n8n 讲解 AI Agent 记忆如何在生产环境中管理状态

n8n 博客发布教程，讲解如何在一台 NVIDIA DGX Spark（128GB 统一内存）上部署七个本地模型，通过 LiteLLM 单一 OpenAI 兼容端点驱动 n8n 工作流，全程不调用云 API。

n8n 内部 AI 与自动化负责人 Romina da Costa 撰文分析集中式自动化团队服务台模式的天花板，称公司已有超过 12,000 条内部工作流，任何团队都无法包揽构建与维护。她的团队转向赋能文化，提出四条原则：培养各团队的构建能力、立项前先摸清现状基线、按问题而非惯性选工具、让每个工作流有归属和文档，目标是让更多团队不再依赖他们。

针对 AI 智能体工作流，可按幻觉类型分层部署检测：忠实度与接地性检查用 DeepEval 等工具把回答拆成单条主张与检索文档比对打分，自一致性检查多次提问同一问题比较答案是否收敛，语义熵则按语义聚类估计模型的不确定性。来源核验可对照数据库、API 和文档等权威来源，置信度阈值配合 human in the loop 把高风险输出转人工复核。

n8n Blog 发文讲解如何在自托管 LLM 与云 API 之间做请求路由，并给出混合方案。

n8n 成为首批集成 Gemini 4 Argon 的公司之一，用户可在现有工作流中使用该模型。n8n 内置 MCP server 支持从任意 MCP 客户端生成工作流，Assistant 可通过 OpenRouter 或 Google 的 OpenAI 兼容端点接入 Gemini，Agent 与独立 Google Gemini 节点在发布时即可选用该模型。

n8n 博客发布一篇客座教程，介绍用 You.com 节点、TypeSafe AI 的 Jev 模型和 n8n 搭建每早 8 点的 AI 新闻简报工作流。

Claude 发布视频教程，讲解在 Claude Code 中何时使用 Fable 5.2、Opus 5.5，何时降级到 Sonnet 5.5 或 Haiku 5.5，以及如何把一个任务拆分给多个模型。视频覆盖复杂编码与开放式技术工作、低成本明确任务等场景，并提供在自有任务上测量各模型表现的指南链接；可用性与用量限制因套餐而异。

OpenRouter 发布教程，讲解从任意 LLM 获取可靠结构化输出的三种方式：支持 structured outputs 的模型发送严格 JSON Schema，只支持工具的模型强制单次工具调用，只需标签时用 Jev 决策模型。

Anthropic 开发者博客发文指导开发者如何在 Haiku 5.5、Sonnet 5.5、Opus 5.5 和 Fable 5.2 之间选型，建议多数编码和知识工作从 Opus 5.5 的 medium effort 起步，其 token 价格是 Fable 5.2 的一半。

Addy Osmani 发文探讨在大量使用 Agent 工作流后如何保持批判性思维。他提出认知卸载、拖延、认知投降三段光谱，认为模型越强、输出越流畅，人越容易在不知不觉中放弃独立判断；并给出具体做法，包括提问前先写假设、把验证标准前置为可执行测试、要求 Agent 列出它替你做的决策与假设、用测验收尾而不是读摘要，以及定期手写代码做校准练习。他强调可以卸载工作和审计，但不能卸载责任。