说明记录 n8n 从本地部署、接入大模型到用 Claude Code n8n-mcp 提效的实践经验。一、为什么用 n8nn8n 是一个开源的工作流自动化平台Workflow Automation用节点Node和连线把触发器 数据处理 第三方服务调用串成可视化流程。相比写脚本它的优势在于可视化编排整条流水线在画布上一目了然改流程不用重写代码节点生态丰富内置几百个节点HTTP、定时、数据库、IM、各种 SaaS接什么都有现成的本地/自托管部署数据不出自己的机器敏感数据可控还能二次扩展可复用可批量搭好一条流水线跑一百次和跑一次成本几乎一样。用一句话概括把重复的取数 → 加工 → 调模型 → 分发沉淀成可视化流水线一次搭建、反复复用。本文记录本地部署、接入大模型的三种方式、两个落地示例以及进阶阶段用 Claude Code 提效的经验。二、本地部署 n8nmacOS本地起一个 n8n 非常简单安装 Node.js 与 npm确保 Mac 上已安装 Node.js建议 18和 npm可在官网下载安装包或通过 Homebrew 安装。全局安装 n8nnpminstalln8n-g启动 n8nn8n浏览器访问http://localhost:5678进入工作流编辑界面。几点补充也可以用 n8nDesktop 应用或Docker部署服务器场景建议 Dockerdocker run -it --rm -p 5678:5678 n8nio/n8n数据持久化到本机~/.n8n。本地开发阶段用npm全局安装最省事命令行直接n8n拉起即可。个人使用完全免费商业团队注意其 Fair-code 许可二次分发/扩展要考虑开源协议条款。三、接入大模型三种主流方式n8n 里接大模型有几种方式按灵活度和上手成本从低到高排列。方式一HTTP Request 节点最通用HTTP Request 节点是最底层的方案任何兼容 OpenAI 接口格式的大模型都能接包括本地部署的私有模型和国内大模型。关键配置MethodPOSTURL指向任意 OpenAI 兼容的接口地址形如https://xxx/v1/chat/completionsHeadersContent-Type: application/json以及Authorization: Bearer your_api_key部分服务用Authorization: key即可Body按接口约定填 JSON核心字段为model、messages、temperature、max_tokens等响应解析解析返回 JSON 中的choices[0].message.content得到生成结果{model:gpt-4o-mini,messages:[{role:system,content:你是一个严谨的助手用简洁的中文回答。},{role:user,content:把下面这段内容总结成三条要点……}],temperature:0.3,max_tokens:1024}优点不挑模型——本地 Ollama、vLLM 起的小模型或任意厂商的 OpenAI 兼容网关都能复用同一套节点。缺点是 body 和响应解析要自己写稍微繁琐。小提示需要把上游数据动态拼进 prompt 时在 body 里用 n8n 表达式{{ $json.xxx }}引用即可能做到一个节点、批量换参数。方式二OpenAI 节点开箱即用n8n 内置了 OpenAI 等多家大模型的官方节点配置上只需要填 API Key可在 credential 里统一管理选模型名按需填 Base URL可指向代理或国内兼容服务适合只想快速跑通、不关心底层细节的场景相比 HTTP Request 少写很多字段。方式三AI Agent 节点智能体AI Agent 节点是更高阶的玩法它不只是单次问答而是让模型带上tools工具调用和memory记忆自主决定要不要调用工具、调用哪个、怎么用结果继续推理。模型可复用 OpenAI 节点也可通过配置换成其他大模型典型用法让 Agent 调用查资料 / 算价格 / 读接口等工具多步推理后给出结论适合需要复杂任务拆解的场景代价是链路更复杂、token 消耗更大。对单次生成类任务前两种方式往往更可控、更省。选型建议需求推荐方式快速跑通、用官方模型OpenAI 节点私有化/国内模型、想完全掌控请求HTTP Request 节点需要工具调用、多步推理的复杂任务AI Agent 节点四、常用节点速查Schedule Trigger定时触发cron 表达式控制执行频率是无人值守自动跑的基础。Webhook Trigger暴露一个 URL外部系统一回调就触发流程适合做集成入口。Code 节点任意数据加工读取文件、清洗、组装 JSON、调用脚本流水线的万能枢纽。Split In Batches / Loop Over Items把列表拆成小批量或逐项循环处理配合动态 prompt是批量调大模型的关键。Switch按条件分流不同数据走不同分支。Set / Edit Fields补字段、改结构为下游节点准备数据。Sticky Note在画布上写注释标注流程多人协作时很有用。更多节点用法参考 n8n 官方文档Explore n8n Docs。流程参考图五、具体应用场景举例示例一定时监控 AI 摘要 即时推送每天定时抓取某个数据源让 AI 生成摘要然后推到即时通讯工具——典型的值班看板工作流。Schedule Trigger每早 9 点 → HTTP Request抓取数据源 → Code清洗 / 格式化 → 大模型生成摘要 → 通知节点推送到钉钉 / 企业微信 / Telegram / 邮件各节点要点Schedule Trigger填 cron如0 9 * * *设定每天执行时间HTTP Request抓取接口或页面数据Code把原始数据里无用的字段剔除规整成摘要所需的格式大模型用上文的 HTTP Request 或 OpenAI 节点prompt 里动态引用上游摘要内容通知节点n8n 内置钉钉、企业微信、Telegram、邮件等几十种通知渠道选一个即可。收益原来人肉每天看一遍数据源再总结分发变成全自动推送只要模型质量过关基本不用人工干预。示例二Webhook 接收 AI 分类归档 通知外部系统表单、订单、监控告警通过 Webhook 回调进来AI 自动打标签、归档并回传结果——常见的自动录入工作流。Webhook Trigger接收回调 → Code解析原始请求 → 大模型分类 / 打标签 / 生成处理建议 → Switch按分类分流 → 归档数据库 / 发通知各节点要点Webhook Triggern8n 生成一个公开回调 URL外部系统 POST 即触发Code解析不同来源的请求体统一成标准结构大模型根据内容判断类型、贴标签或生成一段处理建议Switch按分类结果走不同分支——归档的归档、要人处理的发通知提醒结果可写入数据库MySQL / Postgres / 各类存储或回传给调用方。收益把人工登记 → 分类 → 分发这条链路自动化大模型承担最费脑子的分类判断。这两个示例的共同点也是 n8n 最有价值的模式触发器 循环/分流 动态 prompt 多端分发。掌握了这一套几乎所有AI 批量处理业务数据的需求都能套上去。六、进阶Claude Code n8n 的应用手动在画布上拖节点搭工作流节点一多就容易手忙脚乱、参数连错、排错费劲。进阶阶段的核心思路是让 AI 来做工作流的设计者和生成者。1. n8n-mcp用自然语言搭工作流MCPModel Context Protocol 是一种让 AI 助手调用外部工具的标准协议。n8n-mcp把 n8n 工作流的创建、编辑、执行能力封装成 MCP 工具于是 Claude Code 可以直接替我们操作 n8n。接入方式Claude Code 中一条命令claude mcpaddn8n-mcp\-eMCP_MODEstdio\-eLOG_LEVELerror\-eDISABLE_CONSOLE_OUTPUTtrue\-- npx n8n-mcp之后就可以用自然语言让 Claude Code 从 0 到 1 创建工作流例如“创建一个工作流每天早 9 点抓取某个接口的数据用大模型生成摘要推送到钉钉群。”Claude Code 会理解意图 → 通过 n8n-mcp 调起 n8n 的 API → 自动创建节点、连线、设置参数 → 最终生成一个可运行的完整工作流。实际收益大幅减少手搓节点的时间设计→生成直接对话完成原本需要人工预处理的数据整理环节也能一并集成进工作流整体自动化程度更高个别节点以及一些敏感参数API Key、内部地址等仍需要人工核对、按具体情况手动调试——AI 生成不等于免审。n8n-mcp 项目地址https://github.com/czlonkowski/n8n-mcp2. 更多 Claude Code n8n 的应用场景除了对话式搭工作流Claude Code 和 n8n 结合还能延伸出不少玩法工作流版本管理n8n 的工作流本质是 JSON。把它纳入 Git 仓库用 Claude Code 做代码审查、diff 解读——“这个版本改了哪个节点、会影响哪条链路”比人肉盯画布靠谱得多。批量内容生产 润色让 Claude Code 阅读或调用工作流产物做二次润色、一致性校验、去重把AI 初稿升级成可直接使用的成果。快速排错工作流出问题报错时Claude Code 能直接读工作流 JSON / 错误日志定位是哪个节点、哪段表达式出的问题甚至自动给出修改建议。团队知识沉淀把为什么这么搭、踩过哪些坑用自然语言记进知识库/代码注释配合工作流本身让后来者能快速接手。3. 一点取舍提醒Claude Code n8n-mcp 适合设计期和调试期一旦工作流稳定跑起来线上执行仍建议交给 n8n 自身的调度定时触发、Webhook、事件触发。把 AI 放在搭台子的位置把 n8n 放在跑台子的位置各司其职。七、小结n8n 能把批量调大模型 → 加工数据 → 分发结果这类重复劳动沉淀成可视化流水线一次搭建、反复复用接大模型优先选 HTTP Request最通用或官方节点最省事复杂任务再上 AI Agent定时监控 AI 摘要推送、Webhook AI 分类归档是两个上手快、通用性强的落地示例进阶阶段用 Claude Code n8n-mcp 对话式搭工作流能显著减少手搓节点的时间敏感参数仍需人工把关。