n8n 入坑指南：从 Docker 部署到构建你的第一个 AI 工作流（内附详细步骤）



n8n 入坑指南：从 Docker 部署到构建你的第一个 AI 工作流（内附详细步骤）

荣姐聊AI

2025-09-30

导读：还是没忍住，碰了n8n

第一次听到n8n的时候，觉得这个名字蛮酷的，好听还好记。

然后发现github项目上还真的有这个名字的由来。

n8n的意思是nodemation，读作 n-eight-n（n-八-n）。

n8n创始人Jan Oberhauser是这么回答的：我经常被问到这个问题（比我预想的要频繁得多），所以我认为最好在这里回答一下。在为这个项目寻找一个好名字和可用域名时，我很快意识到所有我能想到的好名字都已经被占用了。所以，我最终选择了 nodemation。'node-' 的意思是它使用了节点视图（Node-View）并且它使用了 Node.js，而 '-mation' 则代表 'automation'（自动化），这正是这个项目旨在解决的问题。然而，我并不喜欢这个名字那么长，也无法想象每次在命令行（CLI）中都输入这么长的东西。就在那时，我最终想到了 'n8n'。

果然，起一个好听好记的名字还是相当重要的，有利于传播，太拗口的名词是不好叫的。

下面是n8n的一些官网地址：

n8n官网：https://n8n.io/

项目地址：https://github.com/n8n-io/n8n

官网文档：https://docs.n8n.io/

炫酷工作流编排界面：

接下来聊一下n8n本地部署、申请免费云端部署及搭建你的第一个工作流（用到了MCP工具）。

1 部署教程

1.1 Windows本地部署

1.1.1 配置wsl环境

为什么要安装wsl环境呢？因为 n8n 官方最推荐、最稳定、最方便的部署方式是使用 Docker，而 Windows 上的 Docker Desktop 需要 WSL 2 才能高效地运行为 Linux 构建的容器。

命令行输入wsl --install：

检查wsl状态，可以看到默认分发的是Ubuntu：

wsl --status

1.1.2 docker安装

官方地址：https://www.docker.com/

部署完成后，如果你不想在C盘存储，可以在设置里面更改image的位置。

1.1.3 安装n8n

1、在Docker Hub中搜索n8n，如果你的docker没有这个菜单，也可以直接在最上方的搜索栏中查询。

2、点击pull拉取镜像。

拉去好在Images可以看到n8n的镜像。

3、给n8n创建Volumes

起名为n8n_data。

4、启动docker

点击设置添加参数

容器名称随意填写，端口5678是默认的，Volumes为刚才创建的n8n_data，容器路径也是默认的/home/node/.n8n。

5、启动成功界面如下，可以看到可访问界面。

6、首次登录http://localhost:5678/,需要填写邮箱、名称及密码。

弹出一个n8n用户调研的界面，通过回答一系列关于公司类型、个人角色、自动化主要服务对象、公司规模以及了解 n8n 途径等问题，随便填就行，直接点击Get started也是可以的。

然后弹出这个免费获取高级功能许可的页面，可以填写邮箱获取免费的licence key。

打开邮箱会收到包含许可证密钥的邮件。请注意，需要在14天内完成激活，激活后这些高级功能就可以永久免费使用了。

下面就是n8n的初始界面啦！UI设计干净简洁，是我喜欢的风格。

1.2 云端部署

如果你觉得本地部署麻烦，或者只是想先尝试一些，n8n提供云端在线使用。

而且这个线版是14天免费试用的。

操作也是非常非常简单的。

1、注册n8n

打开地址：https://app.n8n.cloud/login

2、点击Start a free trial，获取一个14天的使用账号。

然后填写姓名、邮箱、密码及账号名称等等。

3、填写5个问题，也就是一些问卷，随便填填。

4、然后问是否邀请成员，可以直接忽略掉的。

5、工作空间已准备好。

6、跳转到了熟悉的初始界面。和本地部署的一样的。

云端申请还是非常非常简单的，适合想初步了解一下的朋友。

2 搭建你的第一个工作流

点击加号可以看到n8n可以创建工作流或者凭证。

比如模型的api key可以在凭证里添加。

下面我们开始正式搭建工作流了。

点击左侧加号选择Workflow或者点击右上角Create Work来添加第一个工作流。

然后进入工作流画布界面，左上角可以修改工作流名称、添加标签。

中间就是一个大大的画布，我们可以在里面添加节点。

作为第一个案例，我们就不要太复杂了。

选取一个两个节点的案例，第一个是触发器，对话发起。

第二个是AI Agent，在这里添加大模型、简单记忆和MCP工具。

AI Agent是什么呢？从这里可以看到就是大脑（大语言模型）、记忆、工具的集合体。

工具就是Agent与外部互动的主要方式，这里以高德地图MCP来举例。

2.1 添加开始节点

点击中间的加号来添加第一个节点，可以看到右侧有多个节点可以选择。

开始节点就是触发工作流的首个节点，就像是多米诺骨牌的第一张牌，或者赛跑的发令枪。

可以看到有许多许多的触发器：

Trigger manually (手动触发)
On app event (当应用事件发生时)
On a schedule (当到达预定时间时)
On webhook call (当接收到 Webhook 调用时)
On form submission (当表单提交时)
When executed by another workflow (当被另一个工作流执行时)
On chat message (当收到聊天消息时)
When running evaluation (当运行评估时)
Other ways... (其他方式...)

本案例选择当收到聊天消息时触发On chat message。

选择On chat message后如下如下界面，点击左上角Back to canvas退回画布。

可以看到界面中已经添加好了On chat message节点，点击其右侧的加号按钮，可以继续添加节点。

类型也是非常多的。如下：

AI (人工智能): 执行与人工智能相关的任务，如调用大语言模型、文本摘要、构建AI代理等。
Action in an app (在应用中执行操作): 与第三方应用程序（如Google Sheets, Telegram, Notion）进行交互，执行读取、写入等操作。
Data transformation (数据转换): 对数据进行处理、操作、筛选或格式转换。
Flow (流程控制): 控制工作流的执行逻辑，如条件判断（IF）、循环（Loop）或合并分支。
Core (核心功能): 提供底层的、更具技术性的操作，如运行自定义代码、发送通用HTTP请求等。
Human in the loop (人工干预): 在流程中设置暂停点，等待人工批准或输入信息后再继续执行。
Add another trigger (添加另一个触发器): 为当前工作流增加一个额外的启动条件，使其可以被多种事件触发。