n8n 实战:可视化与代码结合的 AI Agent 编排工具
GitHub 上 201k stars、TypeScript 为主、2019 年立项,n8n 在 Workflow Automation 这块算是个异类——既不像 Zapier 那样纯拖拽、也不像 LangChain 那样纯代码,而是把两边缝起来了。我自己用了一段时间后觉得,它对"工程师 + 运营"混合团队特别友好,特别是 AI Agent 场景。
它解决什么问题
Workflow Automation 平台一直有个两难:
- 纯低代码(Zapier、Make)上手快,但遇到复杂逻辑就抓瞎,复杂分支、条件判断、数据清洗全要绕
- 纯开发框架(自己基于 LangChain 搭)灵活,但运营同学完全无从下手
n8n 的思路是:左边画布拖拖拽拽,右边随时能写 JS / Python / 装 npm 包。在 AI Agent 场景下,它还要解决三件事:
- 模型切换不锁定——OpenAI、Anthropic、本地 Ollama 换着用
- 人参与审批——关键决策让真人拍板
- 全链路可观测——每一步输入输出都得能查
这三件事在企业落地 AI 时经常被忽略,但出问题时全是雷。
怎么用
三种启动方式,按场景挑:
# 最快启动方式:一条 docker 命令
docker volume create n8n_data
docker run -it --rm \
--name n8n \
-p 5678:5678 \
-v n8n_data:/home/node/.n8n \
-e N8N_HOST=localhost \
-e WEBHOOK_URL=http://localhost:5678/ \
docker.n8n.io/n8nio/n8n
# 或者 Node.js 直接跑(开发调试用)
npx n8n
# 不想自托管就走官方云
# https://app.n8n.cloud
起来后浏览器开 5678 端口,左侧面板 1500+ 节点可以拖。要跑 AI Agent:搜 "AI Agent" 节点,配上 OpenAI / Anthropic / Ollama 任一凭证,再连一个工具节点(比如 HTTP Request 调用你的 API),保存点 Execute 就跑起来了。
写自定义节点也不复杂,下面是个最小例子(TypeScript,写在你的 n8n 自定义节点包里):
import { INodeType, INodeExecutionData, IExecuteFunctions } from 'n8n-workflow';
export class MyNode implements INodeType {
description = {
displayName: 'My Custom Node',
name: 'myNode',
group: ['transform'],
version: 1,
description: '处理输入 items 并加个时间戳',
inputs: ['main'],
outputs: ['main'],
properties: [],
};
async execute(this: IExecuteFunctions): Promise<INodeExecutionData[][]> {
const items = this.getInputData();
return [items.map(item => ({
json: { ...item.json, processedAt: new Date().toISOString() },
}))];
}
}
它怎么工作(架构)
核心是三件套:节点(Node)+ 连线(Connection)+ 工作流(Workflow)。
每个节点是一个 TypeScript 类,实现 INodeType 接口。execute() 方法接收输入 items,产出输出 items——本质上就是个纯函数式的处理单元。
Workflow 通过 DAG 描述执行顺序,引擎负责调度、状态持久化、错误重试。技术栈是 TypeScript + Vue 3(前端)+ Node.js 18+(运行时),全栈 TypeScript 是我喜欢的一点,改自定义节点心智负担小。
AI Agent 这块是单独的高级模块:内置 LangChain 集成节点(n8n-nodes-langchain 包),把 Chain / Tool / Memory / Retriever 都包装成可视化节点。关键的 Agent 节点支持两种推理模式:
- ReAct:Reason + Act 循环,边想边干,适合工具调用明确的场景
- Plan-Execute:先列计划再执行,适合多步骤复杂任务
还可以挂 Human-in-the-loop 节点做人工审批——AI 给出建议,真人点头才执行后续动作。
执行历史全量落库,UI 上能看每一步输入输出、token 消耗、耗时。出错时能看到具体哪个节点、什么参数、什么返回。
它哪里好 / 哪里不好
好
- 工程师友好度是同类里最高的。能写代码、能装 npm 包、能写自定义节点,不像 Zapier 那样纯配置。运营同学不会写代码也能拖出来 80% 的流程,剩下 20% 让工程师补 Code 节点。
- 模型层无锁定。OpenAI / Claude / 本地 Ollama / vLLM 切换不动架构,凭证配置一下就换。
- 自托管体验顺畅。一条 docker run 加挂载卷就能跑,数据完全在自己手里。
- 社区活跃。9000+ 公开工作流模板可以直接 fork 改,community.n8n.io 论坛 + Discord 响应也快。
不好
- Fair-code 许可证(Sustainable Use License)是坑。个人和小公司自用没问题,但你不能用 n8n 原样包装成 SaaS 转卖给第三方。商业化场景必须买 Enterprise License,这点很多文章不提,但很关键。
- 1500+ 集成里有不少是社区维护的,质量参差。企业用要重点验证,特别是涉及支付、CRM 这种关键系统的节点。
- UI 偶尔卡顿。大型工作流(几百节点)渲染吃性能,编辑复杂流程时滚动能感觉到顿挫。
- 调试体验还能更好。节点级断点和变量 inspector 还在迭代,目前主要靠日志和执行历史排查。
我试了下
本地用 docker run 跑了官方镜像,机器是 2 核 4G 内存,启动到 UI 可用大概 12 秒。
建了一个 5 节点的工作流,模拟一个客服工单分类场景:
- Webhook 触发(接外部工单系统)
- Code 节点写 JS 清洗数据
- OpenAI 节点调 GPT-4o-mini 做意图分类
- IF 节点判断置信度
- 高置信自动入库(Postgres 节点),低置信走 Slack 通知人工
端到端延迟平均 2.3 秒(含 LLM 调用),失败重试配了 3 次指数退避。工作流编辑器响应流畅,整个容器常驻内存约 380MB。
和同样场景的 Dify 工作流对比感受:
- n8n 在"复杂分支"上配置更直观,IF / Switch / Merge 节点成熟
- Dify 在"纯对话 Agent"上模板更现成,开箱即用的 Chatbot 模板多
所以如果你的场景是工作流自动化 + AI 增强,n8n 更合适;如果主要是对话产品,Dify 起步更快。
谁该用
适合:
- 团队里有工程师 + 运营混合配置,要做跨系统自动化 + AI 增强的公司
- 需要把 AI Agent 落到生产但又不想从零搭 LangChain 服务的小到中型团队
- 对数据敏感、要私有化部署的企业(金融、医疗、政务)
- 已经在用 Slack / Notion / 数据库 + 想加 AI 能力的运营团队
不适合:
- 想拿 n8n 包成 SaaS 产品卖的——许可证不允许
- 只做简单单向同步的——直接 Zapier 免费版够用
- 团队全是产品经理没工程师——学习曲线还是有点陡,不如 Coze / 钉钉宜搭上手快
- 高频实时场景(毫秒级延迟)——工作流引擎的调度开销不合适
我的判断
n8n 不是银弹,但它在"可视化 + 代码"这个交叉点上做得相当扎实。对中国团队来说,特别值得考虑的是私有化部署这条线——数据不出内网、模型可换国产(DeepSeek、通义千问也都能接),合规上比直接调海外 API 省心很多。
如果你是工程师主导的团队、要做复杂的 AI 自动化流程,强烈建议试一下。一个 docker 命令 12 秒就能跑起来,门槛够低。
参考:
- 官方仓库:https://github.com/n8n-io/n8n
- 文档:https://docs.n8n.io
- 社区论坛:https://community.n8n.io
来源(必须引用)
https://github.com/n8n-io/n8n