第 30 期:大结局 — 企业级 AI Agent 平台全架构参考

⏱ 预计阅读 9 分钟 更新于 2026/4/9

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。