【n8n教程】：Respond to Chat 节点，构建多轮对话 AI 助手

Respond to Chat 节点是 n8n 中用于构建交互式聊天工作流的核心组件。它允许你向用户发送消息，并可选择等待用户回复后继续执行工作流。这个节点是实现多轮对话、人工审批流程和AI 助手的关键。

适用场景：

• • 📱 AI 聊天机器人（ChatGPT、Claude 等）
• • ✅ 人工审批工作流（Human-in-the-Loop）
• • 🔄 多步骤用户交互
• • 💬 实时对话反馈系统

📚 核心概念理解

什么是 Respond to Chat 节点？

Respond to Chat 节点是一个输出节点，它在 Chat Trigger 的支持下，将信息发送回用户界面。不同于普通的数据传递，这个节点专门处理聊天交互。

关键特性：

• • ✨ 单一执行中支持多次聊天交互
• • ⏸️ 支持等待用户回复或继续执行
• • 🧠 可连接内存节点保存对话历史
• • ⏱️ 支持设置等待时间限制

工作原理流程

用户发送消息 
    ↓
Chat Trigger 触发工作流
    ↓
AI Agent/处理节点 处理
    ↓
Respond to Chat 发送回复
    ↓
等待用户回复？
    ├─ 是 → 暂停执行，接收用户输入 → 继续执行
    └─ 否 → 工作流结束

⚙️ 节点参数详解

必需参数

1️⃣ Message（消息）

• • 说明：要发送给用户的消息内容
• • 支持：
  • • 纯文本消息
  • • 表达式引用（如 {{ $json.text }}）
  • • 动态内容组合
• • 示例：

  "您好！我是 AI 助手。{{ $('AI Agent').json.output }}"

高级选项

2️⃣ Wait for User Reply（等待用户回复）

控制工作流是否暂停并等待用户输入

3️⃣ Add Memory Input Connection（添加内存连接）

连接一个内存节点以保存对话上下文

优势：

• • 💾 保留完整对话历史
• • 🔑 相同会话 ID 关联消息
• • 🧠 AI Agent 可访问完整上下文

4️⃣ Limit Wait Time（限制等待时间）

设置最大等待时间，超时后自动继续执行

配置方式：

• • 默认时间：45 分钟
• • 支持单位：分钟、小时、天
• • 超时后工作流自动恢复

🚀 前置条件

必需配置

使用 Respond to Chat 节点必须满足这些条件：

✅ Chat Trigger 节点存在

• • 工作流中必须有一个 Chat Trigger 节点
• • 不能使用其他触发器替代

✅ Response Mode 设置正确

• • Chat Trigger → Response Mode 设置为 "Using Response Nodes"
• • 不能是 "When Last Node Finishes"

✅ n8n 版本足够新

• • 需要版本 1.105.2 或更新
• • 如果看不到 "Using Response Nodes" 选项，请升级 n8n

📖 完整使用示例

示例 1：简单的 AI 助手（单轮对话）

场景：用户提问 → AI 回答 → 对话结束

步骤：

1. 1. 添加 Chat Trigger 节点
   • • Mode: 选择 "Hosted Chat"
   • • Response Mode: 设置为 "Using Response Nodes"
2. 2. 添加 AI Agent 节点
   • • 连接 Chat Trigger
   • • 配置 System Message（系统提示）
   • • 连接到 OpenAI 或其他 LLM
3. 3. 添加 Respond to Chat 节点
   • • Message: {{ $json.output }}
   • • Wait for User Reply: 禁用（因为不需要后续交互）

工作流连接：

Chat Trigger → AI Agent → Respond to Chat

示例 2：多轮对话 AI 助手（带内存）

场景：用户进行多轮对话，AI 记忆之前的消息

步骤：

1. 1. 配置 Chat Trigger
   • • Load Previous Session: "From Memory"
   • • Response Mode: "Using Response Nodes"
2. 2. 添加内存节点
   • • 类型：Memory Buffer Window 或 Simple Memory
   • • Session Key: {{ $json.sessionId }}
3. 3. 配置 AI Agent
   • • 连接到内存节点
   • • 启用记忆功能
4. 4. 设置 Respond to Chat
   • • Message: {{ $json.output }}
   • • Wait for User Reply: 启用（等待用户下一条消息）
   • • Add Memory Input Connection: 启用
   • • 连接到内存节点

完整工作流：

Chat Trigger
    ↓
Memory ─→ AI Agent ─→ Respond to Chat
    ↑_________________↓
      （循环连接内存）

示例 3：人工审批流程（Human-in-the-Loop）

场景：AI 生成内容 → 用户审批 → 继续处理

步骤：

1. 1. 第一个 Respond to Chat：发送 AI 生成的草稿

   Message: "您好，我为您生成了以下文本：\n\n{{ $('AI Agent').json.output }}\n\n请确认是否满意？"
   Wait for User Reply: 启用

2. 2. 处理用户回复
   • • 使用 IF 节点判断用户是否批准
   • • 批准 → 继续处理
   • • 拒绝 → 重新生成
3. 3. 第二个 Respond to Chat：发送最终结果

   Message: "感谢您的反馈！内容已发送。"
   Wait for User Reply: 禁用

💡 实战技巧

技巧 1：动态消息生成

使用表达式动态构建消息内容：

// 组合来自多个节点的信息
{{ "用户问题：" + $json.question + "\n\n" + "AI回答：" + $('AI Agent').json.output }}

技巧 2：条件消息发送

在 Respond to Chat 前使用 IF 节点：

IF 节点判断条件
├─ True → Respond to Chat（发送特定消息）
└─ False → 其他处理

技巧 3：处理等待超时

启用 Limit Wait Time，在用户长时间不回复时自动处理：

启用 Limit Wait Time
设置为：24 小时

超时后工作流继续执行，可发送提醒消息。

技巧 4：保存对话历史

使用内存节点保存所有对话，便于数据分析：

Memory Input Connection → 数据库存储（Airtable/Google Sheets）

⚠️ 常见错误与解决方案

📝 完整可执行工作流代码

以下是一个开箱即用的多轮对话 AI 助手工作流，可直接导入 n8n：

{
  "name": "多轮对话 AI 助手工作流",
  "nodes": [
    {
      "parameters": {
        "mode": "hosted"
      },
      "id": "chat-trigger-node",
      "name": "Chat Trigger",
      "type": "n8n-nodes-langchain.chatTrigger",
      "typeVersion": 1,
      "position": [100, 200],
      "disabled": false
    },
    {
      "parameters": {
        "hasSystemMessage": true,
        "systemMessage": "你是一个友好的 AI 助手。帮助用户回答问题和解决问题。保持对话自然流畅。",
        "hasMemory": true,
        "hasInputData": true,
        "options": {}
      },
      "id": "ai-agent-node",
      "name": "AI Agent",
      "type": "n8n-nodes-langchain.agent",
      "typeVersion": 1,
      "position": [300, 200],
      "disabled": false
    },
    {
      "parameters": {
        "message": "={{ $json.output }}"
      },
      "id": "respond-to-chat-node",
      "name": "Respond to Chat",
      "type": "n8n-nodes-langchain.respondToChat",
      "typeVersion": 1,
      "position": [500, 200],
      "disabled": false
    },
    {
      "parameters": {
        "metadata": {
          "description": "存储对话上下文和会话信息"
        }
      },
      "id": "memory-node",
      "name": "Memory",
      "type": "n8n-nodes-langchain.memory",
      "typeVersion": 1,
      "position": [300, 350],
      "disabled": false
    }
  ],
  "connections": {
    "Chat Trigger": {
      "main": [
        [
          {
            "node": "AI Agent",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "AI Agent": {
      "main": [
        [
          {
            "node": "Respond to Chat",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "Memory": {
      "main": [
        [
          {
            "node": "AI Agent",
            "type": "main",
            "index": 0
          }
        ]
      ]
    }
  },
  "active": true,
  "settings": {
    "executionOrder": "v1"
  },
  "versionId": "1.0"
}

使用步骤：

1. 1. 复制上面的 JSON 代码
2. 2. 在 n8n 中新建工作流
3. 3. 点击右上角 "..." → "Import from File"
4. 4. 粘贴 JSON 代码
5. 5. 配置 OpenAI 或其他 LLM 凭证
6. 6. 激活工作流

🎓 进阶学习

与 Chat Trigger 的深度集成

Respond to Chat 必须与 Chat Trigger 配合使用。记住：

• • Response Mode = "Using Response Nodes" 时，Respond to Chat 才生效
• • 一个工作流可以有多个 Respond to Chat 节点
• • 每个 Respond to Chat 都会创建一次对话轮次

流式响应（Streaming）

较新版本支持实时流式响应：

Chat Trigger → Response Mode: "Streaming"
    ↓
AI Agent → Enable Streaming: 开启
    ↓
Respond to Chat（自动流式输出）

用户会实时看到 AI 逐字生成的回复。

与 Respond to Webhook 的区别

• • 官方文档^[1]
• • n8n系列教程^[2]

引用链接

[1] 官方文档: https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-langchain.respondtochat/
[2] n8n系列教程: https://www.undsky.com/blog/?category=n8n%E6%95%99%E7%A8%8B