n8n 自托管部署与 AI 工作流实战：折腾两天，我终于搞明白了这个自动化神器

建站两个月了，之前写过 Dify本地部署与使用全攻略：从零构建企业级AI工作流，当时觉得 Dify 挺好用的。但最近有朋友问我："有没有那种可以拖拖拽拽就把各种 API 串起来的工具？"我第一反应就是 n8n。

说实话，n8n 这东西我早就听说过，但一直没认真搞过。上周末终于花了两天时间从零部署到做了一堆工作流，踩了不少坑，也确实被惊艳到了。这篇文章就记录一下整个过程，从部署到实际使用，把该踩的坑都给你趟一遍。

n8n 是什么？跟 Dify 有啥区别？

先说清楚 n8n 是干嘛的。一句话概括：n8n 是一个开源的工作流自动化平台，用拖拽的方式把各种服务、API、数据库串成自动化流程。

你可能会问，这不就是 Zapier 或者 Make 吗？对，概念上差不多，但 n8n 有几个关键区别：

• 可以自托管：数据在你自己服务器上，不用担心隐私问题
• Fair-code 许可：核心代码开源，可以免费用，企业版才收费
• 原生 AI 能力：内置了 AI Agent 节点，可以直接调用大模型
• 400+ 集成：从 GitHub、Slack 到数据库、HTTP 请求，啥都有
• 可以写代码：复杂逻辑用 JavaScript/Python 节点搞定

跟 Dify 的区别呢？Dify 更侧重于 AI 应用的构建（聊天机器人、RAG、知识库），而 n8n 更侧重于通用自动化——它可以把 AI 当成工作流中的一个环节，但不是全部。两者可以搭配用，不冲突。

说白了，如果你的需求是"我有一堆 API 要串起来，中间偶尔调用一下大模型"，n8n 更合适。如果你的需求是"我要做一个 AI 聊天应用"，Dify 更合适。

自托管部署：Docker 一把梭

部署 n8n 最简单的方式就是 Docker。我试过两种方式：直接 docker run 和 docker-compose，推荐后者，方便管理。

方式一：docker run（快速试玩）

docker run -it --rm \

  - -name n8n \

  - p 5678:5678 \

  - v n8n_data:/home/node/.n8n \

  docker.n8n.io/n8nio/n8n

跑起来之后访问 http://localhost:5678，注册个账号就能用了。但这种方式有几个问题：

• 没有持久化（--rm 删了容器数据就没了，去掉 --rm 但还是不方便）
• 没有 HTTPS
• 没有 PostgreSQL（默认用 SQLite，生产环境不够用）

所以如果是认真用，还是上 docker-compose。

方式二：docker-compose（推荐）

创建一个 docker-compose.yml：

version: '3.8'

services:

  n8n:

    image: docker.n8n.io/n8nio/n8n

    restart: always

    ports:

      - "5678:5678"

    environment:

      - N8N_HOST=your-domain.com

      - N8N_PORT=5678

      - N8N_PROTOCOL=https

      - NODE_ENV=production

      - WEBHOOK_URL=https://your-domain.com/

      - DB_TYPE=postgresdb

      - DB_POSTGRESDB_HOST=postgres

      - DB_POSTGRESDB_PORT=5432

      - DB_POSTGRESDB_DATABASE=n8n

      - DB_POSTGRESDB_USER=n8n

      - DB_POSTGRESDB_PASSWORD=your_secure_password

      - N8N_ENCRYPTION_KEY=your_random_encryption_key

    volumes:

      - n8n_data:/home/node/.n8n

    depends_on:

      postgres:

        condition: service_healthy

  postgres:

    image: postgres:15

    restart: always

    environment:

      POSTGRES_USER: n8n

      POSTGRES_PASSWORD: your_secure_password

      POSTGRES_DB: n8n

    volumes:

      - postgres_data:/var/lib/postgresql/data

    healthcheck:

      test: ["CMD-SHELL", "pg_isready -U n8n"]

      interval: 10s

      timeout: 5s

      retries: 5

volumes:

  n8n_data:

  postgres_data:

然后 docker-compose up -d，搞定。

这里有几个坑我得提醒你：

坑1：N8N_ENCRYPTION_KEY 必须设置

n8n 用这个 key 来加密你保存的凭据（API Key 什么的）。如果不设，每次重启容器，之前保存的凭据就解密不了了，工作流全废。生成一个随机字符串：

openssl rand -hex 32

把这个值填到 N8N_ENCRYPTION_KEY 里。

坑2：WEBHOOK_URL 必须设置

如果你用了 Webhook 触发器（比如 GitHub webhook、Slack 事件回调），这个 URL 必须是外部能访问到的地址。不设的话，n8n 生成的 webhook URL 是 http://localhost:5678/...，外部服务根本调不到。

坑3：HTTPS 得自己搞

n8n 不自带 HTTPS，你得在前面放个 Nginx 反向代理或者 Caddy。我用的是 Nginx：

server {

    listen 443 ssl;

    server_name your-domain.com;

    ssl_certificate /etc/letsencrypt/live/your-domain.com/fullchain.pem;

    ssl_certificate_key /etc/letsencrypt/live/your-domain.com/privkey.pem;

    location / {

        proxy_pass http://localhost:5678;

        proxy_set_header Host $host;

        proxy_set_header X-Real-IP $remote_addr;

        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;

        proxy_set_header X-Forwarded-Proto $scheme;

        # WebSocket 支持（n8n 需要）

        proxy_http_version 1.1;

        proxy_set_header Upgrade $http_upgrade;

        proxy_set_header Connection "upgrade";

    }

}

注意那个 WebSocket 的配置，不加的话 n8n 的前端会一直连不上，页面卡在 loading。

部署完验证一下

跑起来之后访问你的域名，应该能看到 n8n 的注册页面。注册完进到主界面，点左边的 "Credentials" 看看能不能正常添加凭据，再点 "Workflows" 创建一个简单的工作流测试一下。

我第一次部署的时候，注册页面死活打不开，看了半天日志发现是 PostgreSQL 没起来——healthcheck 配错了，pg_isready 命令写成了 pg_ready，少了个 is。低级错误，但排查了半小时。

第一个工作流：定时抓取 RSS 并用 AI 总结

光部署没用，得搞点实际的东西。我做的第一个完整工作流是：每天早上自动抓取几个技术博客的 RSS，用大模型生成摘要，然后发到我的邮箱。

这个工作流的节点链路是这样的：

1. Schedule Trigger：每天早上 8 点触发
2. RSS Feed Read：抓取多个 RSS 源
3. Split In Items：把多篇文章拆成单条处理
4. HTTP Request：调用 OpenAI API 生成摘要
5. Gmail：把摘要发到邮箱

配置 Schedule Trigger

双击 Schedule Trigger 节点，设置触发规则。我设的是每天早上 8 点：

• Trigger Interval: Days
• Hour: 8
• Minute: 0

配置 RSS Feed Read

添加一个 RSS Feed Read 节点，填入 RSS URL。比如我订阅了 Hacker News 的 RSS：

https://hnrss.org/frontpage?count=10

如果你想抓多个 RSS 源，可以加多个 RSS 节点，然后用 Merge 节点合并。

配置 OpenAI 调用

这里我踩了个大坑。n8n 有内置的 OpenAI 节点，但我发现用 HTTP Request 节点更灵活：

• Method: POST
• URL: https://api.openai.com/v1/chat/completions
• Authentication: Predefined Credential → OpenAI API
• Body (JSON):

{

  "model": "gpt-4o-mini",

  "messages": [

    {

      "role": "system",

      "content": "你是一个技术文章摘要助手，请用中文简要总结以下文章的核心内容，控制在3句话以内。"

    },

    {

      "role": "user",

      "content": "标题：{{ $json.title }}\n内容：{{ $json.content }}"

    }

  ],

  "max_tokens": 300

}

那个 {{ $json.title }} 是 n8n 的表达式语法，会自动取上一个节点输出的 JSON 字段。

坑4：n8n 的表达式编辑器有时候抽风

你在 UI 里点 "Expression" 模式然后拖字段过来，有时候拖过来的路径不对。建议先在前面的节点跑一次，看看输出的 JSON 结构，然后手动写表达式。

坑5：大模型节点超时

如果你用的是自部署的大模型（比如本地的 Ollama，还没部署的话可以参考这篇 零基础上手：Llama 3 与 Qwen 等主流大模型本地一键部署实战指南），响应可能很慢。n8n 默认的 HTTP Request 超时是 300 秒，但如果你的模型特别慢，可以在节点设置里调大。我有一次跑 Llama 3 70B 的时候，一个请求跑了快 5 分钟，直接超时了。后来换成了 GPT-4o-mini，速度快多了。

配置 Gmail 发送

最后加一个 Gmail 节点，配置 OAuth2 凭据（这个有点麻烦，需要去 Google Cloud Console 创建 OAuth 应用），然后设置收件人和邮件内容。

邮件内容可以用 HTML 模板：

<h2>📰 今日技术摘要</h2>

{{ $json.choices[0].message.content }}

<p style="color: #999; font-size: 12px;">由 n8n + OpenAI 自动生成</p>

调试技巧

n8n 有个特别好用的功能：Pin Data。你可以在任何节点上右键，把它的输出数据 "pin" 住，这样下次运行的时候这个节点就直接用 pinned 的数据，不用真的去调 API。调试的时候特别方便，省得每次都真的去请求 OpenAI 花钱。

还有就是 Execute Node 功能——你可以只执行单个节点，不用跑整个工作流。先跑前面的节点拿到数据，pin 住，然后单独调试后面的节点。

进阶玩法：构建 AI Agent 工作流

n8n 从 1.x 版本开始内置了 AI Agent 节点，这个才是真正的杀手功能。你可以构建一个完整的 AI Agent，它能使用工具、访问数据库、调用 API，就像一个自动化的"数字员工"（如果你对智能体的构建感兴趣，也可以看看这篇 Hermes Agent 全面指南：从入门到精通的开源 AI 智能体）。

构建一个能查数据库的 AI Agent

我做了一个工作流，让 AI Agent 可以查询我的 PostgreSQL 数据库，回答关于业务数据的问题。

节点链路：

1. Chat Trigger：用户发消息触发
2. AI Agent：核心 Agent 节点
3. OpenAI Chat Model：大模型（给 Agent 用的）
4. Postgres Tool：Agent 可以使用的工具

配置 AI Agent 节点：

• Agent Type: Tools Agent
• System Message:

你是一个数据分析助手。你可以查询数据库来回答用户的问题。

查询数据库时，请先查看有哪些表，然后写 SQL 查询。

回答时请用简洁的中文，并给出关键数据。

然后连接 Postgres Tool 节点作为 Agent 的工具。Agent 会自动决定什么时候需要查数据库、写什么 SQL。

这个真的有点惊艳到我了。 我问它"上个月新增了多少用户？"，它自己写了个 SELECT COUNT(*) FROM users WHERE created_at >= ... 的查询，然后把结果整理成人话回复给我。

坑6：Agent 节点的 token 消耗很大

因为 Agent 可能会多轮调用大模型（思考 → 决定用工具 → 看结果 → 再思考），token 消耗比普通调用多很多。我一个复杂查询花了大概 3000-5000 tokens。如果用 GPT-4o，一次查询就几毛钱。建议用便宜的模型（GPT-4o-mini、Claude Haiku）做 Agent，复杂的推理任务再切贵的模型。

坑7：Agent 可能写出危险的 SQL

Agent 写 SQL 的时候可能会写出 DELETE 或 DROP 语句（虽然概率很低）。建议给数据库用户设置只读权限，或者在 Postgres Tool 的配置里限制只能执行 SELECT。

构建一个多工具 Agent

更酷的是，你可以给 Agent 连接多个工具：

• HTTP Request Tool：让 Agent 调用任意 API
• Calculator Tool：让 Agent 能做数学计算
• Code Tool：让 Agent 能执行代码
• Vector Store Tool：让 Agent 能搜索知识库

我做了一个"全能助手"工作流，连了搜索引擎 API、天气 API、和一个本地知识库。问它"今天北京天气怎么样？帮我查一下明天的会议安排"，它会分步调用天气 API 和查知识库，然后把结果汇总给我。

这种多工具 Agent 的配置关键是 System Message 要写好。你得告诉 Agent：

• 你是谁，你的职责是什么
• 你有哪些工具，每个工具什么时候用
• 回复的格式要求
• 什么情况下不要用工具（避免不必要的 API 调用）

System Message 写得好不好，直接决定了 Agent 的表现。我前几次试的时候 Agent 经常乱用工具，后来在 System Message 里加了 "只有当用户明确要求查询外部信息时才使用搜索引擎工具"，就好多了。

n8n vs Dify：到底选哪个？

之前写过 Dify 的教程，现在又写了 n8n，肯定有人会问：这俩到底选哪个？

我的看法是：看你的需求。

选 n8n 的场景：

• 你需要连接各种外部服务（API、数据库、SaaS 工具）
• 你的核心需求是自动化，AI 只是其中一个环节
• 你需要复杂的条件分支、循环、错误处理
• 你是开发者，喜欢灵活控制每个细节
• 你需要定时任务、Webhook 触发等非对话式场景

选 Dify 的场景：

• 你要做一个 AI 聊天应用（客服、助手）
• 你需要 RAG（知识库问答）
• 你不太想写代码，想纯可视化搭建
• 你的用户是普通用户，需要一个聊天界面
• 你更关注 prompt 工程和模型调优

两者搭配用：

其实最理想的状态是两者搭配。比如用 n8n 做数据采集和预处理，把结果推给 Dify 做 AI 应用。或者用 Dify 的 API 作为 n8n 工作流中的一个节点。

我目前的用法是：n8n 负责各种自动化（RSS 抓取、CI/CD 通知、数据同步），Dify 负责 AI 聊天应用。各司其职，挺好。

高级配置与优化

环境变量配置

n8n 有很多环境变量可以调，这里列几个常用的：

# 执行超时（秒），默认 300

EXECUTIONS_TIMEOUT=600

# 最大执行超时

EXECUTIONS_TIMEOUT_MAX=3600

# 保留多少天的执行记录

EXECUTIONS_DATA_PRUNE=true

EXECUTIONS_DATA_MAX_AGE=30

# 并发执行数

EXECUTIONS_PROCESS=main

EXECUTIONS_MODE=regular

# 前端 URL（用于生成正确的链接）

N8N_EDITOR_BASE_URL=https://your-domain.com

# 允许社区节点（第三方插件）

N8N_COMMUNITY_PACKAGES_ENABLED=true

社区节点

n8n 有个社区节点（Community Nodes）功能，可以安装第三方开发的节点。在 Settings → Community Nodes 里搜索安装。

我装了几个比较有用的：

• n8n-nodes-pdf：解析 PDF 文件
• n8n-nodes-telegram：Telegram Bot 集成（比内置的更强）
• n8n-nodes-wechat：微信相关节点

安装社区节点的方式：

# 在 n8n 容器里执行

docker exec -it n8n n8n community-node install n8n-nodes-pdf

或者直接在 n8n 的 UI 里安装，更方便。

性能优化

如果你的工作流很多、执行很频繁，需要注意性能：

1. 数据库用 PostgreSQL

前面说了，别用 SQLite。PostgreSQL 在并发场景下表现好得多。我一开始用 SQLite 跑了几天，发现执行记录查询越来越慢，换了 PostgreSQL 之后就好了。

2. 定期清理执行记录

n8n 会保存每次执行的完整数据，时间长了数据库会很大。建议设置 EXECUTIONS_DATA_PRUNE=true 和 EXECUTIONS_DATA_MAX_AGE=30，自动清理 30 天前的记录。

3. 用 Sub-Workflow 拆分复杂逻辑

如果一个工作流太复杂（几十个节点），执行会很慢。可以把它拆成多个 Sub-Workflow，主工作流用 "Execute Workflow" 节点调用子工作流。这样每个子工作流可以独立调试，也更容易维护。

4. 限制并发

如果你同时触发了太多工作流，服务器可能扛不住。可以在环境变量里设置最大并发数，或者在工作流设置里限制同时执行数。

常见问题 FAQ

Q: n8n 免费吗？

核心功能免费，可以自托管。企业功能（LDAP、SSO、多环境）需要付费。对于个人和小团队来说，免费版完全够用。

Q: n8n 支持哪些大模型？

通过内置节点支持：OpenAI、Anthropic、Google Gemini、Azure OpenAI、Ollama。通过 HTTP Request 节点可以调用任何兼容 OpenAI 格式的 API（比如 vLLM、LiteLLM）。

Q: 工作流数据安全吗？

自托管的话，数据全在你自己的服务器上。n8n 的 Fair-code 许可允许商业使用，但不允许作为 SaaS 服务转售。如果你处理敏感数据，建议：

• 设置 N8N_ENCRYPTION_KEY（加密凭据）
• 用 HTTPS
• 数据库设强密码
• 定期备份

Q: 可以用 n8n 做 CI/CD 吗？

可以，但不推荐。n8n 更适合"当 X 发生时做 Y"这种事件驱动的自动化。CI/CD 还是用 GitHub Actions、GitLab CI 这些专用工具更合适。不过你可以用 n8n 来增强 CI/CD，比如当 CI 失败时自动发通知到 Slack。

Q: 手机上能用吗？

n8n 的 Web 界面在手机上体验不太好，毕竟主要是给桌面端设计的。但你可以在手机上查看执行记录、启停工作流。如果需要手机端操作，可以考虑用 n8n 的 API 搭建一个简单的移动端界面。

Q: 社区活跃吗？

相当活跃。n8n 的 GitHub 有 60K+ stars，社区论坛也有很多高质量的讨论。遇到问题基本都能搜到解决方案。官方的文档也写得不错，比我见过的很多开源项目都详细。

我的使用心得

用了两周 n8n 之后，总结几点感受：

好的方面：

• 拖拽式界面确实方便，复杂的工作流也能直观地看到数据流向
• AI Agent 功能很惊艳，能做的事情比想象的多
• 社区生态好，遇到问题基本都有人踩过坑
• 自托管意味着数据在自己手里，这点很重要

不好的方面：

• 学习曲线比想象的陡，很多概念（Credential、Expression、Pin Data）需要时间理解
• 有些节点的文档不够详细，得自己试
• 大型工作流的调试还是有点痛苦
• 移动端体验差

总体来说，n8n 值得一试。 如果你有一些重复性的工作想自动化，或者想给自己的应用加上自动化能力，n8n 是个很好的选择。它不像 Dify 那样专注于 AI，但胜在通用性强——基本上只要是有 API 的东西，都能串起来。

后面我打算再折腾一下 n8n 的 Webhook 集成，搞一个 GitHub PR 自动审查的工作流。到时候再写一篇记录。有啥问题评论区聊。

参考链接

• n8n 官网：https://n8n.io
• n8n GitHub：https://github.com/n8n-io/n8n
• n8n 文档：https://docs.n8n.io
• n8n 社区论坛：https://community.n8n.io
• Docker 部署文档：https://docs.n8n.io/hosting/installation/docker/