AI Agent 模式:讓流程自己做決定 + 成本控管總整理

上一課結尾留了一道題:「幫我看這則客戶訊息,能回答就回答、搞不定就開工單、客人在爆氣就轉真人。」你試著用前六課的武器畫這條流程看看——IF 節點要接幾層?「爆氣」的判斷條件怎麼寫?畫到第三層分支你就會發現:這種任務的下一步要看情況才知道,軌道根本畫不完。硬畫出來的版本,上線第一天就會遇到你沒想到的第十一種情況,然後卡死。

這是本課程的最後一堂課,要補上最後一塊拼圖:AI Agent 模式——你不畫軌道,改成給 AI 一個目標和一袋工具,讓它自己想、自己選、自己跑。同時,agent 每思考一輪都在燒 token,所以這堂課的後半是整個課程的成本控管總整理:execution、credit、token 三種帳單怎麼估、八個最燒錢的坑怎麼躲,確保你建的是一套「養得起」的系統,不是月底才後悔的玩具。

這堂課適合誰適合:已經會建固定流程、想讓流程有臨場判斷力的人(本課程屬進階應用專區)。需要基礎:零程式基礎 OK,會用電腦即可。前置課:第 3 課(n8n 環境)、第 4 課(AI 節點與 credentials)、第 6 課(Telegram bot 與 Error Workflow,實戰直接沿用)。

這堂學什麼

固定流程 vs agent 決策:差別在「誰決定下一步」,以及一條判斷何時該用哪個的鐵則
n8n AI Agent 節點解剖:Chat Model(腦)+ Memory(記憶)+ Tools(手)怎麼接
Make AI Agents(2025 年 4 月推出)長什麼樣、跟 n8n 的做法差在哪
實戰:做出一個會自己選工具的客服 agent——查 FAQ、開工單、轉真人
失控防護三道煞車:Max Iterations 步數上限、Send and Wait 人工確認、花費上限
全課程成本總整理:三種帳單 + 八個燒錢坑,每條流程上線前過一遍

觀念一:差別在「誰決定下一步」

前六課你做的每條流程,本質都一樣:資料進來,照你事先畫好的軌道走。IF 節點看起來像「判斷」,但其實分支也是你畫死的——它只能在你準備好的路裡選。這種流程的優點是便宜、可預測、好除錯:跑一萬次,結果都一樣,每一步成本都算得出來。

固定流程 vs AI Agent:差別在誰決定下一步

agent 模式把「決定下一步」的權力交給模型。你給它三樣東西:一個目標(「處理這則客戶訊息」)、一袋工具(查資料、寫表格、發通知)、一份規則(system prompt)。接著它進入迴圈:思考 → 選工具 → 執行 → 看結果,覺得資訊不夠就再來一輪,直到它認為任務完成。第 4 課的 AI 節點是「流程中的一顆腦」,只負責回答;agent 是「有手的腦」,自己會動手。

代價也很直白:每一輪思考都是一次 LLM 呼叫,都在燒 token;而且模型會犯錯——選錯工具、鬼打牆重複同一步。所以整堂課請把這條鐵則刻在腦子裡:

畫得出軌道的,一律用固定流程;只有「下一步要看情況」的任務,才值得請 agent 出馬。

判斷方法很實際:試著把任務寫成「如果⋯⋯就⋯⋯」。三句以內寫得完、分支數得出來,就是固定流程(便宜 10 倍以上);寫到一半發現條件列不完、或條件本身需要「理解語意」才判斷得了,才是 agent 的場子。很多真實系統是混搭:外層是固定流程(webhook 進來、先過濾、最後寫紀錄),中間夾一顆 agent 處理「看情況」的那一段——這是最省錢的架構。

觀念二:n8n AI Agent 節點 = 腦 + 記憶 + 手

n8n 的 agent 就是一個節點:AI Agent。它自己不會思考,而是像一個插座面板,下面要掛三種零件:

n8n AI Agent 節點解剖:Chat Model 是腦、Memory 是記憶、Tools 是手

Chat Model(腦):接一個模型節點,OpenAI、Gemini、Claude 都行,用你第 4 課建好的 credential。n8n 的計費對 AI 非常友善:平台近 70 個 AI 相關節點全部不加價,一整場 agent 對話不管內部思考幾輪,只算 1 次 execution;token 費直接付給模型商。
Memory(記憶):最常用 Simple Memory,讓 agent 記得同一場對話的前幾輪——客戶第二句說「那可以退嗎?」,它才知道「那」指的是什麼。用 Chat Trigger 時 session ID 會自動帶入,不用設定。
Tools(手):重頭戲。Google Sheets、Gmail、Telegram、HTTP Request⋯⋯n8n 幾乎所有節點都能掛成工具,一個 agent 可以掛好幾把。每把工具的「描述」欄位就是 agent 的選用說明書——它就是靠讀這段文字決定什麼時候用哪把,描述寫得爛,agent 就選得爛,這是實戰的第一關鍵。

觀念三:Make AI Agents 是「把 scenario 掛成工具」

Make 在 2025 年 4 月也推出了 AI Agents,思路跟 n8n 殊途同歸,但組裝方式很不一樣:

	n8n AI Agent	Make AI Agents
組裝方式	畫布上把 Model / Memory / Tools 接到節點上	後台建 agent,用自然語言寫指示,把現成的 scenario 掛給它當工具
工具來源	幾乎任何節點都能直接當工具	你既有的 Make scenario(流程)本身變成工具
補充知識	掛資料庫或用工具即時查	可直接上傳檔案給 agent 當 context
團隊協作	workflow 匯出分享	agent 可跨團隊共用
帳單	一場對話 = 1 execution,token 自付	agent 每呼叫一個 scenario,該 scenario 的每一步照樣吃 credit,token 自付

Make 的優勢是上手快:如果你第 2 課以來已經累積了幾條 Make 流程,開一個 agent、用中文寫「客戶問產品問題就跑 FAQ 查詢流程,查不到就跑開工單流程」,把兩條 scenario 掛上去就能動,連畫布都不用碰。弱點還是那本帳:agent 一次任務可能連續呼叫好幾條 scenario,每一步都照吃 credit,高頻場景一跑,帳單成長速度會讓你清醒。結論跟第 1 課一致:輕量玩 Make、玩真的用 n8n。下面的實戰用 n8n 做,它把 agent 拆得最清楚,概念兩邊通用。

手把手實戰:會自己選工具的客服 agent

目標:一個 agent,三把工具——查 FAQ、開工單、轉真人。它讀完客戶訊息,自己決定走哪條路:

客服 agent 架構:Chat Trigger 進、AI Agent 決策、三把工具任選

準備兩張 Google Sheets:FAQ 表和工單表

第一張叫 faq,兩欄:question、answer,先填 5~10 條你的常見問題(例:「可以開統編嗎?」→「可以,年繳月繳都能開,結帳頁填寫即可」)。第二張叫 tickets,五欄:時間、客戶、問題摘要、分類、狀態。就這樣,你的「知識庫」和「工單系統」完成了——先用試算表把邏輯跑通,之後要換成真的客服系統,只是換掉工具節點而已。

建 agent 主體:Chat Trigger + AI Agent + Model + Memory

新開一條 workflow,加 Chat Trigger(節點名叫 When chat message received)——它自帶一個聊天測試視窗,最適合開發 agent。接上 AI Agent 節點,然後掛零件:Chat Model 接 OpenAI(建議 gpt-4.1-mini 這個等級:客服決策夠用,價格是旗艦模型的零頭)或 Gemini Flash;Memory 接 Simple Memory,Context Window Length 設 10(保留最近 10 輪,夠用又不會讓 token 滾雪球)。

點開 AI Agent 節點,在 Options 加上 System Message,完整貼這份:

你是「小幫」,線上文件工具 DocFlow 的客服。語氣親切簡潔,使用台灣繁體中文,每次回覆不超過 120 字。

你有三個工具,使用規則:
1. 查FAQ:客戶問任何產品問題,必須先用這個工具查官方答案。查到就依據答案回覆,不可自己編造功能或價格。
2. 開工單:FAQ 查不到答案、或客戶回報故障時使用。開完工單要告訴客戶已記錄,並附上你寫入的問題摘要。
3. 轉真人:客戶明確要求真人、情緒明顯激動、或提到退款/法律相關字眼時使用。轉完要安撫客戶,告知真人會在上班時間內回覆。

硬規則:
- 絕不承諾退款、賠償或任何金額,一律轉真人。
- 不確定就開工單,不要猜。
- 一次回覆只解決一個問題,客戶問題太多時請他分開說。

注意這份 prompt 的結構:身分與語氣、每把工具的使用時機、硬規則。第三段是防呆底線——agent 的 system prompt 一定要有「不准做什麼」,不是只有「要做什麼」。

掛工具 1:查 FAQ

在 AI Agent 的 Tool 插孔加 Google Sheets Tool,Operation 選 Get Row(s),指向 faq 表、讀全部列。最重要的是 Description 欄位,填:

查詢 DocFlow 官方 FAQ 知識庫。回答任何產品、價格、功能問題之前,必須先用這個工具取得官方答案。

這段文字是給 agent 看的,不是給人看的——「必須先用」這四個字會直接改變它的行為。FAQ 只有幾十條時,整包讀回來讓模型自己比對最簡單可靠;長到幾百條再考慮篩選或向量檢索,現在不用過度設計。

掛工具 2 和 3:開工單、轉真人

工具 2 再加一個 Google Sheets Tool,Operation 選 Append Row,指向 tickets 表。欄位值不要寫死,用 n8n 的 $fromAI() 讓模型自己填:

時間:{{ $now.format('yyyy-MM-dd HH:mm') }}
客戶:{{ $fromAI('customer', '客戶名稱或代號') }}
問題摘要:{{ $fromAI('summary', '用一句話摘要客戶的問題') }}
分類:{{ $fromAI('category', '從帳務/功能故障/使用問題/其他中選一個') }}
狀態:填死 待處理

$fromAI() 是 agent 工具的靈魂:第一個參數是欄位名,第二個是給模型的填寫說明,執行時模型會根據對話內容自己生出值。Description 填「FAQ 查不到答案或客戶回報故障時,建立一張客服工單」。

工具 3 加 Telegram Tool,Send Message 到你的值班群組(沿用第 6 課的 bot),Text 用 {{ $fromAI('handoff_summary', '對話摘要與客戶情緒狀態,給真人客服接手用') }},Description 填「客戶要求真人、情緒激動或涉及退款時,通知真人客服接手」。

開聊測試:親眼看它選工具

按下 Chat Trigger 的聊天視窗,丟三種訊息測試:「你們可以開統編嗎?」(應該查 FAQ 後直接回答)、「匯出功能一直轉圈圈」(FAQ 沒有 → 開工單,去 tickets 表確認多了一列,分類欄它自己填好了)、「我要退款!找真人來!」(值班群組收到摘要通知)。

點開執行紀錄,你可以看到 agent 每一輪的思考和工具呼叫順序——這個紀錄要養成習慣看,它選錯工具時,答案幾乎都在 system prompt 或工具 Description 的措辭裡。改一句話、重測,是調 agent 的日常。測試穩定後,把 Chat Trigger 換成第 6 課的 Webhook 或 Telegram Trigger,它就從測試玩具變成真的客服了。

裝煞車:步數上限 + 人工確認

上線前必做兩件事:

失控防護三道煞車:步數上限、人工確認、花費上限

**煞車 1:Max Iterations。**AI Agent 節點 → Options → Max Iterations 設 8(預設 10)。這是 agent 的步數上限,防的是「查不到 → 再查 → 再查」的鬼打牆——每一輪都是一次模型呼叫,沒有上限就是沒有底的錢坑。撞到上限流程會報錯停下,配合第 6 課的 Error Workflow,你會立刻收到通知。

煞車 2:人工確認。高風險動作不該讓模型自己按下去。n8n 的 Telegram / Slack / Gmail 節點都有 Send and Wait for Response 這個 Operation:流程走到這裡會暫停,發一則帶「核准 / 拒絕」按鈕的訊息給你,你按了才繼續。實作練習:在轉真人工具後面串一個子流程,agent 起草退款回覆 → Send and Wait 給主管核准 → 核准才寄出。原則一句話:agent 可以建議,人類才有核准鍵。適用清單:退款、刪資料、對外寄信、任何碰錢的動作。

成本控管與常見坑總整理

課程最後一節,把七堂課的帳一次算清。你的系統最多同時付三種錢:

三種帳單:execution、credit、token 對照與省錢原則

複習關鍵數字(2026 年 7 月現況,方案細節以官網為準):n8n Cloud Starter 年繳約 20 美元/月(月繳 24 美元)、Pro 約 50 美元/月,自架 Community 版免費(VPS 約 5~7 美元/月、次數無上限);Make 免費方案每月 1,000 credits、最多 2 條啟用流程。接著是八個最常見的燒錢坑,每條流程上線前拿這份清單過一遍:

**坑 1:多步驟流程放錯平台。**10 步的流程每月跑 1,000 次:n8n 算 1,000 executions,Make 算 10,000 credits——同一件事帳單差 10 倍。症狀:月中收到 Make 的信說額度用完、scenario 被自動停用(deactivated),流程默默斷線,你月底才發現漏了兩週資料。解法:照第 1 課的決策順序,步驟一多就搬 n8n。

**坑 2:輪詢燒額度。**Schedule 每 5 分鐘去問「有新資料嗎」,一個月空燒近 8,640 次 execution;在 Make 上每次輪詢的每一步還都吃 credit。第 6 課教過了:能用 webhook 就用 webhook,有事才跑。

**坑 3:agent 鬼打牆。**症狀:執行紀錄裡看到錯誤 Agent stopped after max iterations,或一次執行的模型用量暴增幾十倍。原因通常是工具壞了(agent 拿到錯誤結果就一直重試)或 prompt 沒給「查不到怎麼辦」的出口。解法:Max Iterations 必設,system prompt 裡寫明退場規則(「不確定就開工單,不要猜」就是退場規則)。

**坑 4:記憶滾雪球。**Memory 不設上限,對話越長,每一輪送給模型的歷史越厚,token 費線性上漲,最後撞到 This model's maximum context length is ... tokens 這類 400 錯誤直接罷工。解法:Simple Memory 的 Context Window Length 設 10 上下就好,客服場景幾乎不需要更多。

**坑 5:大模型做小事。**分類、抽取、格式轉換這種第 4 課等級的任務,用 mini / flash 級模型,品質幾乎無差、價格差 10~20 倍。agent 的腦可以用中階模型,但它呼叫的工具裡若還有 AI 節點,那些一律用便宜的。模型選型是整個系統最大的省錢槓桿。

**坑 6:測試也在燒錢。**開發 agent 時每測一句話都是真金白銀的 token。省法:開發期把 Chat Model 換成最便宜的模型,邏輯調通了再換正式模型;重複測下游節點時,用 n8n 的 pin data 把上游輸出釘住,不用每次重跑 AI。另外,測完不用的流程記得關 Active——忘記關的排程流程會空跑一整個月。

**坑 7:重試風暴。**第 6 課教的 Retry On Fail 是好東西,但撞上 429 錯誤(You exceeded your current quota 或 rate limit)時,重試等於火上加油,還可能觸發對方 webhook 判定失敗重送,一筆事件變五筆。解法:重試次數設 3 就好、間隔拉長;流程入口對關鍵欄位做去重(例如訊息 ID 已處理過就跳過)。

**坑 8:模型端沒設保險絲。**前面七個坑都防「多花」,這個防「爆炸」:OpenAI / Anthropic / Google 的後台都能設每月預算上限(budget / spending limit),超過就拒絕請求。一定要設。金鑰管理照第 4 課的規矩:只放 n8n credentials,絕不進 prompt、不進試算表。再配一個習慣:每月 1 號看一次三張帳單(平台、模型、VPS),五分鐘,勝過任何事後補救。

作業

主線題:完整做出客服 agent(三工具 + Max Iterations + Error Workflow),用十句不同的客戶訊息轟炸它,其中至少兩句是你故意刁難的(「我全都要退!」「你們是不是倒了?」),觀察它每一次選了哪把工具,不滿意就改 prompt 重測。
煞車題:把 Max Iterations 暫時改成 2,丟一個需要多輪工具呼叫的問題,親眼看它撞上限報錯、Error Workflow 通知進手機,再改回 8。知道煞車長什麼樣,你才敢放心踩油門。
帳單題:把你這七堂課建過的所有流程列出來,每條標上「每月次數 × 計費單位」,算出總帳;然後拿坑 1~8 的清單逐條檢查,至少找出一個可以省的點並動手改掉。
挑戰題:在 Make 後台建一個 AI Agent,把你第 2 課的流程掛給它當工具,和 n8n 版比較:哪邊好上手?哪邊帳單可控?寫下三行你自己的結論——這就是你的工具選型直覺。

下一課預告:兩條路,接著走

這是本課程的最後一課。七堂課下來,你手上有:trigger→action 心智模型、Make 與 n8n 雙平台、AI 節點與 prompt 設計、webhook 串接、會自己做決定的 agent,以及一套成本清單——完整的自動化兵器庫。接下來有兩條進階路線:一條是 LINE 官方帳號自動化:把你這堂課的客服 agent 接上台灣滲透率最高的通訊軟體,做出真的能對客人營業的 LINE OA 客服與行銷系統;另一條是 MCP(Model Context Protocol):讓 AI 不只在流程裡被你呼叫,而是直接長出操作你所有工具的標準介面,是 agent 模式的下一階。兩門課都會用到你這七堂課的每一樣技能——工具會一直換,但「當 X 發生就做 Y」加上「看情況就交給 agent」這兩個模型,夠你用十年。