n8n 是一个基于节点的AI工作流自动化构建器，允许你从简单开始，仅在需要时增加复杂性。我们可以轻松地在n8n中演示如何将多个服务、触发器和顺序步骤连接到一个自动化流程中。
我们将构建一个分层多智能体系统，其中一个主智能体协调两个专门的子智能体：一个负责电子邮件操作，另一个负责文档搜索和摘要。这代表了更广泛的多智能体架构中的一种模式。
我们的示例聚焦于监管者模式，因为该模式对于大多数业务自动化场景来说非常实用。我们假设您已经具备一些构建AI智能体的经验，并将主要介绍几个有用的技术。
步骤 1. 将主智能体设置为协调器
AI智能体节点充当中央协调器，并利用简单记忆来维持对话上下文。
💡提示：模型选择取决于您的具体需求。您可以为主智能体的规划逻辑保留昂贵的大语言模型，而对执行简单操作的子智能体使用成本更低的模型。或者，也可以反过来——在顶层路由中使用快速模型，而在处理复杂特定领域推理的子智能体中部署能力更强的模型。n8n 让测试这两种配置都变得轻而易举。
步骤 2. 添加并配置邮件子智能体
邮件子智能体包含多项 Gmail 操作（根据过滤条件检索多条消息、准备草稿、发送回复以及读取单封邮件的完整内容）。当用户请求获取来自特定发件人的最新邮件时，主智能体会将任务委派给该子智能体，后者执行必要的 Gmail API 调用并返回结果。
每个 Gmail 子节点都与独立的 Gmail 节点类似，但存在两个关键区别：
子节点仅连接到根AI节点
每个子节点都具有动态工具参数。动态参数是在大语言模型运行时填充的。您唯一需要做的就是为每个字段提供清晰的描述。
步骤 3. 构建 RAG 子智能体以模块化数据访问
最后，我们创建一个专用的 RAG 子智能体，它负责处理所有文档操作——搜索嵌入向量、检索相关内容以及总结整个文档。
RAG子智能体通过Qdrant向量存储获取文档片段，也能获取完整的文档摘要
我们已经准备了Qdrant集合，您可以将其导入免费的Qdrant云端服务或自托管账户。
这个文档处理工作流有助于捕获整个文档的上下文（而不仅仅是向量存储中的片段）。它包含预定义的步骤：下载文件 → 提取文本 → 转换为Markdown → 准备摘要文本 → 返回给子智能体。这些步骤序列被封装在一个子工作流中，使其能在不同的智能体间复用，并减少执行开销。当您需要更改文档处理逻辑时，只需更新一个子工作流，而无需修改多个智能体。
💡提示：对于处理大型文件的子智能体，在智能体之间传递文件标识符而非文件内容本身可能很有用。我们在关于智能体子工作流的教程中展示了一个特例：子工作流使用从AI智能体接收的文件ID，从Google Drive中提取文件。智能体通过查询向量存储来获取该ID。或者，您可以使用内存管理器节点，将文件内容一次性加载到聊天历史记录中，并将同一个内存节点连接到所有子智能体。这可以确保智能体之间交互时，文件内容不会丢失。
步骤 4. 优化智能体间的任务交接
目前，智能体在草稿板中跟踪其中间步骤，并且仅将最终消息传递给彼此。这显著降低了总体的令牌消耗，但部分上下文会丢失。
有两种策略可以缓解此问题：
首先，将关键的中间结果添加到共享内存中，以便其他智能体可以访问它们。
其次，对于智能体之间的大型数据传输，传递文件标识符或URL，而非完整内容。这样，多个智能体可以读取相同的源数据，而无需在它们的通信中生成冗长的输出。
在示例设置中，子智能体仅向主智能体报告。但如果你的工作流程要求智能体不通过监管者而直接协调，你可以配置点对点通信。
这个完整的工作流程演示了如何将一个单体智能体（所有工具直接附加其上）转换为模块化的多智能体系统。你可以将邮件子智能体替换为Slack操作子智能体，添加一个数据库查询子智能体，或者根据任务复杂度为每个智能体更换模型——该架构支持这些修改，而无需从头重建。
总结，本文我们演示了如何使用 n8n 构建一个多智能体系统：利用子智能体进行任务委派，使用独立的工具节点赋予智能体能力，并通过工作流即工具的方式实现可控的多步骤操作。这展示了分层模式的实际运作。
