一、核心概述

当前 AI 大模型（如 Claude、GPT-4o、Gemini、DeepSeek）更新迭代极快，但单一模型本质上只是无状态的「CPU」，任何竞争对手都能在同一时间获得升级，因此模型本身已不再构成绝对壁垒。真正决定生产力差异的是围绕大模型构建的系统架构。

完整的个人或企业级 AI 系统架构由 6 个核心层级 构成：

1. 模型（Model / CPU）：无状态计算单元，上下文窗口即 RAM。
2. 工具（Tools）：赋予 AI 执行真实操作的能力（如读取邮件、更新日历、修改数据库），通过 MCP（模型上下文协议）实现标准化标准化对接。
3. 记忆（Memory）：区分静态文档检索（RAG）与 Agent 自身动态学习、写入的个人偏好、历史决策及时间戳信息。
4. 技能（Skills）：在特定任务触发时临时加载的标准作业程序（SOP）。
5. 编排（Orchestration）：控制任务循环、分支判断、失败重试、定时调度及终止逻辑的流程引擎。
6. 可观测性与安全防护（Observability & Guardrails）：追踪全流程运行日志，以及对高危写/发动作实施「人工审批（Human-in-the-Loop）」与凭据加密存储。

本教程将基于 n8n 工作流平台、Claude 3.5 Sonnet 与 Supabase 向量数据库，手把手拆解如何通过 MCP 双向通信搭建具有深度记忆、工具调用与安全防线的高阶 AI 智能体（Angie 2.0）。

本教程根据 YouTube 视频字幕整理，原始视频链接见原文出处。

---

二、实操步骤与核心流程详解

1. 通过 MCP 连通 n8n 与 Claude

• 启用 n8n MCP 服务：进入 n8n 实例的设置页面（Settings），开启 Instance-level MCP 服务。
• OAuth 鉴权对接：点击「Connect」，选择 Claude 并通过 OAuth 完成授权登录，无需手动复制粘贴暴露 API Key。
• 赋予构建权限：重新连接后，Claude 即可直接读取 n8n 的节点库，自动撰写工作流、创建并更新 Agent 节点。

2. 初始化 AI Agent 框架与安全护栏（Guardrails）

• 创建 Agent 节点：在 n8n 的 Agents 页面，给 Claude 发送 Prompt 指令：「使用 Anthropic 凭据生成名为 Angie 2.0 的 Agent（选用 Claude 3.5 Sonnet 模型）」。
• 系统提示词设置：编写核心 Prompt，要求 Agent 在回答提问前强制先查询记忆库，并在输出答案时标注数据来源与生成日期，严禁未经许可自动发送外部消息。
• 挂载工具节点与人工审批机制：
  • 连接 Gmail、Google Calendar、Supabase Tasks 等 8 个基础工具。
  • 在工具节点的配置选项中，对涉及「写入/发送/消费」的高危操作（如发送邮件、新建日程）勾选 「Require Approval」（需要审批）。Agent 仅负责生成草稿，必须经人类确认后方可执行。

3. 配置 Supabase 向量记忆数据库

• 创建 Supabase 项目：新建免费 Supabase 项目，在 SQL Editor 中运行记忆库建表脚本，生成 Second Brain 存储表及向量检索函数。
• 加密凭据绑定：复制 Supabase 项目 URL 与 Secret Key（Service Role 替换密钥），在 n8n 凭据管理中进行加密保存。凭据仅存在于 n8n 内部，不会暴露给 Prompt 或浏览器。

4. 构建记忆捕获与检索工作流（Capture & Query Workflow）

• 构建捕获工作流（Capture Canvas）：
  • 创建包含逻辑判断的画布工作流，触发器设置为「由其他工作流调用」。
  • 调用 Claude 提取笔记摘要、生成标签与关联人，将分类结果（决策/任务/想法）连同时间戳元数据一并写入 Supabase 向量库。
• 挂载检索工具（Query Tool）：
  • 将 Supabase 向量库查询函数挂载至 Agent。当被问及「针对 Q4 发布做出了什么决定」时，Agent 先检索向量库，结合日期元数据给出精确且带有出处的回答。

5. 多端交互接入与双向 MCP

• 渠道接入：通过 n8n 一键部署 Slack 应用；接入 Telegram Bot 并锁定个人专属 User ID，拒绝未知用户越权访问。
• 双向 MCP 通信：开启 Agent 的「Available in MCP」开关。此时在 Claude Desktop（桌面端）中即可直接唤醒 n8n 上运行的 Angie 2.0 智能体，实现本地与云端工作流的实时打通。

6. 配置定时自动化简报（Routines）

• 使用自然语言在 Agent 内配置定时任务引擎：设置「工作日早晨 7 点自动检查当天日历日程、提取 Top 3 核心任务、检索昨日录入的记忆，并在 Slack 和 Telegram 中汇总发布每日简报」。

---

三、实战技巧与核心小结

1. 定时任务踩坑与调试优化：
   • 时区问题：定时任务传递日期参数时，务必使用带时区偏移量的完整 ISO 时间格式，避免日期解析失效导致工具调用被拒。
   • 通道权限：确保 Slack Bot 已提前加入目标 Channel，且 Telegram 提示词中明确写死个人的 Chat ID。
2. 成本控制与额度限制：
   • 交互型 AI 智能体比单向工作流消耗更多 Model Call。必须在 n8n 节点的 Agent 设置选项中设置 ** Monthly Budget Limit（每月预算上限）**，防止 Token 异常超支。
3. 数据资产自主可控：
   • 所有的记忆数据均完完全全存储在用户个人的 Supabase 数据库中，而非大模型厂商的服务端。即使未来更换底层 LLM 模型，记忆资产依然可以无缝迁移。

总结：单纯的大模型只是基础算力，唯有将「模型、工具、记忆、技能、编排、安全」六大层级统一在 n8n 这类工作流引擎中，才能构建出真正具备长期价值、不可被轻易复制的个人 AI 资产。