用 N8N 打造會自己查資料的 AI Agent

做 AI 自動化這幾年，我發現一個趨勢：客戶要的不是更聰明的模型，而是「不會亂回答」的 Agent。

解法其實不複雜——把 RAG（檢索增強）接進 N8N，讓 Agent 在開口前先查一次內部資料庫。

整體架構

Webhook → Embedding → Vector DB Query → LLM (Claude) → 回傳

每個節點職責清晰：Webhook 接收用戶提問，Embedding 把問題向量化，Vector DB 撈出最相關的段落，最後 Claude 根據這些段落生成回答。

提示詞架構

Agent 的 system prompt 我固定切成三段：身份、檢索準則、輸出格式。三段都寫死，留下的彈性只在「檢索結果」。

好的 Agent 不是更會講話的 Agent，而是更知道什麼時候該閉嘴的 Agent。

常見的坑

Vector DB 查出來的結果不一定相關，需要設門檻過濾。我通常在 N8N 裡加一個 Function 節點，把相似度分數低於 0.75 的結果直接丟掉，寧可回答「找不到相關資料」也不要讓 AI 瞎掰。