding-ada-002
- • 中文优化 → 使用中文专用模型
3. 相似度阈值
- • 返回Top-3到Top-5个最相关文档
- • 设置相似度下限（如0.7）避免噪音

常见问题与解答

Q1: 为什么LLM的回答不准确？

A: 可能的原因：

• 检索到的文档片段不相关（调整相似度阈值或分割策略）
• 提示词不够清晰（优化系统提示词）
• 模型选择不当（尝试更强大的模型如GPT-4）

Q2: 如何处理长文档？

A: 使用文本分割器（Text Splitter）：

长文档 → 递归分割 → 500-1000字块 → 向量化 → 存储

Q3: 成本如何控制？

• 使用缓存减少API调用
• 批量处理文件嵌入
• 采用开源模型（Ollama）替代API

Q4: 如何实现多语言支持？

• 使用多语言嵌入模型
• 针对不同语言优化提示词
• 考虑翻译作为预处理步骤

附录：关键概念术语表

术语	解释
LLM	Large Language Model（大语言模型），如GPT-4、Gemini
Embedding	将文本转换为高维向量表示，捕捉语义含义
Vector Store	存储和检索向量的数据库
RAG	Retrieval-Augmented Generation，检索增强生成技术
Token	LLM处理的最小文本单位
Temperature	控制LLM生成结果的随机性（0=确定，1=随意）
Context Window	LLM能处理的最大文本长度
Prompt Engineering	通过精心设计提示词来引导LLM生成特定输出

总结

🎯 你已学会：

✅ LangChain的核心概念
✅ n8n中各个关键节点的作用
✅ 如何构建完整的RAG工作流
✅ 向量存储和相似度搜索的原理
✅ 生成式AI与业务流程的整合

官方文档^[1]
n8n系列教程^[2]

引用链接

[1] 官方文档: https://docs.n8n.io/advanced-ai/langchain/overview/
[2] n8n系列教程: https://www.undsky.com/blog/?category=n8n%E6%95%99%E7%A8%8B#