【n8n教程】：Respond to Chat 节点，构建多轮对话 AI 助手

最新推荐文章于 2026-01-09 16:00:52 发布

原创最新推荐文章于 2026-01-09 16:00:52 发布 · 801 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#ai #人工智能 #ai编程 #AIGC

n8n教程专栏收录该内容

41 篇文章

订阅专栏

【n8n教程】：Respond to Chat 节点，构建多轮对话 AI 助手

Respond to Chat 节点是 n8n 中用于构建交互式聊天工作流的核心组件。它允许你向用户发送消息，并可选择等待用户回复后继续执行工作流。这个节点是实现多轮对话、人工审批流程和AI 助手的关键。

适用场景：

📱 AI 聊天机器人（ChatGPT、Claude 等）
✅ 人工审批工作流（Human-in-the-Loop）
🔄 多步骤用户交互
💬 实时对话反馈系统

点击获取最新AI资讯、n8n工作流、开发经验分享
or 直接搜索V X：undsky

📚 核心概念理解

什么是 Respond to Chat 节点？

Respond to Chat 节点是一个输出节点，它在 Chat Trigger 的支持下，将信息发送回用户界面。不同于普通的数据传递，这个节点专门处理聊天交互。

关键特性：

✨ 单一执行中支持多次聊天交互
⏸️ 支持等待用户回复或继续执行
🧠 可连接内存节点保存对话历史
⏱️ 支持设置等待时间限制

工作原理流程

用户发送消息 
    ↓
Chat Trigger 触发工作流
    ↓
AI Agent/处理节点 处理
    ↓
Respond to Chat 发送回复
    ↓
等待用户回复？
    ├─ 是 → 暂停执行，接收用户输入 → 继续执行
    └─ 否 → 工作流结束

⚙️ 节点参数详解

必需参数

1️⃣ Message（消息）

说明：要发送给用户的消息内容
支持：
- 纯文本消息
- 表达式引用（如 {{ $json.text }}）
- 动态内容组合

示例：

"您好！我是 AI 助手。{{ $('AI Agent').json.output }}"

高级选项

2️⃣ Wait for User Reply（等待用户回复）

控制工作流是否暂停并等待用户输入

设置	行为	使用场景
✅ 启用	工作流暂停，等待用户回复	多轮对话、信息收集
❌ 禁用	消息发送后立即继续执行	单向通知、自动处理

3️⃣ Add Memory Input Connection（添加内存连接）

连接一个内存节点以保存对话上下文

优势：

💾 保留完整对话历史
🔑 相同会话 ID 关联消息
🧠 AI Agent 可访问完整上下文

4️⃣ Limit Wait Time（限制等待时间）

设置最大等待时间，超时后自动继续执行

配置方式：

默认时间：45 分钟
支持单位：分钟、小时、天
超时后工作流自动恢复

🚀 前置条件

必需配置

使用 Respond to Chat 节点必须满足这些条件：

✅ Chat Trigger 节点存在

工作流中必须有一个 Chat Trigger 节点
不能使用其他触发器替代

✅ Response Mode 设置正确

Chat Trigger → Response Mode 设置为 “Using Response Nodes”
不能是 “When Last Node Finishes”

✅ n8n 版本足够新

需要版本 1.105.2 或更新
如果看不到 “Using Response Nodes” 选项，请升级 n8n

📖 完整使用示例

示例 1：简单的 AI 助手（单轮对话）

场景：用户提问 → AI 回答 → 对话结束

步骤：

添加 Chat Trigger 节点
- Mode: 选择 “Hosted Chat”
- Response Mode: 设置为 “Using Response Nodes”
添加 AI Agent 节点
- 连接 Chat Trigger
- 配置 System Message（系统提示）
- 连接到 OpenAI 或其他 LLM
添加 Respond to Chat 节点
- Message: {{ $json.output }}
- Wait for User Reply: 禁用（因为不需要后续交互）

工作流连接：

Chat Trigger → AI Agent → Respond to Chat

示例 2：多轮对话 AI 助手（带内存）

场景：用户进行多轮对话，AI 记忆之前的消息

步骤：

配置 Chat Trigger
- Load Previous Session: “From Memory”
- Response Mode: “Using Response Nodes”
添加内存节点
- 类型：Memory Buffer Window 或 Simple Memory
- Session Key: {{ $json.sessionId }}
配置 AI Agent
- 连接到内存节点
- 启用记忆功能
设置 Respond to Chat
- Message: {{ $json.output }}
- Wait for User Reply: 启用（等待用户下一条消息）
- Add Memory Input Connection: 启用
- 连接到内存节点

完整工作流：

Chat Trigger
    ↓
Memory ─→ AI Agent ─→ Respond to Chat
    ↑_________________↓
      （循环连接内存）

示例 3：人工审批流程（Human-in-the-Loop）

场景：AI 生成内容 → 用户审批 → 继续处理

步骤：

第一个 Respond to Chat：发送 AI 生成的草稿

Message: "您好，我为您生成了以下文本：\n\n{{ $('AI Agent').json.output }}\n\n请确认是否满意？"
Wait for User Reply: 启用

处理用户回复
- 使用 IF 节点判断用户是否批准
- 批准 → 继续处理
- 拒绝 → 重新生成

第二个 Respond to Chat：发送最终结果

Message: "感谢您的反馈！内容已发送。"
Wait for User Reply: 禁用

💡 实战技巧

技巧 1：动态消息生成

使用表达式动态构建消息内容：

// 组合来自多个节点的信息
{{ "用户问题：" + $json.question + "\n\n" + "AI回答：" + $('AI Agent').json.output }}

技巧 2：条件消息发送

在 Respond to Chat 前使用 IF 节点：

IF 节点判断条件
├─ True → Respond to Chat（发送特定消息）
└─ False → 其他处理

技巧 3：处理等待超时

启用 Limit Wait Time，在用户长时间不回复时自动处理：

启用 Limit Wait Time
设置为：24 小时

超时后工作流继续执行，可发送提醒消息。

技巧 4：保存对话历史

使用内存节点保存所有对话，便于数据分析：

Memory Input Connection → 数据库存储（Airtable/Google Sheets）

⚠️ 常见错误与解决方案

错误信息	原因	解决方案
“Response Mode must be set to Using Response Nodes”	Chat Trigger 配置错误	检查 Chat Trigger 的 Response Mode 设置
找不到 “Using Response Nodes” 选项	n8n 版本过旧	升级 n8n 到 1.105.2+
Respond to Chat 节点不显示	缺少 Chat Trigger	先添加 Chat Trigger 节点
消息显示为 JSON 格式	返回的是对象而非字符串	使用表达式提取文本：`{{ $json.text }}`
等待超时后仍未继续	没有配置超时时间	启用 Limit Wait Time 选项

📝 完整可执行工作流代码

以下是一个开箱即用的多轮对话 AI 助手工作流，可直接导入 n8n：

{
  "name": "多轮对话 AI 助手工作流",
  "nodes": [
    {
      "parameters": {
        "mode": "hosted"
      },
      "id": "chat-trigger-node",
      "name": "Chat Trigger",
      "type": "n8n-nodes-langchain.chatTrigger",
      "typeVersion": 1,
      "position": [100, 200],
      "disabled": false
    },
    {
      "parameters": {
        "hasSystemMessage": true,
        "systemMessage": "你是一个友好的 AI 助手。帮助用户回答问题和解决问题。保持对话自然流畅。",
        "hasMemory": true,
        "hasInputData": true,
        "options": {}
      },
      "id": "ai-agent-node",
      "name": "AI Agent",
      "type": "n8n-nodes-langchain.agent",
      "typeVersion": 1,
      "position": [300, 200],
      "disabled": false
    },
    {
      "parameters": {
        "message": "={{ $json.output }}"
      },
      "id": "respond-to-chat-node",
      "name": "Respond to Chat",
      "type": "n8n-nodes-langchain.respondToChat",
      "typeVersion": 1,
      "position": [500, 200],
      "disabled": false
    },
    {
      "parameters": {
        "metadata": {
          "description": "存储对话上下文和会话信息"
        }
      },
      "id": "memory-node",
      "name": "Memory",
      "type": "n8n-nodes-langchain.memory",
      "typeVersion": 1,
      "position": [300, 350],
      "disabled": false
    }
  ],
  "connections": {
    "Chat Trigger": {
      "main": [
        [
          {
            "node": "AI Agent",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "AI Agent": {
      "main": [
        [
          {
            "node": "Respond to Chat",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "Memory": {
      "main": [
        [
          {
            "node": "AI Agent",
            "type": "main",
            "index": 0
          }
        ]
      ]
    }
  },
  "active": true,
  "settings": {
    "executionOrder": "v1"
  },
  "versionId": "1.0"
}

使用步骤：

复制上面的 JSON 代码
在 n8n 中新建工作流
点击右上角 “…” → “Import from File”
粘贴 JSON 代码
配置 OpenAI 或其他 LLM 凭证
激活工作流

🎓 进阶学习

与 Chat Trigger 的深度集成

Respond to Chat 必须与 Chat Trigger 配合使用。记住：

Response Mode = “Using Response Nodes” 时，Respond to Chat 才生效
一个工作流可以有多个 Respond to Chat 节点
每个 Respond to Chat 都会创建一次对话轮次

流式响应（Streaming）

较新版本支持实时流式响应：

Chat Trigger → Response Mode: "Streaming"
    ↓
AI Agent → Enable Streaming: 开启
    ↓
Respond to Chat（自动流式输出）

用户会实时看到 AI 逐字生成的回复。

与 Respond to Webhook 的区别

特性	Respond to Chat	Respond to Webhook
适用场景	聊天交互	通用 Webhook
内存支持	✅ 原生支持	❌ 需要手动管理
多轮交互	✅ 原生支持	⚠️ 需要会话管理
响应格式	纯文本消息	JSON 对象