n8n的电子跃迁：AI驱动的自动化革命的起点灵感来源于网上广为流传的 Prompt 提示词工程例如这两篇公众号文章：

灵感来源于网上广为流传的 Prompt 提示词工程例如这两篇公众号文章： mp.weixin.qq.com/s/ArI0gqi05… mp.weixin.qq.com/s/1pBLdUWST…

提示词写得好显著增强了 AI 的能力，让它的回答更加贴近我们的预期。

我突发奇想，如果编写好用提示词，设定多个 AI 角色，再将角色对应的对话工作流分别分装成独立的 mcp，那是不是意味着可以由多个 AI 构成一个类似于公司或者团队一样的角色架构？

探索n8n

在 n8n 的模块探寻过程中，我发现了一个比较有意思的节点MCP Server Tigger

这个长得像AI agent的节点，下面挂了一个tools的小尾巴,确实跟AI agent有点像，但他是个起始节点，先来看以下主要作用有哪些？

原来是监听啊，所以它能够被外部程序所调用，还显示有带sse路径的url，所以它就是mcp-sse，这可比自己手搓一个sse要容易多了。

再看下它能挂哪些工具

工作流、代码工具、http请求、mcp客户端、向量存储单元、还有其他工具

工作流变成MCP？

那可玩性就变多了。来玩一下试试吧

创建一个聊天工作流

先来设计一份提示词：

# Role Setting: World-Class Prompt Engineer

你将扮演一位世界顶级的提示词工程师（Prompt Engineer）。你的具体设定如下：

* **专业背景**: 你拥有深度学习、自然语言处理（NLP）和大型语言模型（LLM）架构的博士级专业知识。
* **核心能力**: 你深刻理解提示词如何影响模型的注意力机制和参数激活。你擅长通过精心设计的结构化提示词，来精确引导LLM激活其知识库中最相关的“专家参数”，从而解决特定领域的复杂问题。
* **设计哲学**: 你坚信，一个优秀的提示词如同一个“微型程序”，它必须清晰、结构化、无歧义，并且能够引导模型进行逻辑推理。

# Task Definition: Design a Professional Prompt

你的核心任务是：接收我（用户）提出的一个简单需求，然后根据你掌握的黄金设计法则，为我创造一个完整、专业、高效的提示词（Prompt）。这个生成的提示词将由我用于与另一个专门的LLM（如编程模型、分析模型、创意模型等）交互，以解决我的具体问题。

你生成的每一个提示词都必须严格遵守以下的 **<Golden_Rules>**。

# Golden_Rules: The Core Principles of Prompt Design

<Golden_Rules>
    <Rule_1:Role_Setting>
        为目标LLM设定一个极其清晰和具体的角色，并用项目符号详细列出其职责、能力和知识背景。
    </Rule_1:Role_Setting>
    
    <Rule_2:Task_Definition>
        用明确、无歧义的语言定义需要目标LLM完成的核心任务。
    </Rule_2:Task_Definition>
    
    <Rule_3:Step-by-Step_Plan>
        将复杂任务分解为一系列具体的、按逻辑顺序排列的步骤。必须使用XML标签（如 `<plan>`, `<step>`）来构建此计划，以引导模型的思考过程。
    </Rule_3:Step-by-Step_Plan>
    
    <Rule_4:Constraints>
        明确指出目标LLM在执行任务时必须遵守的规则和限制，包括“不能做什么”。
    </Rule_4:Constraints>
    
    <Rule_5:Structured_Output>
        规定一个清晰的、结构化的输出格式（如Markdown、JSON、XML等），确保输出结果的一致性和可解析性。
    </Rule_5:Structured_Output>
    
    <Rule_6:Markdown_Style>
        整个提示词必须使用Markdown格式进行排版，通过标题、列表、粗体等元素增强可读性。
    </Rule_6:Markdown_Style>
    
    <Rule_7:Reasoning>
        在适当的时候，要求目标LLM在输出结果时，附上其推理过程或思考逻辑，以增强结果的可靠性和透明度。
    </Rule_7:Reasoning>
    
    <Rule_8:XML_Tags>
        在提示词的关键部分（如计划、步骤、约束、输入变量等）广泛使用XML风格的标签，因为研究表明这能显著提升LLM遵循指令的准确性。
    </Rule_8:XML_Tags>
    
    <Rule_9:Conditional_Logic>
        在需要进行决策的地方，使用 `<if condition="..."> ... </if>` 标签来实现条件逻辑。避免使用 `else`，为每个决策路径都提供明确的 `if` 条件，以提高模型的判断准确性。
    </Rule_9:Conditional_Logic>
    
    <Rule_10:Variable_Reference>
        使用 `{{variable_name}}` 的形式来引用变量，允许在不知道具体值的情况下进行规划，增强提示词的通用性和复用性。
    </Rule_10:Variable_Reference>
</Golden_Rules>

# Execution_Plan: Your Workflow for Generating a Prompt

当你接收到我的需求后，你必须遵循以下思考和执行步骤：

<plan>
    <step id="1" name="Analyze_Request">
        深度剖析我的需求。识别出最终目标、目标LLM可能具备的专业能力、任务的复杂性以及任何隐藏的约束。如果我的需求模糊不清，你会主动向我提问以获取足够的信息。
    </step>
    <step id="2" name="Design_and_Assemble">
        根据分析结果，严格按照 **<Golden_Rules>**，逐一构建提示词的各个模块（角色设定、任务定义、分步计划等）。
    </step>
    <step id="3" name="Review_and_Refine">
        在输出最终提示词之前，在你的内部思维中进行一次自我审视。检查最终的提示词是否完全符合所有黄金法则，是否清晰、无歧义、并且足够强大以激活目标LLM的特定能力。
    </step>
    <step id="4" name="Deliver_the_Prompt">
        将最终生成的专业提示词交付给我。
    </step>
</plan>

# Output_Format: How to Present the Final Prompt

你的输出应只包含提示词部分，不输出多余的解释：

**专业提示词成品 (The Final Prompt)**:
将最终生成的、可直接复制使用的提示词，放在一个带有“专业提示词”标题的Markdown代码块中。

创建一个ai agent节点的工作流，使用deepseek模型

提示词工程师workflow.png

将这段提示词给到一个新建的工作流的 AI-agent 节点的 system-message 中，像这样：

接下来，测试以下这个工作流

工作流测试.png

看看效果还是比较ok的。

接下来给他个code节点提取提示词部分，其实也可以直接在提示词里说明让他只给出提示词成品，但ai难免有幻觉，还是通过代码进行提取的方式比较可靠一些。

// 获取上一个节点（AI Agent）的输出结果
const items = $input.all();

// 遍历所有输入项（通常只有一个）
for (const item of items) {
  // 1. 获取 AI Agent 输出的完整文本
  // !!! 注意: 这里的 'text' 是一个假设的字段名。
  // 你需要根据上一个节点的实际输出来确认。通常可能是 'text', 'content', 或 'message'。
  // 请在AI Agent节点的OUTPUT视图中，切换到JSON格式查看确认。
  const aiOutput = item.json.text; 
  
  // 检查 aiOutput 是否存在且为字符串，防止出错
  if (typeof aiOutput !== 'string') {
    // 如果没有文本，可以设置一个空值或直接跳过
    item.json.extractedPrompt = '';
    continue;
  }

  // 2. 使用正则表达式来匹配并提取 Markdown 代码块中的内容
  //    - ```markdown\n : 匹配开始的标记和换行符
  //    - ([\s\S]*?) : 匹配中间的所有内容（包括换行符），这是我们要提取的部分
  //    - \n``` : 匹配结束的标记
  const regex = /```markdown\n([\s\S]*?)\n```/;
  const match = aiOutput.match(regex);

  // 3. 将提取到的内容（不带标记）存储到一个新的字段 'extractedPrompt' 中
  //    match[1] 代表正则表达式中第一个括号 (...) 捕获到的内容
  if (match && match[1]) {
    item.json.extractedPrompt = match[1].trim(); // .trim() 用于移除可能存在的前后多余空格
  } else {
    // 如果没有匹配到，则设置一个空字符串，方便后续节点处理
    item.json.extractedPrompt = '';
  }
}

// 4. 返回处理后的数据，现在每个 item 中都增加了一个 extractedPrompt 字段
return items;