「AI Agent 我聽懂了，但我要怎麼實際做出來？」
這是大多數人看完 AI Agent 概念文章之後的真實感受。
知道 AI Agent 能「主動判斷、呼叫工具、完成任務」，但打開 n8n 畫布，面對一堆節點，完全不知道從哪裡下手。
這篇文章不談理論。我們直接用一個真實場景——「客戶透過網站表單送出詢問，AI Agent 自動分析需求、查詢相關資料並回覆客戶 Email」——從零開始走一遍完整的實作流程。
「AI Agent 不是魔法，它是你把判斷邏輯交給 AI、把工具操作交給系統之後，跑出來的結果。」
AI Agent 和普通 n8n 自動化有什麼不同？
在開始實作之前，先理解一個關鍵差異。
普通的 n8n 自動化是線性的：A 觸發 → B 處理 → C 輸出。每一步都是你事先定義好的，流程固定不變。
n8n 的 AI Agent 是有推理能力的：AI 會根據輸入的內容，自己決定要呼叫哪些工具、要執行幾個步驟、結果夠不夠好。
一個具體的區別：
| 普通自動化 | AI Agent | |
|---|---|---|
| 路徑 | 固定（if A then B） | 動態（AI 自主決定） |
| 工具使用 | 預先串接好 | AI 自行選擇呼叫 |
| 處理意外輸入 | 容易出錯或跳過 | 嘗試理解並應對 |
| 適合場景 | 規則明確的重複流程 | 需要判斷的複雜任務 |
簡單說：能寫成 if/then 的流程，用普通自動化；需要「理解意圖再行動」的流程，用 AI Agent。
實作場景：客戶詢問自動回覆 Agent
場景說明
客戶在官網填寫諮詢表單，填入姓名、公司、詢問內容。過去這封表單需要業務人員閱讀後手動回覆，通常 2-4 小時才能回應。
我們要建立的 AI Agent 會：
- 接收表單資料（Trigger）
- 理解客戶的詢問意圖（AI 判斷）
- 查詢相關的服務資訊（Tool Use）
- 生成個人化回覆 Email 並寄出（Output）
客戶從填表到收到回覆：從 2-4 小時 → 30 秒以內。
第一步：建立 Webhook Trigger 接收表單資料
在 n8n 新增一個 Webhook 節點作為流程起點。
設定方式：
- Method：
POST - Response Mode：
When Last Node Finishes
n8n 會產生一個唯一的 Webhook URL，把這個 URL 填入你的網站表單的送出動作（Typeform、Google Forms、WordPress CF7 等皆支援）。
當客戶填完表單送出，n8n 就會收到一筆包含客戶資料的 JSON：
{
"name": "陳小明",
"company": "台灣科技有限公司",
"email": "ming@example.com",
"inquiry": "我們想了解 n8n 導入的費用和時程，目前公司有 20 人，主要問題是..."
}
第二步：建立 AI Agent 節點（核心步驟）
新增一個 AI Agent 節點（在 n8n 中搜尋 AI Agent）。
這是整個流程的大腦。你需要設定三個東西：
① 連接 LLM
選擇 OpenAI 或 Anthropic Claude，設定你的 API Key。建議使用 GPT-4o 或 claude-sonnet 以確保判斷品質。
② 撰寫 System Prompt
System Prompt 定義了這個 Agent 的角色和行為規範。範例：
你是智賦 AI 科技的客服顧問，負責回覆客戶的初步詢問。
你的任務：
1. 分析客戶的詢問意圖（是服務諮詢、報價詢問、還是技術問題？）
2. 使用工具查詢相關的服務資訊
3. 生成一封專業且個人化的回覆 Email
回覆風格：
- 使用繁體中文
- 專業但親切，不要太正式
- 直接回應客戶的核心問題
- 不要捏造資訊，如果不確定請說明後續會有專人跟進
③ 設定可用工具 (Tools)
這是 AI Agent 與普通自動化最大的差別——你給 Agent 一組工具，它自己決定要不要用、什麼時候用。
我們給這個 Agent 兩個工具（使用 Execute Workflow 或 HTTP Request 節點）：
get_service_info：查詢智賦 AI 的服務方案和報價範圍get_case_studies：查詢相關行業的成功案例
Agent 收到客戶詢問後，會自動判斷「這個客戶問的是費用，所以我要呼叫 get_service_info」，然後把查詢結果融入回覆中。
第三步：串接工具節點（Tool 定義）
每個工具本質上就是一個子工作流或 API 呼叫。以 get_service_info 為例，你可以：
方法 A：連接 Google Sheets（最簡單）
在 Google Sheets 建立一張服務資訊表，包含方案名稱、費用範圍、適用企業規模等欄位。透過 n8n 的 Google Sheets 節點讀取資料，Agent 呼叫這個工具時就能取得最新的服務資訊。
方法 B：連接 Notion 知識庫（更靈活）
如果你的服務資訊存在 Notion 中，可以用 Notion 節點搜尋相關頁面，讓 Agent 動態查詢。
方法 C：呼叫內部 API（最精準）
如果你的公司有 CRM 或內部系統，可以透過 HTTP Request 節點呼叫 API，讓 Agent 取得客製化資訊。
第四步：輸出層——自動寄送回覆 Email
AI Agent 完成判斷和內容生成後，最後需要把結果「送出去」。
新增一個 Gmail 或 SMTP Email 節點：
- To：
{{ $('Webhook').item.json.email }}（從表單資料取得客戶 Email） - Subject：
感謝您的諮詢｜智賦 AI 科技回覆 - Body：
{{ $('AI Agent').item.json.output }}（AI 生成的回覆內容）
設定完成後，整個流程如下：
[客戶填表單]
↓
[Webhook 接收 JSON]
↓
[AI Agent 分析意圖]
↓ ↘
[呼叫工具查詢資料] ← Agent 自主決定是否呼叫
↓
[AI 生成個人化回覆]
↓
[Gmail 寄送 Email]
進階：讓 Agent 更智能的三個技巧
技巧一：加入記憶 (Memory)
在 AI Agent 節點啟用 Window Buffer Memory，讓 Agent 記住同一對話的歷史，避免回覆前後矛盾。對於需要多輪對話的客服場景特別重要。
技巧二：加入人工審核閘道
不是每次都要讓 AI 全自動回覆。你可以設定一個條件：
- 詢問金額 > 50 萬元 → AI 起草後轉給業務主管審核再寄出
- 詢問類型 = 緊急技術問題 → 跳過 AI，直接觸發人工通知
在 n8n 中用 IF 節點做條件判斷，加入 Send Email 給主管作為審核步驟即可實作。
技巧三：記錄 Agent 行為
在流程末端加入一個 Google Sheets 節點，把每次 Agent 的處理結果記錄下來：
- 客戶名稱與 Email
- 詢問類型（AI 分析的結果）
- 使用了哪些工具
- 回覆內容
- 處理時間
這份記錄讓你可以定期審查 Agent 的輸出品質，持續優化 System Prompt。
常見錯誤與解決方法
問題：Agent 在工具呼叫時失敗 原因：工具節點的輸出格式不是 Agent 預期的結構。 解決：在工具節點和 Agent 之間加一個 Code 節點，把輸出整理成乾淨的 JSON 再傳給 Agent。
問題：AI 回覆的 Email 品質不穩定 原因：System Prompt 太模糊，讓 Agent 自由發揮空間過大。 解決：在 System Prompt 加入「回覆格式」指定，例如：「回覆必須包含：1. 感謝語 2. 直接回答客戶問題 3. 下一步行動（邀請預約諮詢）」。
問題：Agent 無限循環呼叫工具
原因：工具沒有返回足夠的資訊，Agent 持續嘗試。
解決：在 Agent 設定中限制 Max Iterations（建議設為 5），並在工具中加入「找不到資料時回傳明確的空值訊息」。
從第一個 Agent 到 Agent 系統
這個客服回覆 Agent 只是起點。掌握了「Trigger → AI 推理 → 工具呼叫 → 輸出」這個基本架構之後，你可以把同樣的邏輯延伸到：
- 銷售資格審核 Agent：自動評估 Lead 的 BANT 分數並指派業務
- 財務審核 Agent：讀取請款單附件、比對採購規則、自動核准或退件
- 每日報告 Agent：自動收集各系統數據、判斷異常、生成主管摘要
不是 A 觸發 B，而是 AI 決定要不要做 B、怎麼做 B、做完 B 之後要不要做 C。 這才是 AI Agent 的本質。
智賦 AI 科技 專注於 B2B 企業自動化解決方案，協助企業導入 n8n、AI Agent、流程自動化與系統整合。如果你想建立更複雜的 AI Agent 架構，歡迎與我們聯繫。