n8n 决定使用自家工具来重建其内部 AI 助手

type

status

date

slug

summary

在重建之前，n8n 使用的是一个硬编码的内部 AI 助手。虽然通过这种方式初步实现了目标，但缺乏灵活性和可迭代性，使得产品经理很难进行日常调整和优化。如果想要修改 AI 逻辑或改进提示，必须深入到代码中去，整体体验较为复杂。因此，开发团队决定放弃这种方式，转而使用更易于管理的自然工作流。

n8n 的 AI 助手提供了三个主要的使用场景：

为了实现这些功能，后端运行着两个主要的知识库（Knowledge Base，KB），分别是 n8n 的文档和论坛。助手会先查看文档，以减少错误信息（hallucinations），再查找论坛中的相关见解。这种知识源整合的方式确保了助手回答问题的准确性和专业性。

每次知识库都会自动更新，以确保信息的时效性。此外，助手的服务和工作流环境设置了开发和生产环境，团队可以在开发环境中进行实验，而不影响生产环境的稳定性。

为了满足不同的使用场景，助手下设有四个不同的代理，每个代理被专门定制，以处理特定类型的请求。例如，调试错误的代理会针对用户需要解决的问题提供相应的信息和建议。

在构建过程中，团队发现 AI 的响应可能会完全出乎预料。一个小的变动可能会导致答案的巨大差异。因此，开发团队决定从小处着手，首先测试通过用户提示获取信息。为了增强助手的理解能力，团队引入了一个“工作流信息”工具，使得助手能够快速获取用户当前所处工作流的信息，从而提高问题解答的准确性。

团队还开发了内部执行业务的记录存档，从中提取大量执行记录，进而利用这些数据帮助优化 AI 模型。最初，团队在对助理和评估者给出相同的指令时遇到了问题，导致评估结果过于乐观。经过调整，团队开发了一个用于评价输出质量的自定义项目，可以快速测试不同的提示和模型，最终达到了可靠的框架。

重视迭代：在工程师思维中，凭直觉进行 small iterations 是常态，但在 AI 的世界里，每次微小的改变可能会对其他多个用例造成影响。保持试错的心态，让团队能够持续优化助手效果。

随着 n8n 内部热情高涨，支持团队已经开始利用构建的知识库和工作流来提升响应质量和速度。团队计划将 AI 助手的功能逐渐扩展，譬如支持从自然语言提示中构建工作流等。

为了让更多人受益，n8n 还将其 AI 助手的工作流程公开发布。以下是一些受欢迎的模板：

该工作流实现了一个基于公司文档的聊天机器人，能够回答员工提出的问题。

该工作流自动响应员工有关政策和福利的问题，提供即时 HR 支持。

n8n 的 AI 助手重建项目不仅展示了其灵活性和强大能力，也为其他企业在构建 AI 工具时提供了宝贵的经验和借鉴。而随着 AI 技术不断进步，开发团队期待在未来推出更丰富的功能来满足用户需求。

hancheng