免费AI Agent搭建教程：不用写代码，3个工具做出你的第一个智能助手
你有没有想过，每天自动帮你整理邮件、回复客户消息、甚至根据网页内容生成摘要的 AI 助手，其实可以自己搭？
不用学 Python，不用配服务器，也不用花一分钱买 API。
今天我用三个免费工具，手把手带你搭一个能真正干活的 AI Agent。我会用 Make.com（可视化拖拽）、n8n（开源自动化）和 Dify（AI 应用平台）分别演示，你挑一个顺眼的用就行。
一、什么是 AI Agent？别被概念唬住了
Agent 这个词现在满天飞，但说白了就一件事：给 AI 配上工具和记忆，让它能自主完成一系列动作。
普通 ChatGPT 只能陪你聊天。AI Agent 可以帮你：
- 每天早上自动读取新闻，生成简报发到你的微信
- 监控某个关键词，出现时自动发通知
- 接收客户邮件，分类、提取要点、回复草稿一气呵成
区别就在于：Agent 有工具调用能力和工作流编排能力。
下面这三个工具，都能帮你实现这个能力。
二、工具1：Make.com —— 最适合新手的可视化搭建
Make.com（原名 Integromat）是一个可视化的自动化工具。你可以把它理解成乐高积木——把不同的模块拼在一起，数据就流动起来了。
它的优势：
- 界面拖拽式操作，零代码
- 内置 1000+ 集成（Google、Slack、Telegram、Notion 等）
- 免费版每月可以做 1000 次操作，对个人够用
实战：搭建一个"每日AI新闻摘要"Agent
需求：每天早上9点，自动抓取 Hacker News 热门文章，让 AI 生成中文摘要，发到 Telegram。
操作步骤：
注册 Make.com，进入 Scenarios 页面，点击"Add a new scenario"
添加触发器：搜索"Schedule"模块，设置每天早上9点触发
添加 HTTP 请求模块：
- Method: GET
- URL:
https://hacker-news.firebaseio.com/v0/topstories.json - 这个接口会返回热门文章 ID 列表
添加 Iterator 模块：把 ID 列表展开成单个项目，方便逐个处理
添加 OpenAI 模块（或任意 HTTP 请求模块调 AI API）：
- 构造 prompt：“请总结以下 Hacker News 热门文章，生成中文摘要，控制在200字以内”
- 输入上一步的文章标题和链接
添加 Telegram 模块：把 AI 生成的摘要发送到你的 Telegram 频道
整个过程大概拖10个模块，连起来就是一个完整的 AI Agent。
效果：每天早上9点，你的手机会收到一条消息，里面是当天 HN 最火的10篇文章的中文摘要。
Make.com 的局限：
- 免费版有操作次数限制
- 复杂逻辑（条件判断、循环）需要付费版
- 数据存在 Make 的服务器上
三、工具2：n8n —— 开源自动化，数据自己掌控
n8n 是 Make.com 的开源替代品。最大的区别是：你可以自己部署，数据完全在自己手里。
它的优势：
- 开源免费（个人使用免费，商用需付费）
- 支持自托管，数据不出你的服务器
- 节点数量和 Make.com 差不多，也有一千多个集成
部署方式：
最简单的办法是用 Docker：
docker pull n8nio/n8n
docker run -it --rm --name n8n -p 5678:5678 -v ~/.n8n:/home/node/.n8n n8nio/n8n
打开 http://localhost:5678 就能看到界面了。
实战：搭建一个"客户邮件智能分类"Agent
需求：监控 Gmail 邮箱，收到新邮件后自动判断类型（咨询、投诉、合作），提取关键信息，写入 Notion 表格。
操作步骤：
在 n8n 中新建 Workflow
添加 Gmail Watch New Email 节点：设置监听条件，比如只监听来自特定发件人的邮件
添加 OpenAI Chat Completion 节点：
System Prompt: 你是一个邮件分类助手。请分析以下邮件内容，判断其类型（咨询/投诉/合作/其他），提取发件人、主题、关键诉求三个字段，以 JSON 格式返回。 User Message: {{ $json["bodySnippet"] }}添加 Switch 节点：根据 AI 返回的类型，走不同的分支
添加 Notion Create Page 节点：把分类后的数据写入 Notion 表格
保存并激活 Workflow
n8n 的局限：
- 自托管需要一台服务器（最低 1核1G）
- 界面不如 Make.com 直观
- 社区中文资源较少
四、工具3：Dify —— 专为 AI 应用打造的平台
Dify 是近几年最火的 AI 应用开发平台。它不像 Make 和 n8n 那样什么都做，而是专注于 AI Agent 和 AI 应用的搭建。
它的优势：
- 原生支持 RAG（检索增强生成），可以直接上传知识库
- 内置 Prompt 工程、模型管理、对话日志等功能
- 支持开源自托管，也有云端版
部署方式：
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d
访问 http://localhost 即可。
实战：搭建一个"企业知识库问答"Agent
需求：上传公司的产品手册和技术文档，让 AI 能基于这些文档回答用户问题，不瞎编。
操作步骤：
在 Dify 中创建一个"Chatflow"应用
添加知识库：
- 上传 PDF、Word、Markdown 文件
- 设置分段策略（建议按段落分割，每段500-1000字）
- 选择 embedding 模型（Dify 内置了多种选项）
配置工作流：
- 用户提问 → 知识库检索 → 将检索结果 + 用户问题 → 传给 LLM → 生成回答
调试：在 Dify 的测试面板里输入问题，查看检索结果和回答质量
发布：测试满意后，可以一键生成 API 或嵌入到网页中
这个方案的核心价值：
- 回答完全基于你的文档，不会出现幻觉
- 知识库可以随时更新，不需要重新训练模型
- 成本极低，每次对话的 token 消耗很少
五、三个工具怎么选？
| 维度 | Make.com | n8n | Dify |
|---|---|---|---|
| 上手难度 | ⭐ 最简单 | ⭐⭐ 中等 | ⭐⭐⭐ 稍复杂 |
| 免费额度 | 1000次/月 | 完全免费（自托管） | 完全免费（自托管） |
| 擅长领域 | 通用自动化 | 通用自动化 | AI 应用专属 |
| 数据隐私 | 数据在 Make 云上 | 数据在你自己的服务器 | 数据在你自己的服务器 |
| 适合人群 | 非技术人员 | 有技术背景的开发者 | AI 应用开发者 |
我的建议：
- 如果你是零基础，想快速看到效果 → 先用 Make.com
- 如果你有服务器，想要完全掌控数据 → 用 n8n
- 如果你想专注做 AI 应用（知识库、智能客服等） → 用 Dify
六、避坑指南：新手最容易犯的3个错误
错误1：没有设置失败重试
Agent 跑着跑着突然断了，大概率是因为某个环节失败了。比如 API 超时、网络抖动、文件格式不对。
解决办法：在每个关键节点后面加上错误处理分支。Make.com 和 n8n 都支持 Error Trigger 节点，可以设置重试次数和失败通知。
错误2：Prompt 写得太模糊
AI 的输出质量取决于你的 prompt。“总结一下这篇文章” 和 “请用300字以内的中文，分三点总结这篇文章的核心观点，每点附带一个原文引用”，出来的结果天差地别。
解决办法：把你的 prompt 写在纸上，逐字检查。确保每个指令都有明确的格式要求和输出约束。
错误3：没有监控和日志
Agent 跑起来了，但你不知道它有没有正常执行。等到用户反馈"怎么没收到摘要"的时候，已经晚了。
解决办法：在 Workflow 末尾加一个日志记录节点。n8n 和 Dify 都内置了执行日志，Make.com 的付费版才有。定期查看日志，发现异常及时处理。
七、下一步：给你的 Agent 加点"记忆"
上面搭建的 Agent 都有一个共同特点：它们是"无状态"的。每次运行都是从头开始，不记得之前做过什么。
真正的 AI Agent 应该有记忆能力。比如：
- 记住用户的偏好设置
- 记住之前的对话上下文
- 记住操作的结果以便后续参考
实现记忆的方式有很多种：
- 最简单的：用 SQLite 或 Airtable 存储结构化数据
- 进阶的：用向量数据库（如 ChromaDB、Qdrant）存储语义记忆
- 高级的：用 LangChain 的 Memory 模块自动管理对话历史
等你把上面的基础 Agent 跑通了，再来研究记忆层的事。一步一步来，别贪多。
八、总结：动手比看教程重要一万倍
今天介绍了三个工具，展示了三种搭建 AI Agent 的方式。但说实话，看十遍教程不如自己动手搭一次。
我建议你今天就选一个工具，跟着上面的步骤走一遍。哪怕最后做出来的东西很简陋也没关系——关键是你会了。
你打算先用哪个工具？或者你已经有自己的 AI Agent 在工作了？来评论区分享一下你的经验。