#Datawhale 组队学习#8月-工作流自动化n8n入门-3
前面已经学习了Task1：n8n简介和平台部署，Task2：n8n平台基本概念与基础节点。
我们继续学习Task3：n8n高阶：子工作流以及AI Agent。
包括：
- 子工作流
- 错误处理
- 集群节点
- MCP
- Human in the Loop
1.n8n子工作流与错误处理
什么是子工作流？n8n 支持从一个工作流调用另一个工作流。子工作流可以用于将复杂的任务分解为更小的、可重用的部分。 工作流通过 Execute Workflow 来调用子工作流，子工作流通过 Execute Sub-Workflow Trigger 来触发。
我们可以创建独立的子工作流，也可以将子工作流嵌入到主工作流中。下面的例子我们将以一个简单的计算器 子工作流为例，演示如何创建和使用子工作流，该计算器子工作流支持加、减、乘、除四种运算。
一个完整的子工作流示例如下图所示：
n8n错误处理
在我们设计的工作流时，考虑容错是非常重要的。n8n 使用Error Trigger节点来触发错误处理逻辑。
错误处理是独立的工作流，以下是配置步骤：
创建新的工作流，选择Error Trigger作为触发节点，Error Trigger节点没有配置项。
添加后续的节点，如发送邮件Email节点，配置邮件内容，如错误信息。保存工作流并命名， 如error notify。如下是Error Trigger节点的数据示例，我们可以在后续的节点中通过 表达式来引用这些数据，如触发错误的工作流名称、执行 URL 等。
在需要错误处理的工作流中，点击右上角三点菜单中的Setting菜单项。
在弹出的配置窗口中，在Error Workflow的配置项中选择我们刚刚新建的错误处理工作流，保存配置。
示例如下：
2.n8n AI相关概念
n8n 内置了 AI 相关的节点和处理方式，可以方便用户构建 AI 相关的应用，包括 AI 聊天机器人、文本总结、AI Agent 等。
Cluster nodes集群节点
集群节点 (Cluster nodes) 是一组一起工作的节点组，它们由一个根节点 (root node) 和 一个或多个扩展节点功能的子节点 (sub-nodes) 组成。
Cluster nodes 的根节点一般分 Chian 及 Agent 类型。 Chain 是一种简单的 LLM 集成方式，用来串联工作流中的其他节点，且不支持记忆功能。
Agent 节点则可以访问更多的工具，以及可以根据用户输入和上下文信息执行任务，并通过工具返回的信息做 执行的决策。可以认为 Agent 是一种知道如何做出决策的 Chain 节点。
一些示例如下：
Memory 记忆
在构建 AI 聊天机器人时，记忆 (Memory) 是一个重要的概念，它允许 AI 模型记住之前对话的内容，以便 在后续的对话中使用这些信息。记忆可以帮助 AI 模型更好地理解用户的意图，并生成更准确和相关的回答。
实际测试如下：
RAG
这里使用的是Ollama本地部署的嵌入模型nomic-embed-text:latest，这里分享遇到的一个坑。
关键点：如果 n8n 运行在 Docker 中，而 Ollama 运行在宿主机的本地（localhost），不能直接使用
http://localhost:11434。因为对 n8n 容器而言，"localhost" 指的是容器自己。正确的做法：
方法一（推荐）：使用特殊的 Docker DNS 名称
host.docker.internal，它指向宿主机的 IP 地址。因此，Ollama 的 Base URL 应设置为http://host.docker.internal:114341。方法二：使用宿主机的局域网 IP 地址，例如
http://192.168.1.100:11434。
“内容上传”示例如下：
接下来是内容检索。
完整的示例如下：
Tools工具
在 AI 场景中， 工具有着特殊的意义，它能够帮助 AI Agent 补充额外的 LLM 不支持的能力，如搜索引擎搜索、 数据库查询、天气信息查询等。
一个 AI Agent 可以关联多个工具，如下所示我们添加了两个工具，Date & Time Tool 和 Calculator，分别用于查询日期和时间，以及计算器。
完整的工作流如下：
MCP
MCP (Model Context Protocol) 是一种开放协议，标准化了应用程序如何为 LLM 提供上下文。 可以把 MCP 看作是 AI 应用的 USB-C 端口。
完整案例如下：
注意Active需要激活。
好了，本次学习到此为止，感兴趣的小伙伴点赞收藏关注吧。
