回顾:我们走过的路
graph LR
subgraph "模块一"
M1["基础
节点/触发/数据"]
end
subgraph "模块二"
M2["逻辑
分支/HTTP/Code"]
end
subgraph "模块三"
M3["AI Agent
LLM/Memory/Tools"]
end
subgraph "模块四"
M4["RAG
知识库/向量检索"]
end
subgraph "模块五"
M5["MCP
标准化连接生态"]
end
subgraph "模块六"
M6["生产
错误处理/多Agent"]
end
M1 --> M2 --> M3 --> M4 --> M5 --> M6
style M1 fill:#3b82f6,stroke:#2563eb,color:#fff
style M2 fill:#6366f1,stroke:#4f46e5,color:#fff
style M3 fill:#8b5cf6,stroke:#7c3aed,color:#fff
style M4 fill:#a855f7,stroke:#9333ea,color:#fff
style M5 fill:#d946ef,stroke:#c026d3,color:#fff
style M6 fill:#ec4899,stroke:#db2777,color:#fff
企业级 AI Agent 平台全架构
graph TB
subgraph "入口层 (Gateway)"
Web[🌐 Web Chat]
TG[📱 Telegram]
SL[💬 Slack]
API[🔗 REST API
外部系统调用]
MCP_IN[🔌 MCP Server
Claude/Cursor 调用]
end
subgraph "Agent 层 (Intelligence)"
Sup["👑 Supervisor Agent
意图理解 + 任务分发"]
Sup --> CX["🤖 客服 Agent
工单处理 / FAQ"]
Sup --> Dev["🤖 开发 Agent
代码搜索 / Issue 管理"]
Sup --> Biz["🤖 业务 Agent
数据分析 / 报告生成"]
Sup --> RAG["🤖 知识 Agent
RAG 检索 / 文档问答"]
end
subgraph "工具层 (Capabilities)"
MCP1[🐙 GitHub MCP]
MCP2[💬 Slack MCP]
MCP3[🐘 DB MCP]
VS[🔍 Vector Store]
Mail[📧 SMTP]
Custom[⚙️ 内部 API]
end
subgraph "数据层 (Persistence)"
PG[(🐘 PostgreSQL
n8n 元数据)]
QD[(💾 Qdrant
向量数据)]
DT[(📊 Data Tables
业务数据)]
Redis[(⚡ Redis
缓存/Memory)]
end
subgraph "运维层 (Operations)"
Git[📦 Git Source Control]
Health[💓 健康检查]
Alert[🚨 告警系统]
Log[📋 执行日志]
end
Web & TG & SL & API & MCP_IN --> Sup
CX & Dev & Biz & RAG --> MCP1 & MCP2 & MCP3 & VS & Mail & Custom
MCP1 & MCP2 & MCP3 & VS & Mail & Custom --> PG & QD & DT & Redis
Git & Health & Alert & Log --> PG
style Sup fill:#ff6d5b,stroke:#e55a4e,color:#fff
style RAG fill:#22c55e,stroke:#16a34a,color:#fff
安全合规清单
graph TB
subgraph "安全四层模型"
L1["🔐 传输层
HTTPS / TLS 1.3"]
L2["🔑 认证层
API Key / OAuth2 / JWT"]
L3["🛡️ 授权层
RBAC 角色权限"]
L4["📝 审计层
全链路日志追踪"]
end
L1 --> L2 --> L3 --> L4
| 安全项 |
措施 |
检查频率 |
| API Key 加密存储 |
n8n Credentials + AES-256 |
部署时 |
| 凭证定期轮换 |
90 天强制过期 |
季度 |
| 敏感数据脱敏 |
LLM 输入前预处理 |
每次调用 |
| 执行日志保留 |
90 天滚动 + 归档 |
自动 |
| 网络隔离 |
Docker Network + 防火墙 |
部署时 |
性能优化速查
| 瓶颈 |
诊断 |
解决方案 |
| LLM 调用慢 |
大模型响应 >5s |
使用 streaming / 换 gpt-4o-mini |
| 向量检索慢 |
Qdrant 查询 >1s |
增加 HNSW 索引参数 |
| 工作流执行堆积 |
队列排队 >100 |
增加 n8n worker 实例 |
| Token 成本爆炸 |
月度账单超预算 |
Re-rank 减少送入 LLM 的文本量 |
| Memory 泄漏 |
Session 数据无限增长 |
设置 TTL 自动过期 |
你的下一步
mindmap
root((学完 30 期后))
立即可做
搭建 n8n + Qdrant Docker 环境
构建第一个 RAG Agent
连接 MCP GitHub Server
进阶方向
Fine-tuning 微调专属模型
构建评估框架 (LLM-as-Judge)
Agent Observability (LangSmith)
社区参与
贡献自定义 n8n 节点
开源 MCP Server
分享工作流模板
课程总索引
| 模块 |
课时 |
核心技能 |
| 基础基石 |
Ep 01-05 |
n8n 架构、Docker 部署、Webhook 实战 |
| 逻辑与数据 |
Ep 06-10 |
分支控制、HTTP 请求、Code 节点 |
| AI Agent 核心 |
Ep 11-15 |
LLM 接入、Memory、Tools、提示工程 |
| 企业级 RAG |
Ep 16-20 |
Embedding、索引管道、高级检索、运维 |
| MCP 生态 |
Ep 21-25 |
MCP 协议、Client/Server、服务编排 |
| 生产架构 |
Ep 26-30 |
错误处理、子工作流、Git、多 Agent |
🎉 恭喜你完成全部 30 期课程! 你已经从 n8n 零基础成长为能够架构企业级 AI Agent 平台的全栈工程师。这不是终点——AI Agent 的世界每天都在进化,保持学习,保持构建。