manualChatTrigger toolWikipedia 建立
AI 驅動
10 個節點
中級
高品質、即插即用的 n8n 自動化流程，快速提升工作效率。
核心解決方案
- 省下大量手動作業時間
自動化日常繁瑣工作，將心力專注於更高價值的任務。
- 降低人為錯誤率
工作流程標準化，確保資料準確無誤地在不同平台間同步。
- 24/7 全天候運作
即使在休息時間，自動化流程也會持續為你提供服務。
- 極速部署與整合
無需自行開發，匯入 JSON 檔案並填寫 API Key 即可完成設定。
整合的應用程式
m
manualChatTrigger 
l
lmChatOllama 設定教學
預估設定時間：10-15 分鐘
你需要準備
Ollama (本地 LLM)
1
本地模型準備
在您的終端機執行 `ollama run llama3.2` 以確保模型已正確下載並可在後台運行。
2
配置系統指令
在 AI Agent 節點中加入系統訊息，明確告訴 AI 它擁有維基百科和天氣工具，並定義如何調用它們。
3
檢查天氣 API 參數
確認 'Weather HTTP Request' 節點的網址為 `open-meteo.com`，這不需要 API Key 即可進行基本測試。
購買後解鎖完整設定教學
包含 4 個設定步驟 + 常見問題排除
直接將 JSON 檔案拖入 n8n 工作區域，或使用 'Import from JSON' 功能。導入後需新增一個 Ollama 憑證並指向您的服務地址。
1
本地模型準備 Ollama Chat Model
在您的終端機執行 `ollama run llama3.2` 以確保模型已正確下載並可在後台運行。
2
配置系統指令 AI Agent
在 AI Agent 節點中加入系統訊息，明確告訴 AI 它擁有維基百科和天氣工具，並定義如何調用它們。
3
檢查天氣 API 參數 Weather HTTP Request
確認 'Weather HTTP Request' 節點的網址為 `open-meteo.com`，這不需要 API Key 即可進行基本測試。
4
設定記憶體容量 Window Buffer Memory
在 Window Buffer Memory 節點中設定對話記憶長度，建議維持在 10-20 條訊息以平衡準確度與效能。
測試方法
點擊工作流下方的 'Chat' 視窗，輸入：'查詢台北的天氣，並告訴我這個城市的歷史背景'。AI 應會先調用天氣工具再調用維基百科。
啟用自動化
此工作流由 'Manual Chat Trigger' 觸發，主要用於 n8n 內部的測試視窗，無需外部啟用，保持工作流開啟即可使用。
常見問題排除
Ollama 連線失敗
確保 Ollama 憑證中的 URL 正確（如 http://localhost:11434），若在 Docker 運行，請使用 host.docker.internal。
AI 不調用工具
在 Agent 節點中檢查 Tools 是否已正確勾選，並加強 System Prompt 中關於工具使用的說明。
個人使用授權 NT$ 790
AI 進階模板 即時下載 JSON 檔案
完整中文設定教學
包含 LINE / Telegram 設定指南
終身功能更新
安全付款 · PAYUNi 金流
或者購買超值方案包
包含在此套件中 AI Agent 智能代理包