使用 n8n 與 LINE Bot 搭建 RAG AI 應用

n8n 在 LINE Bot RAG AI 應用中負責什麼？

n8n 是 LINE Bot 與 OpenAI Assistant 之間的流程編排層。n8n 會接收 LINE Webhook 事件、整理輸入欄位、呼叫 AI 節點，再把結果送回 LINE。

n8n 是一款開源的工作流自動化工具，可以透過可視化節點設計和執行自動化流程，完成跨應用與服務的資料整合。無論是簡單的資料同步，還是複雜的跨平台自動化，n8n 都適合拿來做概念驗證與內部工具。

在這個應用裡，n8n 不只是「把 LINE 接到 AI」而已。n8n 比較像一個可以看得見每一步的中控台：LINE 傳來什麼、哪些欄位要轉換、OpenAI Assistant 回傳什麼、最後回覆格式是不是 LINE API 接受的 JSON，都可以在節點裡逐步調整。

n8n 串接 LINE Bot 前需要準備哪些憑證？

n8n 串接 LINE Bot 前，需要 LINE Developers 帳號、Messaging API Channel、Channel ID、Channel Secret 與 Channel access token。若要接收使用者訊息，也要設定 Webhook URL。

準備 LINE API 憑證的基本步驟如下：

1. 前往 LINE Developers 註冊或登入帳戶。
2. 建立一個新的 Messaging API Channel。
3. 記下 Channel ID、Channel Secret 和 Channel access token，這些資料會用於 n8n 或 HTTP Request 節點的認證設定。
4. 如果需要接收 LINE 的事件通知，將 n8n 提供的 Webhook URL 設定回 LINE Developers。

LINE Messaging API 的 Webhook 機制，是 LINE Platform 在使用者傳訊息、加入好友或觸發事件時，用 HTTPS POST 把事件送到開發者設定的 Webhook URL（LINE Developers，存取日期：2026-08-28）。正式測試前，記得確認 LINE Developers 裡的 Webhook 已啟用，LINE 官方帳號後台也沒有用預設自動回應蓋掉機器人的回覆。

如何在 n8n 中接收 LINE 訊息？

在 n8n 中接收 LINE 訊息，可以先用 Webhook 或 LINE 相關節點接住 LINE 事件，再把使用者文字整理成後續 AI 節點需要的欄位。後續節點通常會讀取 chatInput 作為使用者問題。

在 n8n 裡新增 LINE 節點後，可以先確認兩個畫面：n8n 的節點設定畫面，以及 LINE Bot 的 channel 設定畫面。這一步先不急著串 AI，先讓 LINE 事件能穩定進到 n8n。

我自己的做法是先用最小流程測試：

1. 使用手機傳一則文字訊息給 LINE 官方帳號。
2. 在 n8n execution 裡確認 LINE 事件是否進來。
3. 找到使用者文字與 replyToken 在 JSON 裡的位置。
4. 再用 Edit Fields 節點整理後續 AI 節點要吃的欄位。

這裡最容易卡住的地方，不是 AI 回答，而是 LINE 事件 JSON 很深。後面要回覆 LINE 時會需要 replyToken，要呼叫 AI 時會需要使用者輸入文字；先把這兩個欄位找出來，後面會省很多時間。

如何用 OpenAI Assistant 建立 RAG 知識機器人？

OpenAI Assistant 可以先建立專屬知識機器人，並上傳檔案作為 RAG 問答資料。這是 2025 年常見的做法；新專案應先確認 OpenAI 目前推薦的 Responses API 流程。

可以前往 OpenAI 平台的 Assistant 相關頁面建立機器人：

https://platform.openai.com/playground/assistants

在這個案例裡，我建立的是一個了解我的書籍內容的機器人。當時的 OpenAI Assistant 可以上傳檔案，讓機器人有自己的知識資料來源；使用者從 LINE 問問題時，Assistant 就能根據這些資料回答，而不是只靠模型本身的通用記憶。

RAG（Retrieval-Augmented Generation，檢索增強生成）適合用在「回答必須貼近指定文件」的場景。比起把全部資料寫進提示詞，RAG 會先從知識資料中檢索相關內容，再交給模型產生回答，對書籍問答、內部文件客服、產品知識庫都很實用。

如何在 n8n 呼叫已建立好的 OpenAI Assistant？

n8n 呼叫 OpenAI Assistant 時，可以選擇與 Assistant 對話的 AI 節點，並指定剛剛建立好的機器人。若 n8n 節點已改版，請改用目前支援 Responses API 的節點或 HTTP Request。

這一步的重點有兩個：

1. 在 n8n 裡選擇可以和已建立 Assistant 對話的節點。
2. 把前面 LINE 事件整理出的使用者文字，放到 AI 節點需要的 chatInput。

如果前一個節點的欄位結構不是 AI 節點預期的格式，就先新增一個 Edit Fields 節點，把資料轉成乾淨的結構。這個小步驟很重要，因為 n8n 的節點通常不是只看「畫面上有文字」，而是會讀指定欄位名稱。

我會把資料流整理成這樣：

如何用 LINE Reply API 回覆使用者訊息？

LINE Reply API 需要 replyToken、messages 陣列與 Channel access token。當 n8n 取得 OpenAI Assistant 的回答後，可以用 HTTP Request 節點送出 reply message。

原本 n8n 裡有 notify 類型的 LINE 元件，但相關元件可能會因版本更新而變動。比較穩的做法，是直接參考 LINE Messaging API 的 reply message 格式，用 HTTP Request 節點呼叫 API。

LINE 官方文件提供的 reply message 範例如下：

curl -v -X POST https://api.line.me/v2/bot/message/reply \
-H 'Content-Type: application/json' \
-H 'Authorization: Bearer {channel access token}' \
-d '{
    "replyToken":"nHuyWiB7yP5Zw52FIkcQobQuGDXCTA",
    "messages":[
        {
            "type":"text",
            "text":"Hello, user"
        },
        {
            "type":"text",
            "text":"May I help you?"
        }
    ]
}'

在 n8n 裡，replyToken 需要換成 LINE Webhook 事件裡的實際 token，text 則換成 OpenAI Assistant 回傳的回答。LINE reply token 只能用於回覆該次事件，所以不要把 reply message 延遲太久才送出。

為什麼 LINE 回覆內容要用 JSON.stringify？

OpenAI Assistant 回傳的文字可能包含換行、引號或特殊符號，直接塞進 JSON 會造成格式錯誤。n8n 回覆 LINE 時，用 JSON.stringify(...) 包住輸出字串，可以降低 JSON body 被打壞的機率。

我在 HTTP Request 節點會把 body 寫成這樣：

{
    "replyToken":"{{ $('If').item.json.body.events[0].replyToken }}",
    "messages":[{"type":"text","text":{{ JSON.stringify($json.output) }}}]
}

這段設定做了兩件事。第一，replyToken 從前面判斷節點的 LINE 事件中取出；第二，messages[0].text 使用 JSON.stringify($json.output)，把 AI 回答轉成合法 JSON 字串。

如果沒有做 JSON.stringify(...)，AI 回答裡只要有雙引號、換行或部分特殊字元，就可能讓 HTTP Request 節點送出不合法的 JSON。這種錯誤看起來會像 LINE API 不收資料，但根因其實是 request body 在 n8n 端已經壞掉。

完整工作流應該長什麼樣？

完整工作流可以拆成 LINE 事件接收、欄位整理、OpenAI Assistant 問答、LINE Reply API 回覆四段。先讓每一段單獨成功，再串成完整 RAG AI 應用。

一個可測試的 n8n + LINE Bot + RAG AI 工作流，可以用這個順序檢查：

1. LINE 使用者傳訊息給官方帳號。
2. LINE Webhook 把事件送到 n8n。
3. n8n 取出使用者文字與 replyToken。
4. Edit Fields 節點建立 chatInput。
5. OpenAI Assistant 節點用 RAG 知識回答問題。
6. HTTP Request 節點呼叫 LINE Reply API。
7. 使用者在 LINE 收到 AI 回覆。

我會建議先用一個非常小的知識檔案測試，例如一本書的章節摘要或一份 FAQ。確定 chatInput、Assistant 回答、LINE reply body 都正常後，再增加資料量與例外處理。這樣比較容易知道問題到底出在線路、憑證、AI 節點，還是 JSON 格式。

測試 n8n LINE Bot RAG AI 應用時要檢查什麼？

n8n LINE Bot RAG AI 應用測試時，不只要看 LINE 有沒有回話，也要確認回答是否引用正確知識、錯誤時是否可追蹤、金鑰是否安全保存。

我會用這份檢查表跑第一輪：

第一次測試時，我會只讓自己或少數測試者加入 LINE 官方帳號。RAG 類型應用很容易在「可回覆」之後才發現「回答不穩」，所以測試題目要包含知識庫內問題、知識庫外問題、長句問題與含特殊符號的問題。

常見問題

Qn8n 可以不用寫程式就串接 LINE Bot 嗎？

可以，n8n 可以用視覺化節點完成大部分 LINE Bot 串接流程。不過如果要自己呼叫 LINE Reply API，仍需要理解 HTTP header、JSON body、replyToken 與 access token 的位置。

Qn8n LINE Bot 一定要用 OpenAI Assistant 嗎？

不一定。OpenAI Assistant 曾經適合快速建立檔案型 RAG 問答；以 2026 年 8 月 28 日之後的新專案來說，應優先確認 OpenAI Responses API 與 File Search。若團隊已經有自己的向量資料庫、RAGFlow、Dify 或 LlamaIndex，也可以讓 n8n 改呼叫那些服務的 API。

QLINE replyToken 和 Channel access token 差在哪？

replyToken 是 LINE 針對單次使用者事件產生的回覆 token，用來回覆該次訊息。Channel access token 是 LINE Bot 呼叫 Messaging API 的授權憑證，用在 HTTP Authorization header。

Q為什麼 n8n 呼叫 LINE Reply API 會回傳錯誤？

常見原因是 replyToken 路徑抓錯、Channel access token 無效、HTTP header 少了 Content-Type: application/json，或 request body 不是合法 JSON。若 AI 回答含有換行或引號，請先檢查是否已使用 JSON.stringify(...)。

QRAG AI 應用可以直接上傳公司內部文件嗎？

不要在沒有確認權限前直接上傳公司內部文件。建立 RAG 知識庫前，應先確認文件是否含個資、客戶資料、合約、醫療資料、財務資料或其他機密內容，並確認 OpenAI 與相關平台的資料處理條款。

Qn8n LINE Bot 適合正式上線嗎？

n8n LINE Bot 可以作為內部工具或概念驗證，也可以支撐小規模服務。若要正式上線，建議補上錯誤重試、日誌監控、權限控管、費用上限、資料留存政策與資安審查。

參考資料

• n8n, n8n Documentation，存取日期：2026-08-28。
• LINE Developers, Messaging API documentation，存取日期：2026-08-28。
• LINE Developers, Reply message，存取日期：2026-08-28。
• OpenAI Platform, Assistants API deprecation notice，存取日期：2026-08-28。
• OpenAI Platform, File Search guide，存取日期：2026-08-28。

延伸閱讀

• 免程式碼將 ChatGPT 串接到 LINE 對話：FancyAI 與 LINE Bot 設定流程：同樣聚焦 LINE Bot、Webhook，可接著比較不同情境的做法。
• Line Bot圖文回覆的幾個功能：同樣聚焦 LINE Bot，可接著比較不同情境的做法。
• LINE Bot 圖文回覆實戰：快速回覆、LIFF、圖文選單與 Flex Message 完整整理：同樣聚焦 LINE Bot，可接著比較不同情境的做法。

最後更新

本文最後更新於 2026-08-28。此次更新將 WordPress 區塊整理為 Markdown，補上 GEO Answer Blocks、測試檢查表、延伸閱讀、FAQ 與參考資料；來源截圖未在 markdown-export/uploads 或 public/images/tech 找到完整對應檔，因此本文先使用既有 RAG 示意圖作為封面。

關於作者

Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2025-02-01