AI驱动的多代理路由工作流：智能任务分发系统

🔁 工作流目的：

此模板通过Webhook接收用户请求，使用LLM进行处理，提取结构化数据（如代理名称和用户查询），并根据指定的代理类型将输入路由到相应的子工作流（代理）。

🧩 工作流分解：
1. Webhook（触发器）
节点：Webhook
目的：接受来自任何前端或API源的POST请求，包含原始用户输入。

2. GPT模型（LLM推理）
节点：GPT 4o Mini
目的：解释用户输入并确定：
– 应该由哪个代理处理（例如”提醒代理”、”邮件代理”等）
– 实际用户请求（结构化格式）

3. 自动修复输出解析器
节点：Auto-fixing Output Parser
目的：确保LLM的输出符合预期结构。如果存在不匹配，它会使用重新提示自动纠正。

4. 结构化输出解析器
节点：Structured Output Parser
目的：将语言模型的响应转换为严格的JSON结构，包含以下键：
– “Agent Name”
– “user input”
– “sessionID”

5. 代理路由器
节点：Switch（”Agent Route”）
目的：基于”Agent Name”将输入路由到以下子工作流之一：
– 📅 提醒代理
– 📧 邮件代理
– 🧾 文档代理
– 🤝 会议代理

6. 子工作流调用（执行工作流）
每个代理都作为独立的n8n工作流实现：
– 输入被转发到选定的代理
– 例如，如果”Agent Name”是”提醒代理”，则调用”提醒代理”工作流并传入”user input”

7. Webhook响应
子代理工作流完成后，Respond to Webhook节点将输出作为HTTP响应发送回去。

✅ 关键特性：
– 完全模块化和可扩展
– 使用OpenRouter GPT-4o的LLM驱动路由
– 自动纠正结构化输出错误
– 关注点清晰分离（代理逻辑在子工作流中解耦）
– 通过更新开关逻辑轻松添加更多代理

📦 用例示例：
– 用户说：”明天提醒我给妈妈打电话。”
→ 路由到提醒代理

– 用户说：”给HR团队发送邮件。”
→ 路由到邮件代理

– 用户说：”下周与John安排会议。”
→ 路由到会议代理