低代码平台构建智能体实战Coze、Dify、FastGPT 与 n8n 全解析hello-agents 第 5 章【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents在 hello-agents 开源教程的第 4 章中我们通过编写 Python 代码从零实现了 ReAct、Plan-and-Solve、Reflection 等经典智能体范式打下了扎实的技术底子。但面对快速演进的智能体领域纯代码开发并不总是最高效的选择——尤其在需要快速验证想法、或非专业开发者参与构建的场景下。本文基于教程 第五章《低代码平台构建智能体》完整展开 Coze、Dify、FastGPT、n8n 四大代表性低代码平台的定位、原理与实战案例并结合仓库内对应的可导入工程文件帮你掌握从拖拽节点到发布上线的完整链路理解平台化与代码化两种开发范式的取舍。一、为什么需要低代码平台第 4 章中我们虽然封装了ReActAgent、PlanAndSolveAgent等可复用类但当业务逻辑复杂化后纯代码的维护成本和开发周期会急剧上升。低代码平台正是为解决这些痛点而生其核心价值体现在四个方面降低技术门槛平台将 API 调用、状态管理、并发控制等复杂技术细节封装为节点或模块产品经理、设计师、业务专家也能通过拖拽连线参与智能体构建极大扩展了创新的边界。提升开发效率原本需要数天编码的原型验证用平台几小时甚至几分钟即可完成开发者可以把精力投入到业务逻辑组织与提示词工程优化上。更好的可视化与可观测性相比终端打印日志图形化平台天然提供智能体运行轨迹的端到端可视化能清晰看到数据如何在各节点间流动、哪条链路最耗时、哪个工具调用失败。标准化与最佳实践沉淀优秀平台内置了 ReAct 预设模板、优化的知识库检索引擎、标准化的工具接入规范等让团队在统一标准上协作。需要强调的是低代码平台不是要取代代码而是提供更高层次的抽象让我们从繁琐的底层实现中解放出来聚焦智能体思考与行动本身的逻辑。二、四大平台概览与选型平台核心定位目标用户关键特征Coze零代码/低代码 Agent 构建体验AI 应用入门用户、产品经理、运营、个人创作者极友好的可视化界面、丰富的插件库、一键发布到抖音/飞书/公众号等Dify开源全功能 LLM 应用开发与运维平台有一定技术背景的开发者、需要构建可扩展企业级应用的团队BaaS LLMOps 理念、Agent 工作流、RAG Pipeline、数据标注、微调FastGPT开源知识库问答平台与 Agent 构建工具想基于私有知识库快速构建智能客服/知识助手的开发者与中小团队RAG 全链路深度优化、可视化 Flow 编排、模型中立、原生 MCP 支持n8n开源工作流自动化工具需要将 AI 深度集成进现有业务流程的开发者与企业数百个预设节点、强大的连接能力、支持私有化部署四个平台的仓库配套文件分别为 HelloAgent_cozeCase.zip、HelloAgent_difyCase.yml、HelloAgent_fastgptCase.json 与 HelloAgent_n8nCase.json下文四个案例均可据此对照还原。三、平台一Coze —— 零代码构建每日 AI 简报智能体3.1 Coze 功能模块总览Coze 是目前市场应用最广泛的智能体平台之一。其界面左侧边栏是开发工作区包含核心项目开发、资源库、效果评估、空间配置下方是配套物料空间包括官方模板、插件商店、智能体社区、API 管理、教程文档与企业级通用管理。右侧则提供模板、更新公告、新手教程、关注与智能体推荐等内容。Coze 的开发体验可以用游戏来类比工作流是通关路线图对话流是 NPC 对话关卡插件是角色技能卡知识库是游戏百科全书卡片是快捷道具栏提示词是角色移动按键数据库是云存档发布管理是关卡评审模型管理是角色库效果评估是评分系统。项目空间智能体仓库存放所有开发或复制的智能体与应用资源库存放工作流、知识库、卡片、提示词库等开发武器装备决定智能体能力上限空间配置统一管理智能体、插件、工作流、发布渠道以及调用的各类大模型。3.2 案例目标与技能点本案例构建每日 AI 简报智能体自动从 36Kr、虎嗅、IT 之家、InfoQ、GitHub、arXiv 等信源抓取 AI 领域头条、学术论文与开源项目动态整合成结构化的专业简报。你将掌握三项核心技能多源信息聚合借助 Coze 插件生态实现跨平台、跨类型数据流的无缝集成智能体行为定义通过角色设定与提示词工程精确控制任务执行与内容生成自动化工作流构建把数据采集、内容处理、格式化输出等环节串联成高效流水线。3.3 步骤一添加并配置信源插件在插件库中搜索并添加所需插件通过RSS 插件订阅媒体平台的 RSS 订阅源通过GitHub 插件追踪开源项目通过arXiv 插件获取最新学术成果。随后对每个插件做细粒度配置RSS 链接配置 - 36Kr: https://www.36kr.com/feed - 虎嗅: https://rss.huxiu.com/ - IT之家: http://www.ithome.com/rss/ - InfoQ: https://feed.infoq.com/ai-ml-data-eng/ GitHub 插件配置 - q: AI - per_page: 10 - sort: updated Arxiv 插件配置 - count: 5 - search_query: AI - sort_by: 2配置完成后在可视化编排界面中把这些插件如rss_24Hbj、searchRepository、arxiv等作为数据输入节点连接到后续的大模型处理模块构成完整的数据处理链路。3.4 步骤二设置角色与提示词将智能体设定为资深权威的科技媒体主编并把提示词划分为System Prompt定义长期行为准则与输出格式规范与User Prompt定义具体任务指令与数据来源。System Prompt 核心要点开头显著展示AI 每日简报 | 日期 | by作者每个标题前根据内容加上独特 Emoji所有内容必须与 AI、LLM、AIGC、大模型等高度相关每条内容必须附原始链接并给出简明摘要。User Prompt 核心要点- 信息提取与整合从 {{articles}}、{{articles1}}、{{articles2}}、{{articles3}} 中筛取与 AI 相关的文章标题与链接组织为AI 科技快讯模块 - 学术论文摘要从 {{arxiv}} 中基于 arxiv_title 与 arxiv_link 字段归纳最新论文形成AI 学术论文模块 - 开源项目筛选从 {{GitHub}} 中筛出 5 个最突出的 AI 开源项目组织为AI 开源项目模块 - 输出总量10 条 AI 科技快讯、5 篇 AI 学术论文、5 个 AI 开源项目。3.5 步骤三测试调试与多渠道发布在预览界面运行智能体观察生成的简报是否符合预期。若内容不够精炼修改提示词中的摘要要求若数据抓取不准确检查插件配置参数。调试通过后即可一键发布到微信、豆包、飞书等主流平台也可以把智能体发布到 Coze 商店、集成进 AI 应用对外服务。发布前需为智能体配置合适的名称、头像与欢迎语以提供更友好的用户体验。3.6 Coze 的优势与局限优势插件生态强大可轻松接入外部服务与数据源可视化编排低门槛通过角色设定与提示词可对输出做细粒度控制并支持提示词管理与模板支持多渠道一键发布且越来越多的手机厂商与硬件厂商逐步支持 Coze 智能体发布。局限不支持 MCP这一点在练习题中也有讨论虽然feature-mcp已进入 Coze Studio 的 Q4 2025 产品路线图但当时尚未落地部分需要 API Key 的插件配置复杂复杂工作流编排仍需 JavaScript 或 Python 基础无法直接导入 JSON 文件导出/导入的是 ZIP 文件可使用 CtrlA 全选复制布局作为变通方案。四、平台二Dify —— 构建超级智能体个人助手4.1 Dify 平台与生态Dify 是开源的大模型应用开发平台融合了BaaS后端即服务与 LLMOps理念提供从原型设计到生产部署的全流程支持。它采用分层模块化架构分为数据层、开发层、编排层与基础层各层解耦、便于扩展。Dify 高度模型中立内置支持数百种开源或商用大模型GPT、DeepSeek、Llama 及任何兼容 OpenAI API 的模型支持 Docker Compose 一键本地部署与云部署。Dify Marketplace 提供插件的一站式管理与一键部署涵盖Models、Tools、Agent Strategies、Extensions、Bundles五类插件。官方推荐插件包括 Google Searchlanggenius/google、Azure OpenAIlanggenius/azure_openai、Notionlanggenius/notion、DuckDuckGolanggenius/duckduckgo等。平台还支持与主流 IDE 协作的远程调试功能插件操作会转发到本地环境进行测试。4.2 案例目标与整体架构本案例构建功能全面的超级智能体个人助手涵盖日常生活问答、文案润色优化、多模态内容生成图片、视频、数据查询与可视化分析、MCP 工具集成高德地图、饮食推荐、新闻资讯五大模块。多智能体架构使用问题分类器进行智能路由为每个子智能体定义核心功能与任务范围确保用户请求被精准分发到对应处理模块。完整的保姆级搭建流程可参考 Extra03-Dify智能体创建保姆级操作流程整个案例的完整工作流可直接导入 HelloAgent_difyCase.yml。4.3 插件安装与 MCP 配置构建前先从 Dify 插件市场安装案例所需插件然后配置 MCPModel Context Protocol。案例使用魔搭ModelScope社区 MCP 市场的托管服务进行演示进入高德地图 MCP 主页后右侧选择SSE 模式点击连接配置生成专属的 MCP 配置 JSON。MCP 支持多种通信模式但在 Dify 中使用SSE 模式更流畅稳定因此推荐使用。4.4 五大功能模块实现1日常助手模块基础对话模块配置大语言模型与时间工具作为兜底通用问答。提示词采用结构化 Persona 写法包含 Profile语言、描述、背景、性格、专长、Skills问题分析、解答提供、沟通表达、Rules回答原则与行为准则、Workflows目标与步骤、Initialization初始化声明。2文案优化模块数据显示超 60% 的用户使用大模型做文本优化类任务文案优化是高频率需求场景。提示词按五段式组织Role营销文案优化专家、Background原文案与优化背景、Task优化结构与语言、提升吸引力与转化潜力、Limit不改变核心信息、不虚构内容、避免技术术语、Output Format示例把我们的产品很好快来买优化为超过 500 字、富有感染力与细节的完整文案。3多模态生成模块通过即梦Jimeng插件实现图片与视频生成。配置步骤在工作流中添加即梦图片/视频生成插件 → 配置参数如图片比例 1:1模型选择等→ 输出生成文件。从仓库的 HelloAgent_difyCase.yml 中可以看到该工作流实际调用了即梦系列多个版本模型如doubao-seedream-4-0/4-5/5-0系列图像模型与doubao-seedance-1-0/1-5/2-0系列视频模型并通过循环节点进行视频任务轮询、配合参数检索与条件判断保证了异步视频生成任务的可控性。4数据查询与分析模块先安装数据查询工具插件案例使用rookie-text2data插件关键是为大模型提供清晰的表结构与字段信息直接提供 DDL 语句或提供表名与字段名对应关系描述再配置数据库连接信息IP、数据库名、端口、账号、密码等查询结果经大模型节点整理为自然语言输出。数据查询助手与数据分析助手的差异仅在于后者额外挂载了generate_pie_chart/generate_column_chart/generate_line_chart三个 BI 图表生成工具两者都通过五段式提示词约束角色、任务、限制与输出格式。5MCP 工具集成选择支持 MCP 调用的 Agent 策略 → 选择 ReAct 模式 → 配置 MCP 服务注意删除mcp-server前缀选择 SSE 模式→ 填写对应提示词。配置完成后高德助手负责出行路线规划饮食助手提供餐饮推荐新闻助手提供资讯服务。4.5 Dify 的优势与局限核心优势全栈开发体验RAG 管道、AI 工作流、模型管理一体化低代码便利性与专业开发灵活性之间的良好平衡企业级安全与合规AES-256 加密、RBAC 权限控制、审计日志丰富的工具集成能力活跃的开源社区。主要局限对零基础用户仍有一定学习曲线高并发场景存在性能瓶颈核心服务端组件基于 Python 实现性能相对 C/Golang/Rust 较弱多模态支持不足目前以文本处理为主企业版定价较高API 格式与 OpenAI 不兼容可能限制与某些第三方系统的集成。五、平台三FastGPT —— 打造智能投资顾问助手5.1 FastGPT 平台与核心能力FastGPT 是开源、基于大模型的知识库问答平台与 Agent 构建工具核心定位是企业级 AI 生产力引擎围绕数据导入 — 智能分块 — 向量检索 — 对话生成完整链路深度优化。登录平台后左侧导航将核心功能划分为对话框、工作台、知识库、账号四大模块其中 Agent 模块细分为工作流、对话机器人、对话机器人 V2Beta三种类型主区域提供从模板创建快捷入口内置销售训练大师、文档翻译助手、行业趋势洞察简报等官方模板。在知识库能力上FastGPT 支持导入 Word、Markdown、PDF 等多种文件格式系统自动分块与索引状态变为Ready后即可在对话中检索引用。文件处理层面提供细粒度参数配置可选用分块存储或问答对抽取处理方式设置分块触发条件如原文长度超过 1000 字符时触发分块并支持多种索引增强选项——索引添加标题、自动生成补充索引、自动图片索引等。其中自动图片索引对图文混排的教材、研究报告尤其重要能让大模型在回答时理解并引用文档中的视觉信息。上传后还能逐块查看内容预览与元数据文件大小、原文长度、处理方式、图片索引状态便于调试优化。此外FastGPT原生支持 MCPModel Context Protocol工具可在我的工具模块中统一管理各类 MCP 服务。5.2 案例目标构建专业的智能投资顾问助手能回答金融投资理论问题、查询实时股票行情、进行用户风险画像评估并生成个性化投资策略分析报告。通过本案例掌握 FastGPT 的核心开发范式知识库构建、MCP 工具集成、可视化工作流编排、多轮对话交互设计。5.3 步骤一配置 MCP 工具智能投资顾问的核心能力之一是获取实时金融数据本案例需要两类 MCP 服务实时股票行情查询获取个股实时价格、涨跌幅、成交量等数据金融数据与图表生成获取宏观经济金融数据并生成可视化图表。案例从魔搭社区的 MCP 市场找到基于 TypeScript 开发的可视化图表 MCP Server提供面积图、柱状图、饼图等多种图表生成能力同时可在阿里云百炼平台的 MCP 管理中找今日投资-金融、且慢等金融 MCP 服务以及实时股票行情查询、万象-视频生成等工具。在 FastGPT 的 MCP 工具配置界面填写服务地址与认证信息后即完成接入每个 MCP 工具可配置独立的描述与调用参数便于智能体决策时理解工具用途。5.4 步骤二设计智能投顾工作流FastGPT 提供可视化 Flow 编排界面通过拖拽节点、连接边来构建复杂对话流。整个智能投资顾问助手工作流包含多个处理分支意图识别节点先判断用户输入类型——金融概念咨询路由到知识库检索分支股票查询路由到 MCP 工具调用分支投资诊断则进入风险问卷收集流程投资知识教育专家连接预置金融知识库检索投资理论、概念解释与案例风险评估分析师通过表单输入节点引导用户完成风险评估问卷年龄、投资经验、月收入水平、风险承受能力、投资目标等维度数据传递给后续大模型节点结合市场环境、基本面与舆情分析整合用户画像、市场数据与新闻信息生成结构化投资策略分析报告市场资讯情报专家根据用户需求调用实时股票 MCP 或图表生成 MCP 获取外部数据通用咨询专家响应你好在吗等简单询问。5.5 步骤三配置提示词与知识库为智能投顾助手设置专业的金融投资顾问角色提示词按五段式组织Role专业金融投资顾问擅长风险评估与资产组合管理、Background用户提供年龄、投资经验、月收入、最大可承受亏损、投资目标、Task基于以上信息输出风险等级评估结果如保守型/稳健型/进取型并解释推理、Limit不提供具体金融产品推荐、不做保本承诺与预测、不基于假设扩展用户信息、保持客观中立、Output Format风险等级评估、评估推理、风险提示三段式输出。同时为助手配置金融知识库上传投资基础、财务报表分析、宏观经济指标解读等文档并按前述流程完成分块与索引。当用户问市盈率和市净率有什么区别这类概念问题时智能体可从知识库检索准确的定义与对比分析而非完全依赖大模型的预训练知识从而有效降低幻觉风险。5.6 步骤四测试与效果验证在对话界面测试时助手的开场白明确介绍三大功能掌握金融投资理论、实时市场行情与数据、基于风险画像的资产配置建议并提供一键触发常用任务的快捷按钮。点击进行资产测评获取投资建议后助手依次展开风险评估问卷基于收集的信息生成完整投资策略分析报告报告包含四大核心模块用户风险评估根据问卷结果分析风险承受等级如稳健型资产配置比例建议以可视化饼图呈现股票、债券、现金等大类资产配置比例如股票 45%、债券 40%、现金 15%市场基本面分析基于当前宏观经济环境与行业趋势给出市场判断再平衡策略提供周期性组合再平衡建议包括再平衡周期与触发条件。在实时数据查询场景中用户询问查询贵州茅台的股票价格信息时智能体会自动调用 MCP 工具get_stock_quote_realtime获取实时行情返回结果包含标题、数据来源、关键亮点开盘价、最高价、盘中价格区间、成交量、总市值、流通市值等以及潜在影响分析与操作建议。在概念解释场景中回答市盈率和市净率的区别时助手基于知识库与大模型理解给出系统性对比分析先讲定义与计算方法再从计算依据、适用行业、反映信息、局限性四个维度对比最后给出实际应用建议——这正是 RAG 增强大模型在垂直领域问答中的典型优势。5.7 FastGPT 的优势与局限优势知识库体验极致从文件上传、智能分块、索引增强、图片识别到检索召回每环都有细粒度配置与透明调试界面开箱即用原生支持 MCP 协议可与魔搭、阿里云百炼等生态的大量 MCP 服务无缝集成工具扩展不再受平台内置插件库限制模型中立设计灵活接入 OpenAI、Claude、通义千问、DeepSeek 等国内外主流大模型Flow 模块的可视化编排支持复杂多分支逻辑的快速构建。局限模板生态相对薄弱相比 Coze 丰富的插件商店与 Dify 8000 插件的市场FastGPT 的官方模板与内置工具数量有限免费版配额紧张仅 100 积分、30 QPM 调用频率知识库索引数与团队成员数也受限难以支撑中等规模团队协作社区与英文文档仍在完善中。六、平台四n8n —— 构建智能邮件助理6.1 n8n 的节点与工作流n8n 的核心身份是通用工作流自动化平台而非纯 LLM 应用构建工具其世界由两个最基本的概念组成节点Node工作流中执行特定操作的最小单元n8n 提供数百个预设节点发送邮件、读写数据库、调用 API、处理文件等分为两类触发器节点整个工作流的起点如收到新 Gmail 邮件每小时触发一次收到 Webhook 请求——一个工作流必须有且只有一个触发器节点普通节点负责处理具体数据与逻辑如读取 Google Sheets调用 OpenAI 模型在数据库插入记录。工作流Workflow由多个节点连接而成的自动化流程图数据以结构化的 JSON 格式在节点间传递可精确控制每个环节的输入输出。n8n 的强大之处在于连接把原本孤立的 CRM、社交媒体、数据库与大模型等应用和服务串成端到端自动化流程。环境配置与最基础的使用方法可参考仓库 N8N 安装指南基于 Docker 一键部署也可参考 Node.js 安装指南 准备相关运行环境。本案例的完整工作流可直接从 HelloAgent_n8nCase.json 导入还原。6.2 案例架构从线性流程到自主决策传统自动化流程是线性的而本案例构建的智能邮件助理将通过核心AI Agent 节点思考接收用户邮件 → 自主理解用户意图 → 在多个可用工具中做出决策选择 → 自动生成并发送高相关度的回复。整体决策逻辑为接收 - AI Agent思考 - 决策 - 工具调用- 回复。与把工具拆分成多个子工作流的传统方式不同n8n 的AI Agent节点允许在统一界面中集成大语言模型LLM、记忆Memory与工具Tools大幅简化构建过程。构建分两步先准备 Agent 的记忆加载私有知识库再构建 Agent 主体接收邮件、思考、回复的主工作流。6.3 构建 Agent 私有知识库为了让 Agent 能回答特定领域问题如个人信息或项目文档需要先为它准备外部大脑——向量知识库。使用Simple Vector Store节点即可在内存中快速构建该准备工作通常在更新知识时运行一次。1定义知识来源使用Code节点以 JSON 格式存放原始知识文本return [ { doc_id: work-schedule-001, content: My working hours are Monday to Friday, 9 AM to 5 PM. The timezone is Australian Eastern Standard Time (AEST). }, { doc_id: off-hours-policy-001, content: During non-working hours (including weekends and public holidays), I cannot reply to emails immediately. }, { doc_id: auto-reply-instruction-001, content: If an email is received during non-working hours, the AI assistant should inform the sender that the email has been received and I will process and reply as soon as possible between 9 AM and 5 PM on the next working day. } ];2文本向量化使用Embeddings Google Gemini节点模型选择gemini-embedding-exp-03-07仓库工程文件 HelloAgent_n8nCase.json 中对应配置为models/gemini-embedding-exp-03-07连接在Code节点之后自动把上游文本转换为向量数据。3存入向量存储使用Simple Vector Store节点操作模式选择Insert Documents写入模式为知识库设置唯一名称Memory Key例如my-dailytime——这个 Key 相当于数据库的表名Agent 后续将据此查找信息。配置完成后手动执行一次该流程私有知识即被加载进 n8n 内存。6.4 构建 Agent 主工作流1配置 Gmail 触发器新建名为Agent: Customer Support的工作流使用Gmail节点作为触发器Event 设为Message Received并配置邮箱账号需在 Google Cloud 控制台创建凭据、选择 Web application 类型获取 client ID 与 client secret把 n8n 提供的 OAuth Redirect URL 添加到授权重定向 URI并在 Audience 中添加自己的邮箱。配置完成后可点击Fetch Test Event获取真实邮件进行测试。2配置 AI Agent 节点从节点菜单拖入AI Agent节点并配置Chat Model连接所选大语言模型如Google Gemini Chat Model作为 Agent 的思考核心Memory连接Simple Memory节点让 Agent 在同一邮件线程处理多轮往来邮件时记住历史对话Tools案例连接两个工具——SerpAPI第 4 章案例中用过的 API赋予 Agent 联网搜索公开信息的能力与Simple Vector Store赋予查询第一部分创建的私有知识库的能力。AI Agent节点的提示词设计是关键。User Message 注入上下文信息当前时间、发件人、主题、邮件正文System Message 定义角色目标24/7 在线的专业 AI 邮件助理、可用工具Simple Vector Store2查询工作时间、SerpAPI作为主要信息源、执行步骤分析问题 → 并行收集信息 → 起草核心回复 → 根据是否工作时间拼接状态前缀 → 严格 JSON 格式输出并约束输出格式最终回复 JSON 的body字段中所有换行必须使用 HTMLbr标签。3配置 Agent 的工具Simple Vector Store工具需配置操作模式为Retrieve Documents (As Tool for AI Agent)作为工具读取、Memory Key 与第一部分完全一致my-dailytime、Embeddings 使用与第一部分完全一致的Embeddings Google Gemini模型。只有当 Memory Key 与 Embeddings 模型完全一致Agent 才能用正确的钥匙和语言访问知识库。同时为工具填写 Description 描述说明该工具用于查询个人工作时间与邮件回复策略供 AI Agent 调用时理解。Simple Memory则以每个邮箱的线程名作为唯一标识保证存储唯一性Key 设为{{ $(Gmail).item.json.threadId }}。4发送最终回复将AI Agent节点输出连接到Gmail节点Operation 设为Send用 n8n 表达式把收件人、主题、正文关联到 AI Agent 输出的 JSON 字段- To: {{ $(Gmail).item.json.From }} - Subject: Re: {{ $(Gmail).item.json.Subject }} - Message: {{ $json.output }}发送成功后可在个人邮箱收到真实回信。此后发送测试邮件即可验证整套接收-思考-决策-回复流程。该架构扩展性极强未来可直接在AI Agent节点上增加更多工具日历、数据库、CRM 等只需在提示词中教会 Agent 如何使用它们。6.5 n8n 的优势与局限优势开发效率高把复杂逻辑抽象为直观可视化工作流数据流与处理链路一目了然功能强大、集成度高数百个预设节点AI Agent节点把模型、记忆、工具管理高度集成Code节点还提供自定义代码的灵活性支持私有化部署可以把整个服务部署在自己的服务器上确保内部邮件、客户数据等敏感信息不出自有环境。局限工作流复杂后调试与错误处理相对繁琐数据格式错误时需逐个节点检查输入输出内置存储不持久Simple Memory与Simple Vector Store都是基于内存的服务重启后对话历史与知识库全部丢失生产环境需替换为 Redis、Pinecone 等外部持久化数据库版本控制与多人协作不如传统代码成熟工作流导出为 JSON 后对比变更远不如git diff清晰多人同时编辑易冲突超高频并发场景下节点调度机制可能带来一定性能开销。七、总结与选型建议四个平台各具特色Coze以零代码友好体验与丰富插件生态见长每日 AI 简报案例演示了如何通过拖拽配置快速整合多源信息并一键发布到多个主流平台适合无技术背景用户与快速验证想法的场景但存在不支持 MCP、无法导出标准化配置文件等局限Dify作为开源企业级平台展现全栈开发能力超级智能体个人助手案例覆盖日常问答、文案优化、多模态生成、数据分析与 MCP 工具集成等多个模块其丰富的插件市场、灵活的部署方式与企业级安全特性使其成为专业开发者与企业团队的理想选择但学习曲线与高并发性能需要权衡FastGPT以极致的 RAG 知识库体验在垂直领域问答场景中胜出智能投资顾问助手案例演示了从知识库构建、MCP 工具集成到可视化工作流编排的完整开发范式其分块、索引增强、图片识别的细粒度控制在企业知识助手与智能客服场景优势明显n8n以独特的连接能力开辟另一条路径智能邮件助理案例展示了如何将 AI 能力无缝嵌入复杂业务流程自动化AI Agent节点高度集成模型、记忆与工具配合数百个预设节点可实现高度定制化自动化方案私有部署能力对重视数据安全的企业尤其重要。基于四个平台的对比实践可以得出如下选型建议场景推荐平台快速原型验证、非技术用户优先 Coze企业级应用、复杂业务逻辑、多模态生成优先 Dify基于私有知识库的问答系统、智能客服优先 FastGPT深度业务集成、通用自动化流程优先 n8n需要强调的是低代码平台并非要取代代码开发而是提供互补选择。实际项目中可以按阶段灵活切换用低代码平台快速验证想法、用代码实现细粒度控制用平台处理标准化流程、用代码处理特殊逻辑。这种混合开发思维才是智能体工程的最佳实践。八、练习与思考平台定位对比分析 Coze、Dify、FastGPT、n8n 在核心定位与设计理念上的差异它们分别解决智能体开发中的哪些痛点低代码平台、纯代码开发、混合开发三种模式各适合什么场景Coze 拓展如何把每日 AI 简报从被动触发改为每天早上 8 点自动生成并推送指定飞书群或公众号如何优化提示词让简报更专业、结构更清晰或新增热点分析趋势预测功能Coze 不支持 MCP 是重要局限feature-mcp虽在 Coze Studio Q4 2025 产品路线图中但尚未实现请说明 MCP 协议是什么、为何重要以及 Coze 支持 MCP 后会带来哪些新可能。Dify 深挖多智能体架构中问题分类器智能路由相比单 Agent 处理所有任务有何优势如果数据库有 50 张表、每表 20 个字段直接把所有 DDL 塞进提示词会导致上下文过长请设计更聪明的解决方案。对比 Dify 本地部署与云部署在数据安全、成本、性能、维护难度上的差异及适用场景。FastGPT 深挖对比 FastGPT 与 Dify 的知识库处理文件分块、索引增强、图片识别在设计理念与适用场景上的差异。如果 FastGPT 不原生支持 MCP如何用替代方案实现同样功能免费版仅 100 积分、30 QPM为服务 1000 用户的创业团队设计兼顾成本与性能的方案。n8n 深挖把Simple Vector Store与Simple Memory替换为 Pinecone、Redis 等持久化存储并说明配置过程。如果用户邮件含 PDF、图片等附件如何扩展工作流让 Agent 理解附件内容并回复设计一个电商场景客户下单后自动触发发送确认邮件、更新库存数据库、通知物流系统、在 CRM 记录客户信息的完整工作流画出节点连接图并说明关键配置。提示词工程对比四个案例Coze、Dify、FastGPT、n8n的提示词设计在结构、风格与侧重点上的差异这些差异是否与平台特性相关Dify 文案优化模块要求输出超过 500 字这种硬性长度要求是否合理什么情况下应限制输出长度、什么情况下应让模型自由表达工具与插件扩展如果四个平台都没有你需要的工具如连接公司内部系统 API你如何解决研究并说明 MCP 协议与 RESTful API、Tool Calling 的差异为什么 MCP 被称为智能体工具调用的新标准若为 Dify 开发一个调用公司内部知识库系统的自定义插件请概述开发流程与关键技术点。平台选型综合题假设你是创业公司技术负责人为以下三个应用选择最合适的方案Coze、Dify、FastGPT、n8n 或纯代码并从技术可行性、开发效率、成本控制、可维护性、可扩展性、数据安全与合规六个维度分析应用 A面向 C 端用户的AI 写作助手小程序需快速上线验证市场需求、预算有限、团队只有 1 名前端工程师和 1 名产品经理应用 B面向企业客户的智能合同审查系统需处理敏感法律文档、数据不能离开客户私有环境、需与客户现有 OA 与文档管理系统深度集成应用 C内部研发效能提升工具需自动化代码审查、测试报告生成、缺陷跟踪、项目进度同步等研发环节团队技术能力强。参考资料[1] Coze——下一代 AI 应用开发平台。 https://www.coze.cn/[2] Dify——开源 LLM 应用开发平台。 https://dify.ai/[3] FastGPT——开源知识库问答平台与 Agent 构建工具。 https://fastgpt.io/en/[4] n8n——工作流自动化工具。 https://n8n.io/【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/19 21:21:20 · 阅读 1.2k 低代码平台构建智能体实战：Coze、Dify、FastGPT 与 n8n 全解析（hello-agents 第 5 章）
低代码平台构建智能体实战Coze、Dify、FastGPT 与 n8n 全解析hello-agents 第 5 章【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents在 hello-agents 开源教程的第 4 章中我们通过编写 Python 代码从零实现了 ReAct、Plan-and-Solve、Reflection 等经典智能体范式打下了扎实的技术底子。但面对快速演进的智能体领域纯代码开发并不总是最高效的选择——尤其在需要快速验证想法、或非专业开发者参与构建的场景下。本文基于教程 第五章《低代码平台构建智能体》完整展开 Coze、Dify、FastGPT、n8n 四大代表性低代码平台的定位、原理与实战案例并结合仓库内对应的可导入工程文件帮你掌握从拖拽节点到发布上线的完整链路理解平台化与代码化两种开发范式的取舍。一、为什么需要低代码平台第 4 章中我们虽然封装了ReActAgent、PlanAndSolveAgent等可复用类但当业务逻辑复杂化后纯代码的维护成本和开发周期会急剧上升。低代码平台正是为解决这些痛点而生其核心价值体现在四个方面降低技术门槛平台将 API 调用、状态管理、并发控制等复杂技术细节封装为节点或模块产品经理、设计师、业务专家也能通过拖拽连线参与智能体构建极大扩展了创新的边界。提升开发效率原本需要数天编码的原型验证用平台几小时甚至几分钟即可完成开发者可以把精力投入到业务逻辑组织与提示词工程优化上。更好的可视化与可观测性相比终端打印日志图形化平台天然提供智能体运行轨迹的端到端可视化能清晰看到数据如何在各节点间流动、哪条链路最耗时、哪个工具调用失败。标准化与最佳实践沉淀优秀平台内置了 ReAct 预设模板、优化的知识库检索引擎、标准化的工具接入规范等让团队在统一标准上协作。需要强调的是低代码平台不是要取代代码而是提供更高层次的抽象让我们从繁琐的底层实现中解放出来聚焦智能体思考与行动本身的逻辑。二、四大平台概览与选型平台核心定位目标用户关键特征Coze零代码/低代码 Agent 构建体验AI 应用入门用户、产品经理、运营、个人创作者极友好的可视化界面、丰富的插件库、一键发布到抖音/飞书/公众号等Dify开源全功能 LLM 应用开发与运维平台有一定技术背景的开发者、需要构建可扩展企业级应用的团队BaaS LLMOps 理念、Agent 工作流、RAG Pipeline、数据标注、微调FastGPT开源知识库问答平台与 Agent 构建工具想基于私有知识库快速构建智能客服/知识助手的开发者与中小团队RAG 全链路深度优化、可视化 Flow 编排、模型中立、原生 MCP 支持n8n开源工作流自动化工具需要将 AI 深度集成进现有业务流程的开发者与企业数百个预设节点、强大的连接能力、支持私有化部署四个平台的仓库配套文件分别为 HelloAgent_cozeCase.zip、HelloAgent_difyCase.yml、HelloAgent_fastgptCase.json 与 HelloAgent_n8nCase.json下文四个案例均可据此对照还原。三、平台一Coze —— 零代码构建每日 AI 简报智能体3.1 Coze 功能模块总览Coze 是目前市场应用最广泛的智能体平台之一。其界面左侧边栏是开发工作区包含核心项目开发、资源库、效果评估、空间配置下方是配套物料空间包括官方模板、插件商店、智能体社区、API 管理、教程文档与企业级通用管理。右侧则提供模板、更新公告、新手教程、关注与智能体推荐等内容。Coze 的开发体验可以用游戏来类比工作流是通关路线图对话流是 NPC 对话关卡插件是角色技能卡知识库是游戏百科全书卡片是快捷道具栏提示词是角色移动按键数据库是云存档发布管理是关卡评审模型管理是角色库效果评估是评分系统。项目空间智能体仓库存放所有开发或复制的智能体与应用资源库存放工作流、知识库、卡片、提示词库等开发武器装备决定智能体能力上限空间配置统一管理智能体、插件、工作流、发布渠道以及调用的各类大模型。3.2 案例目标与技能点本案例构建每日 AI 简报智能体自动从 36Kr、虎嗅、IT 之家、InfoQ、GitHub、arXiv 等信源抓取 AI 领域头条、学术论文与开源项目动态整合成结构化的专业简报。你将掌握三项核心技能多源信息聚合借助 Coze 插件生态实现跨平台、跨类型数据流的无缝集成智能体行为定义通过角色设定与提示词工程精确控制任务执行与内容生成自动化工作流构建把数据采集、内容处理、格式化输出等环节串联成高效流水线。3.3 步骤一添加并配置信源插件在插件库中搜索并添加所需插件通过RSS 插件订阅媒体平台的 RSS 订阅源通过GitHub 插件追踪开源项目通过arXiv 插件获取最新学术成果。随后对每个插件做细粒度配置RSS 链接配置 - 36Kr: https://www.36kr.com/feed - 虎嗅: https://rss.huxiu.com/ - IT之家: http://www.ithome.com/rss/ - InfoQ: https://feed.infoq.com/ai-ml-data-eng/ GitHub 插件配置 - q: AI - per_page: 10 - sort: updated Arxiv 插件配置 - count: 5 - search_query: AI - sort_by: 2配置完成后在可视化编排界面中把这些插件如rss_24Hbj、searchRepository、arxiv等作为数据输入节点连接到后续的大模型处理模块构成完整的数据处理链路。3.4 步骤二设置角色与提示词将智能体设定为资深权威的科技媒体主编并把提示词划分为System Prompt定义长期行为准则与输出格式规范与User Prompt定义具体任务指令与数据来源。System Prompt 核心要点开头显著展示AI 每日简报 | 日期 | by作者每个标题前根据内容加上独特 Emoji所有内容必须与 AI、LLM、AIGC、大模型等高度相关每条内容必须附原始链接并给出简明摘要。User Prompt 核心要点- 信息提取与整合从 {{articles}}、{{articles1}}、{{articles2}}、{{articles3}} 中筛取与 AI 相关的文章标题与链接组织为AI 科技快讯模块 - 学术论文摘要从 {{arxiv}} 中基于 arxiv_title 与 arxiv_link 字段归纳最新论文形成AI 学术论文模块 - 开源项目筛选从 {{GitHub}} 中筛出 5 个最突出的 AI 开源项目组织为AI 开源项目模块 - 输出总量10 条 AI 科技快讯、5 篇 AI 学术论文、5 个 AI 开源项目。3.5 步骤三测试调试与多渠道发布在预览界面运行智能体观察生成的简报是否符合预期。若内容不够精炼修改提示词中的摘要要求若数据抓取不准确检查插件配置参数。调试通过后即可一键发布到微信、豆包、飞书等主流平台也可以把智能体发布到 Coze 商店、集成进 AI 应用对外服务。发布前需为智能体配置合适的名称、头像与欢迎语以提供更友好的用户体验。3.6 Coze 的优势与局限优势插件生态强大可轻松接入外部服务与数据源可视化编排低门槛通过角色设定与提示词可对输出做细粒度控制并支持提示词管理与模板支持多渠道一键发布且越来越多的手机厂商与硬件厂商逐步支持 Coze 智能体发布。局限不支持 MCP这一点在练习题中也有讨论虽然feature-mcp已进入 Coze Studio 的 Q4 2025 产品路线图但当时尚未落地部分需要 API Key 的插件配置复杂复杂工作流编排仍需 JavaScript 或 Python 基础无法直接导入 JSON 文件导出/导入的是 ZIP 文件可使用 CtrlA 全选复制布局作为变通方案。四、平台二Dify —— 构建超级智能体个人助手4.1 Dify 平台与生态Dify 是开源的大模型应用开发平台融合了BaaS后端即服务与 LLMOps理念提供从原型设计到生产部署的全流程支持。它采用分层模块化架构分为数据层、开发层、编排层与基础层各层解耦、便于扩展。Dify 高度模型中立内置支持数百种开源或商用大模型GPT、DeepSeek、Llama 及任何兼容 OpenAI API 的模型支持 Docker Compose 一键本地部署与云部署。Dify Marketplace 提供插件的一站式管理与一键部署涵盖Models、Tools、Agent Strategies、Extensions、Bundles五类插件。官方推荐插件包括 Google Searchlanggenius/google、Azure OpenAIlanggenius/azure_openai、Notionlanggenius/notion、DuckDuckGolanggenius/duckduckgo等。平台还支持与主流 IDE 协作的远程调试功能插件操作会转发到本地环境进行测试。4.2 案例目标与整体架构本案例构建功能全面的超级智能体个人助手涵盖日常生活问答、文案润色优化、多模态内容生成图片、视频、数据查询与可视化分析、MCP 工具集成高德地图、饮食推荐、新闻资讯五大模块。多智能体架构使用问题分类器进行智能路由为每个子智能体定义核心功能与任务范围确保用户请求被精准分发到对应处理模块。完整的保姆级搭建流程可参考 Extra03-Dify智能体创建保姆级操作流程整个案例的完整工作流可直接导入 HelloAgent_difyCase.yml。4.3 插件安装与 MCP 配置构建前先从 Dify 插件市场安装案例所需插件然后配置 MCPModel Context Protocol。案例使用魔搭ModelScope社区 MCP 市场的托管服务进行演示进入高德地图 MCP 主页后右侧选择SSE 模式点击连接配置生成专属的 MCP 配置 JSON。MCP 支持多种通信模式但在 Dify 中使用SSE 模式更流畅稳定因此推荐使用。4.4 五大功能模块实现1日常助手模块基础对话模块配置大语言模型与时间工具作为兜底通用问答。提示词采用结构化 Persona 写法包含 Profile语言、描述、背景、性格、专长、Skills问题分析、解答提供、沟通表达、Rules回答原则与行为准则、Workflows目标与步骤、Initialization初始化声明。2文案优化模块数据显示超 60% 的用户使用大模型做文本优化类任务文案优化是高频率需求场景。提示词按五段式组织Role营销文案优化专家、Background原文案与优化背景、Task优化结构与语言、提升吸引力与转化潜力、Limit不改变核心信息、不虚构内容、避免技术术语、Output Format示例把我们的产品很好快来买优化为超过 500 字、富有感染力与细节的完整文案。3多模态生成模块通过即梦Jimeng插件实现图片与视频生成。配置步骤在工作流中添加即梦图片/视频生成插件 → 配置参数如图片比例 1:1模型选择等→ 输出生成文件。从仓库的 HelloAgent_difyCase.yml 中可以看到该工作流实际调用了即梦系列多个版本模型如doubao-seedream-4-0/4-5/5-0系列图像模型与doubao-seedance-1-0/1-5/2-0系列视频模型并通过循环节点进行视频任务轮询、配合参数检索与条件判断保证了异步视频生成任务的可控性。4数据查询与分析模块先安装数据查询工具插件案例使用rookie-text2data插件关键是为大模型提供清晰的表结构与字段信息直接提供 DDL 语句或提供表名与字段名对应关系描述再配置数据库连接信息IP、数据库名、端口、账号、密码等查询结果经大模型节点整理为自然语言输出。数据查询助手与数据分析助手的差异仅在于后者额外挂载了generate_pie_chart/generate_column_chart/generate_line_chart三个 BI 图表生成工具两者都通过五段式提示词约束角色、任务、限制与输出格式。5MCP 工具集成选择支持 MCP 调用的 Agent 策略 → 选择 ReAct 模式 → 配置 MCP 服务注意删除mcp-server前缀选择 SSE 模式→ 填写对应提示词。配置完成后高德助手负责出行路线规划饮食助手提供餐饮推荐新闻助手提供资讯服务。4.5 Dify 的优势与局限核心优势全栈开发体验RAG 管道、AI 工作流、模型管理一体化低代码便利性与专业开发灵活性之间的良好平衡企业级安全与合规AES-256 加密、RBAC 权限控制、审计日志丰富的工具集成能力活跃的开源社区。主要局限对零基础用户仍有一定学习曲线高并发场景存在性能瓶颈核心服务端组件基于 Python 实现性能相对 C/Golang/Rust 较弱多模态支持不足目前以文本处理为主企业版定价较高API 格式与 OpenAI 不兼容可能限制与某些第三方系统的集成。五、平台三FastGPT —— 打造智能投资顾问助手5.1 FastGPT 平台与核心能力FastGPT 是开源、基于大模型的知识库问答平台与 Agent 构建工具核心定位是企业级 AI 生产力引擎围绕数据导入 — 智能分块 — 向量检索 — 对话生成完整链路深度优化。登录平台后左侧导航将核心功能划分为对话框、工作台、知识库、账号四大模块其中 Agent 模块细分为工作流、对话机器人、对话机器人 V2Beta三种类型主区域提供从模板创建快捷入口内置销售训练大师、文档翻译助手、行业趋势洞察简报等官方模板。在知识库能力上FastGPT 支持导入 Word、Markdown、PDF 等多种文件格式系统自动分块与索引状态变为Ready后即可在对话中检索引用。文件处理层面提供细粒度参数配置可选用分块存储或问答对抽取处理方式设置分块触发条件如原文长度超过 1000 字符时触发分块并支持多种索引增强选项——索引添加标题、自动生成补充索引、自动图片索引等。其中自动图片索引对图文混排的教材、研究报告尤其重要能让大模型在回答时理解并引用文档中的视觉信息。上传后还能逐块查看内容预览与元数据文件大小、原文长度、处理方式、图片索引状态便于调试优化。此外FastGPT原生支持 MCPModel Context Protocol工具可在我的工具模块中统一管理各类 MCP 服务。5.2 案例目标构建专业的智能投资顾问助手能回答金融投资理论问题、查询实时股票行情、进行用户风险画像评估并生成个性化投资策略分析报告。通过本案例掌握 FastGPT 的核心开发范式知识库构建、MCP 工具集成、可视化工作流编排、多轮对话交互设计。5.3 步骤一配置 MCP 工具智能投资顾问的核心能力之一是获取实时金融数据本案例需要两类 MCP 服务实时股票行情查询获取个股实时价格、涨跌幅、成交量等数据金融数据与图表生成获取宏观经济金融数据并生成可视化图表。案例从魔搭社区的 MCP 市场找到基于 TypeScript 开发的可视化图表 MCP Server提供面积图、柱状图、饼图等多种图表生成能力同时可在阿里云百炼平台的 MCP 管理中找今日投资-金融、且慢等金融 MCP 服务以及实时股票行情查询、万象-视频生成等工具。在 FastGPT 的 MCP 工具配置界面填写服务地址与认证信息后即完成接入每个 MCP 工具可配置独立的描述与调用参数便于智能体决策时理解工具用途。5.4 步骤二设计智能投顾工作流FastGPT 提供可视化 Flow 编排界面通过拖拽节点、连接边来构建复杂对话流。整个智能投资顾问助手工作流包含多个处理分支意图识别节点先判断用户输入类型——金融概念咨询路由到知识库检索分支股票查询路由到 MCP 工具调用分支投资诊断则进入风险问卷收集流程投资知识教育专家连接预置金融知识库检索投资理论、概念解释与案例风险评估分析师通过表单输入节点引导用户完成风险评估问卷年龄、投资经验、月收入水平、风险承受能力、投资目标等维度数据传递给后续大模型节点结合市场环境、基本面与舆情分析整合用户画像、市场数据与新闻信息生成结构化投资策略分析报告市场资讯情报专家根据用户需求调用实时股票 MCP 或图表生成 MCP 获取外部数据通用咨询专家响应你好在吗等简单询问。5.5 步骤三配置提示词与知识库为智能投顾助手设置专业的金融投资顾问角色提示词按五段式组织Role专业金融投资顾问擅长风险评估与资产组合管理、Background用户提供年龄、投资经验、月收入、最大可承受亏损、投资目标、Task基于以上信息输出风险等级评估结果如保守型/稳健型/进取型并解释推理、Limit不提供具体金融产品推荐、不做保本承诺与预测、不基于假设扩展用户信息、保持客观中立、Output Format风险等级评估、评估推理、风险提示三段式输出。同时为助手配置金融知识库上传投资基础、财务报表分析、宏观经济指标解读等文档并按前述流程完成分块与索引。当用户问市盈率和市净率有什么区别这类概念问题时智能体可从知识库检索准确的定义与对比分析而非完全依赖大模型的预训练知识从而有效降低幻觉风险。5.6 步骤四测试与效果验证在对话界面测试时助手的开场白明确介绍三大功能掌握金融投资理论、实时市场行情与数据、基于风险画像的资产配置建议并提供一键触发常用任务的快捷按钮。点击进行资产测评获取投资建议后助手依次展开风险评估问卷基于收集的信息生成完整投资策略分析报告报告包含四大核心模块用户风险评估根据问卷结果分析风险承受等级如稳健型资产配置比例建议以可视化饼图呈现股票、债券、现金等大类资产配置比例如股票 45%、债券 40%、现金 15%市场基本面分析基于当前宏观经济环境与行业趋势给出市场判断再平衡策略提供周期性组合再平衡建议包括再平衡周期与触发条件。在实时数据查询场景中用户询问查询贵州茅台的股票价格信息时智能体会自动调用 MCP 工具get_stock_quote_realtime获取实时行情返回结果包含标题、数据来源、关键亮点开盘价、最高价、盘中价格区间、成交量、总市值、流通市值等以及潜在影响分析与操作建议。在概念解释场景中回答市盈率和市净率的区别时助手基于知识库与大模型理解给出系统性对比分析先讲定义与计算方法再从计算依据、适用行业、反映信息、局限性四个维度对比最后给出实际应用建议——这正是 RAG 增强大模型在垂直领域问答中的典型优势。5.7 FastGPT 的优势与局限优势知识库体验极致从文件上传、智能分块、索引增强、图片识别到检索召回每环都有细粒度配置与透明调试界面开箱即用原生支持 MCP 协议可与魔搭、阿里云百炼等生态的大量 MCP 服务无缝集成工具扩展不再受平台内置插件库限制模型中立设计灵活接入 OpenAI、Claude、通义千问、DeepSeek 等国内外主流大模型Flow 模块的可视化编排支持复杂多分支逻辑的快速构建。局限模板生态相对薄弱相比 Coze 丰富的插件商店与 Dify 8000 插件的市场FastGPT 的官方模板与内置工具数量有限免费版配额紧张仅 100 积分、30 QPM 调用频率知识库索引数与团队成员数也受限难以支撑中等规模团队协作社区与英文文档仍在完善中。六、平台四n8n —— 构建智能邮件助理6.1 n8n 的节点与工作流n8n 的核心身份是通用工作流自动化平台而非纯 LLM 应用构建工具其世界由两个最基本的概念组成节点Node工作流中执行特定操作的最小单元n8n 提供数百个预设节点发送邮件、读写数据库、调用 API、处理文件等分为两类触发器节点整个工作流的起点如收到新 Gmail 邮件每小时触发一次收到 Webhook 请求——一个工作流必须有且只有一个触发器节点普通节点负责处理具体数据与逻辑如读取 Google Sheets调用 OpenAI 模型在数据库插入记录。工作流Workflow由多个节点连接而成的自动化流程图数据以结构化的 JSON 格式在节点间传递可精确控制每个环节的输入输出。n8n 的强大之处在于连接把原本孤立的 CRM、社交媒体、数据库与大模型等应用和服务串成端到端自动化流程。环境配置与最基础的使用方法可参考仓库 N8N 安装指南基于 Docker 一键部署也可参考 Node.js 安装指南 准备相关运行环境。本案例的完整工作流可直接从 HelloAgent_n8nCase.json 导入还原。6.2 案例架构从线性流程到自主决策传统自动化流程是线性的而本案例构建的智能邮件助理将通过核心AI Agent 节点思考接收用户邮件 → 自主理解用户意图 → 在多个可用工具中做出决策选择 → 自动生成并发送高相关度的回复。整体决策逻辑为接收 - AI Agent思考 - 决策 - 工具调用- 回复。与把工具拆分成多个子工作流的传统方式不同n8n 的AI Agent节点允许在统一界面中集成大语言模型LLM、记忆Memory与工具Tools大幅简化构建过程。构建分两步先准备 Agent 的记忆加载私有知识库再构建 Agent 主体接收邮件、思考、回复的主工作流。6.3 构建 Agent 私有知识库为了让 Agent 能回答特定领域问题如个人信息或项目文档需要先为它准备外部大脑——向量知识库。使用Simple Vector Store节点即可在内存中快速构建该准备工作通常在更新知识时运行一次。1定义知识来源使用Code节点以 JSON 格式存放原始知识文本return [ { doc_id: work-schedule-001, content: My working hours are Monday to Friday, 9 AM to 5 PM. The timezone is Australian Eastern Standard Time (AEST). }, { doc_id: off-hours-policy-001, content: During non-working hours (including weekends and public holidays), I cannot reply to emails immediately. }, { doc_id: auto-reply-instruction-001, content: If an email is received during non-working hours, the AI assistant should inform the sender that the email has been received and I will process and reply as soon as possible between 9 AM and 5 PM on the next working day. } ];2文本向量化使用Embeddings Google Gemini节点模型选择gemini-embedding-exp-03-07仓库工程文件 HelloAgent_n8nCase.json 中对应配置为models/gemini-embedding-exp-03-07连接在Code节点之后自动把上游文本转换为向量数据。3存入向量存储使用Simple Vector Store节点操作模式选择Insert Documents写入模式为知识库设置唯一名称Memory Key例如my-dailytime——这个 Key 相当于数据库的表名Agent 后续将据此查找信息。配置完成后手动执行一次该流程私有知识即被加载进 n8n 内存。6.4 构建 Agent 主工作流1配置 Gmail 触发器新建名为Agent: Customer Support的工作流使用Gmail节点作为触发器Event 设为Message Received并配置邮箱账号需在 Google Cloud 控制台创建凭据、选择 Web application 类型获取 client ID 与 client secret把 n8n 提供的 OAuth Redirect URL 添加到授权重定向 URI并在 Audience 中添加自己的邮箱。配置完成后可点击Fetch Test Event获取真实邮件进行测试。2配置 AI Agent 节点从节点菜单拖入AI Agent节点并配置Chat Model连接所选大语言模型如Google Gemini Chat Model作为 Agent 的思考核心Memory连接Simple Memory节点让 Agent 在同一邮件线程处理多轮往来邮件时记住历史对话Tools案例连接两个工具——SerpAPI第 4 章案例中用过的 API赋予 Agent 联网搜索公开信息的能力与Simple Vector Store赋予查询第一部分创建的私有知识库的能力。AI Agent节点的提示词设计是关键。User Message 注入上下文信息当前时间、发件人、主题、邮件正文System Message 定义角色目标24/7 在线的专业 AI 邮件助理、可用工具Simple Vector Store2查询工作时间、SerpAPI作为主要信息源、执行步骤分析问题 → 并行收集信息 → 起草核心回复 → 根据是否工作时间拼接状态前缀 → 严格 JSON 格式输出并约束输出格式最终回复 JSON 的body字段中所有换行必须使用 HTMLbr标签。3配置 Agent 的工具Simple Vector Store工具需配置操作模式为Retrieve Documents (As Tool for AI Agent)作为工具读取、Memory Key 与第一部分完全一致my-dailytime、Embeddings 使用与第一部分完全一致的Embeddings Google Gemini模型。只有当 Memory Key 与 Embeddings 模型完全一致Agent 才能用正确的钥匙和语言访问知识库。同时为工具填写 Description 描述说明该工具用于查询个人工作时间与邮件回复策略供 AI Agent 调用时理解。Simple Memory则以每个邮箱的线程名作为唯一标识保证存储唯一性Key 设为{{ $(Gmail).item.json.threadId }}。4发送最终回复将AI Agent节点输出连接到Gmail节点Operation 设为Send用 n8n 表达式把收件人、主题、正文关联到 AI Agent 输出的 JSON 字段- To: {{ $(Gmail).item.json.From }} - Subject: Re: {{ $(Gmail).item.json.Subject }} - Message: {{ $json.output }}发送成功后可在个人邮箱收到真实回信。此后发送测试邮件即可验证整套接收-思考-决策-回复流程。该架构扩展性极强未来可直接在AI Agent节点上增加更多工具日历、数据库、CRM 等只需在提示词中教会 Agent 如何使用它们。6.5 n8n 的优势与局限优势开发效率高把复杂逻辑抽象为直观可视化工作流数据流与处理链路一目了然功能强大、集成度高数百个预设节点AI Agent节点把模型、记忆、工具管理高度集成Code节点还提供自定义代码的灵活性支持私有化部署可以把整个服务部署在自己的服务器上确保内部邮件、客户数据等敏感信息不出自有环境。局限工作流复杂后调试与错误处理相对繁琐数据格式错误时需逐个节点检查输入输出内置存储不持久Simple Memory与Simple Vector Store都是基于内存的服务重启后对话历史与知识库全部丢失生产环境需替换为 Redis、Pinecone 等外部持久化数据库版本控制与多人协作不如传统代码成熟工作流导出为 JSON 后对比变更远不如git diff清晰多人同时编辑易冲突超高频并发场景下节点调度机制可能带来一定性能开销。七、总结与选型建议四个平台各具特色Coze以零代码友好体验与丰富插件生态见长每日 AI 简报案例演示了如何通过拖拽配置快速整合多源信息并一键发布到多个主流平台适合无技术背景用户与快速验证想法的场景但存在不支持 MCP、无法导出标准化配置文件等局限Dify作为开源企业级平台展现全栈开发能力超级智能体个人助手案例覆盖日常问答、文案优化、多模态生成、数据分析与 MCP 工具集成等多个模块其丰富的插件市场、灵活的部署方式与企业级安全特性使其成为专业开发者与企业团队的理想选择但学习曲线与高并发性能需要权衡FastGPT以极致的 RAG 知识库体验在垂直领域问答场景中胜出智能投资顾问助手案例演示了从知识库构建、MCP 工具集成到可视化工作流编排的完整开发范式其分块、索引增强、图片识别的细粒度控制在企业知识助手与智能客服场景优势明显n8n以独特的连接能力开辟另一条路径智能邮件助理案例展示了如何将 AI 能力无缝嵌入复杂业务流程自动化AI Agent节点高度集成模型、记忆与工具配合数百个预设节点可实现高度定制化自动化方案私有部署能力对重视数据安全的企业尤其重要。基于四个平台的对比实践可以得出如下选型建议场景推荐平台快速原型验证、非技术用户优先 Coze企业级应用、复杂业务逻辑、多模态生成优先 Dify基于私有知识库的问答系统、智能客服优先 FastGPT深度业务集成、通用自动化流程优先 n8n需要强调的是低代码平台并非要取代代码开发而是提供互补选择。实际项目中可以按阶段灵活切换用低代码平台快速验证想法、用代码实现细粒度控制用平台处理标准化流程、用代码处理特殊逻辑。这种混合开发思维才是智能体工程的最佳实践。八、练习与思考平台定位对比分析 Coze、Dify、FastGPT、n8n 在核心定位与设计理念上的差异它们分别解决智能体开发中的哪些痛点低代码平台、纯代码开发、混合开发三种模式各适合什么场景Coze 拓展如何把每日 AI 简报从被动触发改为每天早上 8 点自动生成并推送指定飞书群或公众号如何优化提示词让简报更专业、结构更清晰或新增热点分析趋势预测功能Coze 不支持 MCP 是重要局限feature-mcp虽在 Coze Studio Q4 2025 产品路线图中但尚未实现请说明 MCP 协议是什么、为何重要以及 Coze 支持 MCP 后会带来哪些新可能。Dify 深挖多智能体架构中问题分类器智能路由相比单 Agent 处理所有任务有何优势如果数据库有 50 张表、每表 20 个字段直接把所有 DDL 塞进提示词会导致上下文过长请设计更聪明的解决方案。对比 Dify 本地部署与云部署在数据安全、成本、性能、维护难度上的差异及适用场景。FastGPT 深挖对比 FastGPT 与 Dify 的知识库处理文件分块、索引增强、图片识别在设计理念与适用场景上的差异。如果 FastGPT 不原生支持 MCP如何用替代方案实现同样功能免费版仅 100 积分、30 QPM为服务 1000 用户的创业团队设计兼顾成本与性能的方案。n8n 深挖把Simple Vector Store与Simple Memory替换为 Pinecone、Redis 等持久化存储并说明配置过程。如果用户邮件含 PDF、图片等附件如何扩展工作流让 Agent 理解附件内容并回复设计一个电商场景客户下单后自动触发发送确认邮件、更新库存数据库、通知物流系统、在 CRM 记录客户信息的完整工作流画出节点连接图并说明关键配置。提示词工程对比四个案例Coze、Dify、FastGPT、n8n的提示词设计在结构、风格与侧重点上的差异这些差异是否与平台特性相关Dify 文案优化模块要求输出超过 500 字这种硬性长度要求是否合理什么情况下应限制输出长度、什么情况下应让模型自由表达工具与插件扩展如果四个平台都没有你需要的工具如连接公司内部系统 API你如何解决研究并说明 MCP 协议与 RESTful API、Tool Calling 的差异为什么 MCP 被称为智能体工具调用的新标准若为 Dify 开发一个调用公司内部知识库系统的自定义插件请概述开发流程与关键技术点。平台选型综合题假设你是创业公司技术负责人为以下三个应用选择最合适的方案Coze、Dify、FastGPT、n8n 或纯代码并从技术可行性、开发效率、成本控制、可维护性、可扩展性、数据安全与合规六个维度分析应用 A面向 C 端用户的AI 写作助手小程序需快速上线验证市场需求、预算有限、团队只有 1 名前端工程师和 1 名产品经理应用 B面向企业客户的智能合同审查系统需处理敏感法律文档、数据不能离开客户私有环境、需与客户现有 OA 与文档管理系统深度集成应用 C内部研发效能提升工具需自动化代码审查、测试报告生成、缺陷跟踪、项目进度同步等研发环节团队技术能力强。参考资料[1] Coze——下一代 AI 应用开发平台。 https://www.coze.cn/[2] Dify——开源 LLM 应用开发平台。 https://dify.ai/[3] FastGPT——开源知识库问答平台与 Agent 构建工具。 https://fastgpt.io/en/[4] n8n——工作流自动化工具。 https://n8n.io/【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考