n8n AI 自动化教程：构建你的第一个 AI 工作流

n8n 相对于 Zapier 这类工具的卖点很简单：自托管（数据留在本地）、源代码可用，并且 AI 是一等公民——底层使用 LangChain 的原生 AI Agent 节点，而不仅仅是“调用 API”步骤。本实践教程将构建两个真实的 AI 工作流：一个邮件分诊流水线和一个基于 RAG 的文档问答机器人。（平台对比和 10 个工作流创意列表见 AI 办公自动化指南；中文总览见 n8n 完整指南。）

设置（5 分钟）

bash
docker run -d --name n8n -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

打开 localhost:5678，创建所有者账户。在 Credentials 下添加 AI 凭据：OpenAI/Anthropic 密钥——或者将 OpenAI 凭据的 base URL 指向 http://host.docker.internal:11434/v1 以使用本地 Ollama 模型（完全私有栈）。

工作流 1：AI 邮件分诊

形状：IMAP/Gmail 触发器 → AI 分类 → 路由 → 动作。

Gmail 触发器节点：在新邮件时触发。

AI 节点（Message a Model / Basic LLM Chain），带有结构化提示：

text
Classify this email. Return JSON only:
{"category": "support" | "sales" | "billing" | "spam" | "other",
 "urgency": "high" | "normal",
 "summary": ""}
Email subject: {{ $json.subject }}
Body: {{ $json.text }}

结构化输出解析器附加到 AI 节点——n8n 根据你的 schema 验证 JSON，因此下游节点获得干净的字段而不是散文。（这是 始终验证规则 的平台版本。）

Switch 节点基于 category → 创建工单（support）、通知 #sales（sales）、标记并归档（spam）。

对于 urgency: high，发送带有摘要的 Slack 私信。

需要内化的模式：Trigger → AI-with-schema → Switch → actions——80% 有用的 AI 自动化都是这种形状，只是名词不同。

工作流 2：基于文档的 RAG 问答

n8n 拥有原生的向量存储和嵌入节点，因此文档聊天机器人是一个双工作流构建：

摄取工作流：文件夹/Drive 触发器 → 默认数据加载器（分割文档）→ 嵌入节点 → 向量存储节点（插入模式——Qdrant、pgvector 或用于测试的内存模式）。

查询工作流：聊天触发器（n8n 为你托管聊天 UI）→ AI Agent 节点，将向量存储作为检索*工具*附加——Agent 搜索你的文档并根据上下文回答，每次提问决定是否检索。

这个 AI Agent 节点是差异化因素：给它多个工具（向量存储 + HTTP 请求 + 计算器 + 你的自定义子工作流），它会在无代码画布内执行真正的工具调用循环——介于“自动化”和“Agent”之间，无需自己编写循环。（分块/检索质量概念直接迁移：语义搜索指南。）

生产习惯

每个工作流固定一个模型，并在工作流描述中注明提示版本——与代码中相同的提示即代码纪律。

错误工作流：配置全局错误处理器（n8n 支持专用错误工作流），在失败时通知你节点和负载——静默的自动化失败比没有自动化更糟糕。

重要操作设置人工审批门：n8n 的等待/批准模式（例如在 Slack 上发送并等待）在任何不可逆操作之前——审批门原则。

成本控制：使用迷你级模型进行分类；尽可能缓存重复提示；监控每次执行的 token 日志。

备份：n8n_data 卷保存所有内容——对其进行快照。

FAQ

n8n 免费版与付费版？ 自托管核心是免费的（可持续使用许可证——内部使用没问题；嵌入/转售需要审查）。云版和企业版增加了托管、SSO、环境。

节点不够用时用 JavaScript？ Code 节点接受 JS/Python——这个逃生口让“无代码”不会变成“无路可走”。

与 Zapier/Make 在 AI 方面比较？ n8n 的 Agent/RAG 节点比两者都更深一层；代价是需要自己托管——完整对比见 n8n vs Zapier vs Make。

---

*最后更新：2026 年 6 月。节点名称/功能变化很快——请对照 n8n 文档验证。*