n8n — 工作流自动化平台¶

# === 方法一：Docker Compose 安装（推荐） ===

# 创建工作目录
mkdir n8n && cd n8n  # 创建并进入 n8n 目录

# 创建 docker-compose.yml
cat > docker-compose.yml << 'EOF'
version: '3.8'
services:
  n8n:
    image: docker.n8n.io/n8nio/n8n  # n8n 官方镜像
    restart: always  # 自动重启
    ports:
      - "5678:5678"  # 映射端口，浏览器访问用
    environment:
      - N8N_DEFAULT_LOCALE=zh  # 界面语言设为中文
      - GENERIC_TIMEZONE=Asia/Shanghai  # 时区设置
    volumes:
      - n8n_data:/home/node/.n8n  # 数据持久化
volumes:
  n8n_data:
EOF

# 启动 n8n
docker compose up -d  # 后台启动 n8n

# 打开浏览器访问 http://localhost:5678

# === 方法二：npm 全局安装 ===
npm install -g n8n  # 全局安装 n8n
n8n start  # 启动 n8n

# AI Starter Kit — 包含 n8n + Ollama + 向量数据库
# 适合搭建本地 AI 工作流

cat > docker-compose-ai.yml << 'EOF'
version: '3.8'
services:
  n8n:
    image: docker.n8n.io/n8nio/n8n
    ports:
      - "5678:5678"
    environment:
      - N8N_DEFAULT_LOCALE=zh
      - GENERIC_TIMEZONE=Asia/Shanghai
    volumes:
      - n8n_data:/home/node/.n8n

  ollama:
    image: ollama/ollama  # 本地 AI 模型服务
    ports:
      - "11434:11434"
    volumes:
      - ollama_data:/root/.ollama

  qdrant:
    image: qdrant/qdrant  # 向量数据库（用于 RAG）
    ports:
      - "6333:6333"
    volumes:
      - qdrant_data:/qdrant/storage

volumes:
  n8n_data:
  ollama_data:
  qdrant_data:
EOF

docker compose -f docker-compose-ai.yml up -d  # 启动完整 AI 套件

n8n 的核心概念：

1. 工作流（Workflow）= 一个自动化流程
2. 节点（Node）= 流程中的每一步
3. 触发器（Trigger）= 启动流程的条件
4. 连接线（Connection）= 节点之间的数据传递

白话比喻：
工作流 = 流水线
节点 = 流水线上的工位
触发器 = 按下开始按钮
连接线 = 传送带

示例：收到 Gmail 新邮件 → 用 AI 总结 → 发到 Slack

操作步骤：
1. 点击 "Add Workflow"
2. 添加触发器：Gmail → "On Message Received"
3. 添加 AI 节点：OpenAI → Chat
   - 提示词："请用中文总结以下邮件内容：{{$json.text}}"
4. 添加动作：Slack → Send Message
   - Channel：#邮件摘要
   - Message：{{$json.output}}
5. 连接节点：Gmail → AI → Slack
6. 点击 "Activate" 开启工作流

手动运行：
- 点击 "Execute Workflow" 按钮
- 适合测试和调试

自动运行：
- 点击 "Activate" 开关
- 工作流会在触发条件满足时自动执行
- 比如：每次收到邮件、每隔5分钟、收到 Webhook 等

n8n 内置了 AI Agent 构建器：

1. 添加 "AI Agent" 节点
2. 配置 Agent：
   - LLM：选择 OpenAI/Anthropic/Ollama
   - Tools：给 Agent 配备工具
     - 网页搜索
     - 数据库查询
     - 文件操作
     - 自定义 API
   - Memory：给 Agent 配记忆
     - 窗口记忆（记住最近N条对话）
     - 向量记忆（长期记忆）
3. 设置初始提示词
4. Agent 会自主决定用哪个工具、怎么回答

白话比喻：就像给 AI 配了一个工具箱，
它自己判断要用锤子还是螺丝刀

构建一个基于你自己文档的 AI 问答系统：

步骤：
1. 文档加载 → 用 "Read File" 或 "HTTP Request" 节点
2. 文本分割 → 用 "Text Splitter" 节点
3. 向量化 → 用 "Embeddings" 节点（OpenAI/Ollama）
4. 存储 → 用 "Vector Store" 节点（Qdrant/Pinecone）
5. 查询 → 用 "Vector Store Retriever" 节点
6. 生成回答 → 用 "Chat Model" 节点

这样就建好了一个能回答你文档相关问题的 AI

// n8n 支持在节点中写自定义代码

// Code 节点示例（JavaScript）：
// 处理上一个节点传来的数据
const items = $input.all();  // 获取输入数据
const results = [];  // 结果数组

for (const item of items) {
  // 自定义逻辑
  const processedData = {
    name: item.json.name.toUpperCase(),  // 名字转大写
    score: item.json.score * 100,  // 分数乘以100
    passed: item.json.score >= 0.6  // 是否及格
  };
  results.push({ json: processedData });
}

return results;  // 返回处理后的数据

把 n8n 工作流变成 MCP Server：

1. 在工作流中添加 MCP 触发器
2. 定义工具描述
3. 启动 MCP Server

这样其他 AI 工具（Claude、Cline 等）
就可以调用你的 n8n 工作流作为工具了

比如：Claude 可以调用你的 n8n 工作流来查数据库