1. 前言
前两个任务的笔记：
2. 任务三的学习内容
任务三的两大学习内容：子工作流及AI相关的功能。都是实操的东西，直接接入案例进行操作吧。这里我构建了一个智能博客发布工作流的简单Demo，还有很多功能没有用上，比如模型的记忆、MCP、工具调用等。
- 该工作流Demo用到的组件：
- 子工作流
- AI Agent
- 只是Demo，还没完善的功能：
- 邮件提醒
- 人工真正的确认博客是否能发布
- 自动将博客内容发布到指定平台
以下是整个工作流的演示部分，整体如图：
我这里以我学习「Hello Agent」时记录的一段为例子
直接通过终端发起请求，工作流中的webhook节点进行触发
然后执行博客内容的预检查，预检查这里使用JavaScript简单的检查了一下博客的标题和内容长度，以及内容中是否包含敏感词汇，这个预检查的过程在子工作流中完成
根据status字段判断预检查是否通过，如果通过了，就构建一个提示词，让AI为博客进行总结，然后提取博客的tags
这里模型严格按照提示词的限制输出了我们想要的内容
最后通过JavaScript代码对模型输出的内容进行解析
最后的流程应该是人工审核，如果人工审核通过后，就自动发布到对应的平台。如果人工没有审核通过，那流程就截止了，前面博客内容的预检查，如果检查没有通过，可以通过邮件发送到邮箱，这里当前的工作流中还没有做
整个流程只是一个最基础的Demo
3. 学后感
想到了一些问题：
- n8n也有RAG的能力，但是也有专门的RAG工具。如果要使用RAG，是否有必要通过n8n来实现。或者n8n的RAG能力仅适用于什么场景？什么场景下更推荐这门的RAG工具。（AI给的答案如下）
n8n RAG的适用场景（推荐使用）：
- 内部知识库的快速自动化问答：你有一个内部网站、Confluence或Notion，想快速做一个机器人，让员工通过Slack或Teams提问。n8n可以定时抓取数据 -> 处理 -> 存入向量库 -> 响应聊天消息，整个流程无缝衔接。
- 作为复杂业务流程的一部分：RAG只是整个流程的一环。 > - 场景：客户在客服表单提了一个问题 -> 先用RAG从产品手册中找信息 -> 如果RAG返回的答案置信度低，则自动创建工单并分配给人工客服 -> 人工客服处理完后，答案自动沉淀到知识库。 > - 优势：n8l完美地将RAG、人工判断、数据更新等多个步骤连接起来。
- 快速原型验证（PoC） ：当你需要快速验证一个RAG想法是否可行时，n8n的图形化界面和预置节点可以让你在几小时内（而非几天）搭建出一个可工作的demo，而无需编写大量代码。
- 轻量级、低复杂度应用：如果你的知识库文档量不大（例如，几十个PDF），对延迟和精度要求不是极端苛刻，n8n的方案完全够用，且维护简单。
还有一些关于MCP、Tools的，这部分还想再深入的学习一下，特别是MCP，AI的发展在没有MCP之前，遇到了什么问题？所以从工程的角度有了MCP去解决这个问题？解决这个问题有哪些思路？MCP使用了哪条或哪几条路径？为什么用这条路径等。害，又挖一个坑，这周都在加班，任务三拖到了周天才有时间来做一下，有点匆忙。
