自动化的浪漫：用 n8n 解放双手

约 8487 字大约 28 分钟

n8n workflow AI Agent

2025-08-25

低代码之后，自动化工作流时代来临。

n8n 介绍

概述

n8n 是一款开源的可视化工作流引擎，让你像拼积木一样，把不同的系统、API 和服务连接起来，实现自动化。

它的核心定位是：

开源：企业可完全自部署，数据不出本地。
可视化：通过拖拽节点搭建工作流，逻辑一目了然。
无限制：节点数量、工作流数量不限，瓶颈取决于服务器性能。
可扩展：支持 API、数据库、消息队列，也能直接调用大语言模型（OpenAI、LangChain）。

n8n 社区非常活跃，常见集成节点数百个，涵盖数据库、第三方 SaaS、消息通知、AI 服务等。

演进

过去几年，国内外的低代码平台（如明道云、简道云、宜搭）在政企信息化项目中大行其道，帮助企业快速搭建表单、审批和报表。开发者常用的若依（RuoYi）也很流行，依靠代码生成器能迅速生成 CRUD 和后台框架。它们的价值在于：让企业更快拥有一个能用的系统。

但随着系统越来越多，问题也出现了：流程割裂、数据对接繁琐、定时任务和通知逻辑需要写大量“胶水代码”。低代码解决了“造应用”的问题，却很难解决“跨系统自动化”的问题。

这时，n8n 代表了新的演进方向。它不是 UI 搭建工具，而是开源的工作流自动化引擎：用节点拼装取代重复编码，专注于流程编排、系统集成、自动化任务。在 AI 浪潮下，n8n 更能无缝接入 LLM 和 Agent，成为企业从“快速建应用”到“智能自动化”的自然过渡。

低代码兴起

明道云 / 简道云 / 宜搭

2018-2020

若依（RuoYi）流行

CRUD / 后台框架

2020-2022

n8n 开源兴起

自动化引擎 / 自部署

2019-Now

AI 融合

LLM / Agent + 自动化

2023-Now

平替对比

n8n 并不是凭空出现的，它所在的赛道，其实一直有不少“平替”工具。无论是国内的低代码/无代码平台，还是国外的自动化 SaaS，都或多或少与 n8n 有交集。区别在于，它们解决的问题侧重点不同。

国内低代码/无代码（如若依、dify、扣子）

若依：开发者常用的快速开发框架，侧重 CRUD 代码生成和后台管理，依然需要大量手写代码。
dify：近两年兴起的 AI 应用构建平台，定位更偏向“AI 工作流”，专注于模型调用和知识库。
扣子：面向企业的无代码应用搭建工具，业务人员可通过可视化界面生成表单和流程，但扩展性较弱。

它们的共同点是：让人快速搭建出一个“能用的应用”。而 n8n 的目标是更底层的自动化与系统集成。

国外自动化工具（如 Zapier、Integromat/Make）

优势：集成丰富，生态完善。
劣势：SaaS 模式受限，国内网络环境不友好，执行次数收费。
n8n 的差异：开源、自部署，适合对合规性和数据安全要求高的团队。

工具/平台	核心定位	优势	局限性	适用场景
若依	快速开发框架	CRUD 生成、权限管理、成熟生态	虽然能生成，但是也需写大量代码	政企后台
dify	AI 应用构建平台	AI 工作流、知识库、RAG 支持	偏 AI 场景，通用自动化不足	AI 应用
扣子	无代码应用搭建工具	表单/流程可视化，业务人员可用	扩展性差，难处理复杂逻辑	内部小应用
Zapier/Make	SaaS 自动化平台	海量第三方集成	收费限制，国内环境受限	海外团队
n8n	开源自动化引擎	自部署、扩展强、AI 集成灵活	无内置 UI，前端需另开发	企业自动化、AI+流程

n8n 体验

想体验 n8n，非常简单。

Docker 一键启动

docker run -d \
 --name n8n \
 -p 5678:5678 \
 -e GENERIC_TIMEZONE="Asia/Shanghai" \
 -e TZ="Asia/Shanghai" \
 -e N8N_ENFORCE_SETTINGS_FILE_PERMISSIONS=true \
 -e N8N_RUNNERS_ENABLED=true \
 -e N8N_SECURE_COOKIE=false=true \
 -e N8N_BLOCK_FILE_ACCESS_TO_N8N_FILES=true \
 -v n8n_data:/home/node/.n8n \
 docker.n8n.io/n8nio/n8n

提示

官方文档提供的方式不太推荐，使用的是docker run -it --rm ，是交互模式，且关闭后自动删除容器，数据最好也要配置数据卷，不然再次启动数据就没了。这涉及到一些docker知识，需要的话自行掌握。

启动后，访问 http://localhost:5678，登陆后，即可看到 Web 界面。

如下图所示：

n8n 的界面风格

n8n 的创始人是设计师而不是程序员，所以这个产品的 UI 界面设计水平其实是非常高的，但是也导致了里面使用了大量的”拖拽“交互设计，对于不熟悉这类交互的人来说其实还是会有点晦涩的。所以再遇到不明白的地方点一点，拖一拖，往往会有奇效。

熟悉之后会发现 n8n 的用户体验是非常好的。

n8n 核心功能

n8n 最主要的界面都在 Overview 的按钮里面，Overview 界面下是三个 tab，一个是 Workflows 的列表，一个是 Credentials 的列表，还有一个 Executions 的列表。

Workflows（工作流）
- 作用：这是 n8n 的核心功能，用来编排和自动化任务。
- 内容：每个 Workflow 就是一条自动化流程，由触发器（Trigger Node）和一个或多个动作节点（Action Nodes）组成。
  - 例如：当收到一封邮件 → 自动保存附件到 Google Drive → 发通知到 Slack。
- 特点：可视化拖拽、条件分支、循环、AI 节点等。
Credentials（凭证/连接配置）
- 作用：管理和存储访问外部服务的认证信息。
- 内容：比如你要连接 Google、Slack、OpenAI、数据库，就需要在这里设置 API Key、OAuth token、用户名密码等。
- 好处：你只要在 Credentials 里配置一次，多个 Workflow 就能复用，不需要在每个节点里重复输入。
- 安全性：凭证会加密存储在 n8n 的数据库/volume 里，不会直接明文存放。
Executions（执行记录）
- 作用：展示每次工作流运行的历史记录。
- 内容：包括触发时间、执行状态（成功/失败）、运行时长、节点输出数据。
- 用途：
  - 调试：失败时可以重放（re-execute），方便定位问题。
  - 监控：查看流程运行情况，统计成功率/失败率。
  - 审计：记录工作流执行的日志，便于追踪。

Credentials 里面存储的凭证是可以被多个 Workflow 引用的。

所以随着时间的推移，建的 Workflow 越多，理论上到了后期需要配置的凭证是非常少的，大部分情况下只需要在 n8n 的界面内点点点就可以完成 Workflow 的搭建。

n8n 之所以把 Credentials 单独拆出来，有一个很重要的目的就是方便你管理他们，确保他们没有过期。因为一些日常在运行的 Workflow 出错的话，大概率就是因为凭证到期了。

n8n 画布介绍

画布的最下方，点击 Execute workflow 之后程序就会开始试跑，而画布的最上方选择切换到 Executions 可以看到历次运行的记录。新增的 Evaluations 是评估功能，需要注册使用。

画布上的每一个节点都支持鼠标拖拽，当鼠标悬浮到特定节点上时，每个节点自身会有弹出层，可以点击单步执行。也可操作 activate/deactivate，使生效或不生效。这在 Debug 的时候会非常有用。

n8n Executions介绍

点击界面上方的切换按钮，就可以从 Editor 界面切换到 Executions 界面，可以看到当前这个 Workflow 历史上全部的运行记录。

n8n 节点详情页界面介绍

n8n 的所有节点都分为 3 大块，分别是入参区域，处理逻辑与设置区域，出参区域。他们分别位于节点详情的左中右三个位置。

mark

理解这点很重要！将贯彻 n8n 使用的始终。

入参和出参区域有3个选项，分别是 Schema，Table 和 Json。

当查看 Schema 时，界面展示上一个节点输出结果的元数据（可以理解为字段或者表头）和样例数据。
当查看 Table 时，界面会以表格的形式展现上一个节点输出的所有数据。
当查看 Json 时，界面会以 Json 的形式展现上一个节点输出的所有数据。

当你在任何一个模式下，都可以拖动入参区域的变量名到处理逻辑与设置区域的文本框当中去( $左 \rightarrow 右$ )，通过这样的方式实现对上一个节点产出的数据来进行处理。

n8n 其他功能介绍

在 n8n 界面菜单的还提供了几个功能，由上至下分别是

模板（Templates）：会跳转到官网的模板页面去；
变量（Variables）：Variables 是全局变量，支持你在 Workflow 外存储一些经常要用到的变量，你可以在这个页面里添加、编辑和删除变量，所有引用这个变量的 Workflow 都会按照新变量执行。（但这个功能要求付费企业版才能用）。如果没有付费，可以无视这个页面；
视图（Insights）：可视化图形的运行记录统计（同样要求付费企业版才能用）。如果没有付费，可以无视这个页面；
帮助（Help）：官网文档、论坛、视频的超链接；
个人账户设置：个人信息设置。

关于收费版本

一句话总结

n8n 只有一些周边功能付费，这些功能，大部分人完全用不到。

n8n 作为一款现代化的自动化工具，凭借其强大的可扩展性和灵活性，受到技术社区和企业的广泛欢迎。随着 n8n 生态和商业化进程的推进，官方推出了多种版本（社区版自部署、Starter 云版、Pro 云版和企业版），各自面向不同用户群体和应用场景。

版本	激活活跃工作流数	每月执行次数	并发执行数	工作流历史	主要限制
社区版	无限	无限	取决于服务器配置	24H	无协作、部分高级功能缺失
Starter	5	2,500	5	7天	无高级协作、项目数有限
Pro	20	10,000	15	30天	部分企业级功能缺失
企业版	无限	无限	200+	1年	需专属报价、需自托管或定制云

可以看到，社区版的俩个无限。核心功能：节点运作，工作流执行，没有任何限制，这就很能打了。当然如果从商用角度或者安全角度，支持付费也合理，看团队抉择了。自行使用社区版需要技术团队有能力开发和运维也算是一项隐藏使用条件了。

n8n 基础

点击添加或者按 tab 键呼出节点菜单，如图所示：

节点类型

在 n8n 里，所有功能都通过 节点（Node） 实现：

节点列表

AI nodes: Build autonomous agents, summarize or search documents, etc.
AI 节点：构建自动代理、总结或搜索文档等。

Action in an app

节点列表

Action nodes: Do something in an app or service like Google Sheets, Telegram or Notion.
Action 节点：执行操作，例如 Google Sheets、Telegram 或 Notion。

Data transformation

节点列表

Data transformation nodes: Manipulate, filter or convert data.
Data transformation 节点：处理、过滤或转换数据。

Flow

节点列表

Flow nodes: Branch, merge or loop the flow, etc.
Flow 节点：分支、合并或循环流程。

Core

节点列表

Core nodes: Run code, make HTTP requests, set webhooks, etc.
Core 节点：运行代码、发起 HTTP 请求、设置 Webhook 等。

Human in the loop

节点列表

Human in the loop nodes: Wait for approval or human input before continuing.
Human in the loop 节点：等待人工审批或输入再继续。

Trigger

节点列表

Trigger nodes: Triggers start your workflow. Workflow can have multiple triggers.
Trigger 节点：触发器用来启动工作流，一个工作流可以有多个触发器。

节点概述

n8n 的节点生态非常丰富，没必要一上来把所有节点背一遍。更高效的方式是：按类型掌握一个代表性用法，等到实战遇到需求，再去面板里搜索和尝试。这里仅针对一些有代表性的节点做了简单概述，帮助了解。

AI（大模型/Agent）
OpenAI：给定 Prompt 生成摘要/分类；
Action（动作）
Google Sheets：把计算结果追加到指定表；或 Notion：创建一条数据库记录做追踪。
Data transformation（数据变换）
Set：选/改字段，Function：用几行 JS 清洗/重命名/拼装数据。
Flow（流程控制）
IF / Switch：按金额/状态分支；Merge：把并行分支结果汇总再继续。
Core（核心能力）
HTTP Request：调用任意 REST API；Execute Workflow：把通用子流程复用起来。
Human in the loop（人机协作）
Wait + 审批回调：流程走到这里挂起，等审批人点通过/驳回后继续执行。
Trigger（触发）
Webhook：前端/第三方回调这条 URL 就能启动工作流；或 Cron：每天 8:00 自动跑一次。

小贴士

面板左上角的 Search 是你的好朋友；先拖一个“代表节点”跑通端到端，再用同类节点替换对比，学习效果最好。把常用小逻辑封装为子工作流，既清爽也更易维护。

底层逻辑

解决问题是最优先的，低代码是一个工具，其内部或底层看不到的隐藏前置条件似乎更需要掌握学习。n8n 本身只是工具，真正能让你用得更溜的，是背后的思想和底层知识。

比如这些...

编程思想类（理解工作流执行逻辑）
- 观察者模式（类似RxJava概念）：Webhook/Trigger 本质就是「订阅 → 触发 → 响应」。
- 输入/输出数据流：每个节点就是数据加工站，前一个节点的输出是后一个节点的输入。
- 链式调用 / 流式处理：类似 Java Stream API、JS Promise 链，n8n 的可视化就是这种思想的具象化。
- 函数式编程思维：纯函数（Function 节点）、数据不可变性 → 让流程更容易调试和复用。
- 数据映射/转换：理解 JSON、键值对、数组、对象的传递/转换方式。
系统与协议类（理解节点交互）
- HTTP & RESTful API：大部分 Action 节点的底层就是 HTTP 请求。
- 认证机制：Basic Auth、API Key、OAuth2（尤其是企业对接第三方系统时）。
- Docker & 容器化：n8n 部署和扩展基本依赖容器。
- 消息队列思想：工作流运行中其实可以类比为「任务队列 → 消费者节点处理」。
- 数据库操作：SQL 基础（Select、Insert、Update、Join），理解事务和幂等性。
- 文件与二进制流处理：上传/下载/转换，理解 MIME Type 和编码。
- 定时任务与调度器：Cron 表达式、调度周期、并发冲突。
工程实践类（理解可维护性）
- 日志与调试思维：像看代码日志一样去看 Execution 输入输出。
- 版本控制：工作流本质是配置文件（JSON），可放到 Git 管理。
- 抽象与复用：把常用子流程抽成可调用的子工作流，就像写函数一样。
- 测试驱动思维：小范围先跑通，再扩展（类似单元测试 → 集成测试）。
- 幂等性与可重复执行：重复触发不会造成副作用，这点在审批流、财务流里尤为重要。
- 分布式与高可用：理解多实例、数据库持久化、Redis 队列在大规模运行中的作用。
- 安全合规：API Key 加密存储、RBAC 权限管理、日志审计。
等等...

重要

相信 n8n 大致概念已经有了一些了解，接下来从实际问题出发，通过一系列案例来体验一下吧。

Talk is cheap. Show me the code.

扭转你的思想，让我们魔法起来！

基础工作流案例

用几个贴近日常的例子快速理解：

表单填报 → 数据库存储 → 邮件通知 用户提交数据 → n8n 节点接收 → 存数据库 → 发邮件提醒。
定时报表 Schedule/Cron 节点定时触发 → 执行 SQL 查询 → 生成 Excel → 发邮件/钉钉。

这些场景原本需要写后端接口 + 定时任务 + 消息通知，现在只要拼好几个节点。

案例1：填报->存储->通知

功能描述

用户提交数据 → 节点接收 → 数据整理/清洗 -> 存数据库 → 发邮件。

前置准备
- n8n 已启动（本地或自部署）
- 可用数据库（示例用 MySQL，Postgres 也行）
- 可用邮箱账号（SMTP），或改用企业微信/钉钉机器人节点

建表

CREATE TABLE form_submissions (
  id            BIGINT PRIMARY KEY AUTO_INCREMENT,
  name          VARCHAR(100) NOT NULL,
  email         VARCHAR(200) NOT NULL,
  message       TEXT,
  submitted_at  TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP
);

准备所需凭据（Credentials）
- MySQL：在 Credentials → New → MySQL 中填写 host/user/password/database/port
- SMTP：在 Credentials → New → SMTP 填写发信服务器信息（或用 Gmail/企业邮箱模板）
搭建工作流节点
form node
首先在 n8n 中创建一个 webform 节点的 trigger 作为起点。n8n 会提供一个 url ，内容呈现即一个表单，负责填报数据。
code node
接着尝试体验 code 节点，编写简单 JS 代码做一些操作。比如验证邮箱合规性，追加是否有效字段。
filter node
利用上一个节点的 Input，把 emailValid is true 的放行，过滤无效内容。
set node
再 mysql 持久化数据之前，再过滤一次，把一些不想要的字段给屏蔽。
mysql node
选择 mysql 节点， Operation 选择 insert, 执行持久化。
email node
通过配置的 SMTP 邮箱向指定邮箱发送通知。
video here

案例2：定时任务

功能描述

Schedule/Cron 节点定时触发 → 执行 SQL 查询 → 生成 Excel → 发邮件/钉钉。

前置准备
- n8n 已启动（本地或自部署）
- 可用数据库（示例用 MySQL，Postgres 也行）
- 可用邮箱账号（SMTP），或改用企业微信等

建表

-- 订单表（简化字段）
DROP TABLE IF EXISTS orders;
CREATE TABLE orders (
  id           BIGINT PRIMARY KEY AUTO_INCREMENT,
  order_no     VARCHAR(32) NOT NULL UNIQUE,
  customer_id  BIGINT NOT NULL,
  amount       DECIMAL(10,2) NOT NULL,
  status       ENUM('CREATED','PAID','CANCELLED') NOT NULL,
  created_at   DATETIME NOT NULL,
  paid_at      DATETIME NULL,
  KEY idx_created_at (created_at),
  KEY idx_status_created (status, created_at),
  KEY idx_customer (customer_id)
);

准备所需凭据（Credentials）
- MySQL：在 Credentials → New → MySQL 中填写 host/user/password/database/port
- SMTP：在 Credentials → New → SMTP 填写发信服务器信息（或用 Gmail/企业邮箱模板）
其实这步骤就可以省略了，就像前文所说只要在 Credentials 里配置一次，多个 Workflow 就能复用，不需要在每个节点里重复输入。
搭建工作流节点
schedule node
创建一个 schedule 节点的 trigger 作为起点。定时可选每天，每时等等。
mysql node
mysql 节点执行 SQL 查询。获取订单数据。
code node
拿到 mysql 节点的查询结果，再 convert to file 之前，转化表头字段为中文描述。
convert node
把上个节点的输入作为数据源，一键生成 excel 文件。
email node
通过配置的 SMTP 邮箱向指定邮箱发送通知。
video here

大语言模型（LLM）工作流案例

结合 AI，是 n8n 的新亮点：

文档摘要 上传文件 → Webhook → LLM 节点 → 生成摘要 → 存入数据库 -> Respond to Webhook。
智能问答 前端发送问题 → Webhook → LLM 节点 → 返回回答。

这让企业快速拥有“AI 能力”，无需额外搭建复杂后端。

what LLM

LLM（Large Language Model，大语言模型）是一类通过海量语料训练、能理解与生成自然语言的通用模型。它既能写，也能读，还能把“人话”转成结构化数据或可执行指令。常见能力：

理解：识别意图、抽取关键信息（人名/金额/时间/地址/结论）。
生成：总结、改写、续写、邮件/公告/报告草拟。
推理：根据上下文做选择、排序、解释理由。
对话：多轮问答、保留上下文记忆。
函数调用/工具调度：按约定输出 JSON，让后续节点（SQL、HTTP、脚本）执行。
多模态（可选）：部分模型支持文本 + 图片/PDF 解析。

在实际落地时，LLM 可通过两种方式接入：

云端 API：如通用大模型（GPT 系列等），接入快、效果稳。
本地/私有化：在自有 GPU/服务器上部署开源模型，更可控、更合规（适合政企/内网场景）。

比如使用chatgpt聊天：

why LLM

把 LLM 接入 n8n，本质上是让“会读写的人机接口”驱动“稳定可编排的自动化”。价值体现在：

让非结构化可被流程使用
邮件/公告/合同/日志 →（LLM 抽取）→ 标准 JSON → DB/Excel/审批分支
例：{ "supplier":"XX科技", "amount": 12800.00, "due_date": "2025-09-30" }
语义驱动的路由/审核
“这单是否命中高风险？”→ LLM 先给结论 + 理由 + 证据字段 → IF/Switch 精确分支 → 超时催办/回写状态。
自然语言即查询
业务同事说“上上周已支付订单总额”→ LLM 产出受控 JSON/SQL 条件→ DB 节点参数化执行→ 返回结果与图表。
低代码释放生产力
很多“格式性劳作”（摘要、改写、通知文案、Excel 表头）交给 LLM，n8n 只负责编排与交互，少写后端、多交付结果。
更好的用户接口
前端或 IM（Slack/飞书）里一句“查某客户近 90 天逾期”，无需复杂表单；n8n 通过 LLM 将模糊语言转为明确动作。

案例3：利用LLM生成摘要

功能描述

上传文件 → Webhook → LLM 节点 → 生成摘要 → 存入数据库 -> Respond to Webhook。

前置准备
- 准备一份 纯文本/Markdown 文件做演示
- Credentials 配置 OpenAI（API Key），本文采用近期白嫖的智谱的 Key。
出于安全/授权等各种原因，就不在这里演示我司内部LLM接口了，虽然已经很强大了。

建表

CREATE TABLE IF NOT EXISTS doc_summaries (
  id         BIGINT PRIMARY KEY AUTO_INCREMENT,
  summary    LONGTEXT,
  created_at TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP
);
# 演示用，仅持久化LLM生成的结果。

搭建工作流节点
webhook node
创建一个 webhook 节点作为外部系统调用的入口（一个 HTTP 接口）。外部应用/系统通过 HTTP 请求触发这个 Webhook，从而启动 n8n 工作流。
LLM node
使用AI来完成业务需求，当前 workflow 业务需求是分析文档并生成总结文档结果。
set node
拿到 LLM 节点的结果持久化到 mysql之前，可以再进行一次数据转换方便存储。
mysql node
持久化大模型生成的结果，方便查看。
respond to webhook node
Respond to Webhook 节点用来向调用方返回响应结果。它通常放在工作流的末尾，负责把 n8n 在流程中处理好的数据或状态，以 HTTP Response 的形式返回给最初调用该 Webhook 的外部系统。
video here

案例4：私人定制机器人

功能描述

前端发送问题 → Webhook → LLM 节点 → 返回回答。

搭建工作流节点
webhook node
创建一个 webhook 节点作为外部系统调用的入口（一个 HTTP 接口）。外部应用/系统通过 HTTP 请求触发这个 Webhook，从而启动 n8n 工作流。
LLM node
使用AI来完成业务需求，当前 workflow 业务需求是实现可以回答问题的一个人工智能助手。
respond to webhook node
Respond to Webhook 节点用来向调用方返回响应结果。它通常放在工作流的末尾，负责把 n8n 在流程中处理好的数据或状态，以 HTTP Response 的形式返回给最初调用该 Webhook 的外部系统。
video here

AI Agent 工作流案例

进一步，n8n 可以作为 AI Agent 的流程引擎：

任务助手 用户提问（帮我导出上周销售额报表） → LLM 解析意图 → Code 节点将意图转化为SQL模板 → Mysql节点执行查询生成结果 -> Email节点发送报表给用户。

相比自己写 Agent 框架，n8n 的优势是：可视化、易调试、能快速接第三方 API。

what Agent

Agent（智能体）是“能自己用工具完成任务”的 AI 程序形态。它以 LLM 为大脑，结合外部工具/数据源作为手脚，在“感知 → 计划 → 行动 → 反馈”的循环中逐步达成目标。与普通聊天机器人不同，Agent 不只会回答，还会实际调用 API/数据库/脚本去把事办成。

核心要素

目标（Goal）：用户意图或系统任务（如“导出上周销售额报表”）。
知识/记忆（Memory）：上下文、历史对话、任务状态、向量库/RAG。
工具（Tools）：HTTP、数据库、文件、邮件、第三方 SaaS、内部微服务。
规划（Planner）：LLM 产出可执行计划/函数调用（JSON Schema/Tool Calling）。
执行与反馈（Act & Observe）：调用工具获取结果，写入记忆，判断是否完成。
停机条件（Termination）：达成目标、达到步数上限、异常中止或人工介入。

典型循环（抽象版）

接收用户请求/触发器 → 整理上下文与记忆
LLM 规划下一步（选择工具 + 参数）
调用工具并拿到结果（观察）
更新记忆/状态，判断是否完成；未完成则回到第 2 步

在 n8n 中的组件映射

Planner：LLM 节点（要求 JSON 输出 / 函数调用）
Tools：HTTP Request / MySQL/Postgres / Spreadsheet / Email / Slack / S3…节点
Memory：n8n Data Store、Redis/DB、文件（用于短期/长期记忆与 RAG）
控制与治理：IF/Switch/Loop/Wait、Rate Limit、Error Trigger、人工审批
可观测性：可视化执行日志、输入输出留痕、审计表写入

why Agent

把 n8n 作为 Agent 的流程引擎，等于用“可视化编排”来承载“LLM 的自主决策” ，带来以下收益：

从“会答”到“会做”

LLM 不只产出文本，而是把自然语言转为可执行动作（SQL、HTTP、文件操作）。n8n 负责把动作跑到底：查库、生成报表、发邮件、归档、通知。

少写框架、多交付价值

自研 Agent 框架要考虑路由、重试、超时、并发、凭据管理、日志审计、调度等“工程化杂事”。n8n 内置这些基础设施，零/少代码拼装即可上线。

可视化与可调试性

每一步输入/输出都在画布上可见：哪里跑偏、哪个参数错、一眼可查。比黑盒式的 Agent 代码栈定位更快、回归更稳。

可迁移、可替换

想换模型（云 API ⇄ 本地大模型）、换数据库、换报表渠道，不动业务流程，只替换对应节点即可，技术演进成本低。

与示例对应的落地优势

“导出上周销售额报表”这类复合任务，Agent 把“理解与规划”交给 LLM，把“执行与合规”交给 n8n ：

LLM：意图 → 受控 JSON（表、时间窗、指标、过滤条件）
Code：参数校验/白名单 → 生成参数化 SQL（防注入）
DB：只读库查询
文件/邮件：生成 Excel/PDF 并发送
审计：全链路留痕，可复查、可追责

案例5：Agent实现数据助手

功能描述

用户提问（帮我导出上周销售额报表） → LLM 解析意图 → Code 节点将意图转化为SQL模板 → Mysql节点执行查询生成结果 -> Email节点发送报表给用户。

搭建工作流节点
webhook node
创建一个 webhook 节点作为外部系统调用的入口（一个 HTTP 接口）。外部应用/系统通过 HTTP 请求触发这个 Webhook，从而启动 n8n 工作流。
LLM node
使用AI Agent来完成业务需求，当前 Agent 的需求是识别用户意图，生成 mysql 可识别查询计划，自主调用 mysql 工具执行查询后返回结果。
code node
根据 LLM 生成的查询计划 json ，自主拼装 mysql 可识别的查询语句。
mysql node
执行查询获取内容。
respond to webhook node
Respond to Webhook 节点用来向调用方返回响应结果。它通常放在工作流的末尾，负责把 n8n 在流程中处理好的数据或状态，以 HTTP Response 的形式返回给最初调用该 Webhook 的外部系统。
video here