GitHubで201k stars、TypeScript中心、2019年生まれ。n8nはWorkflow Automationの分野では異色の存在で、Zapierのように完全ドラッグ操作でもなく、LangChainのように完全コードベースでもない。その両方を縫い合わせている。実際にしばらく使ってみて、「エンジニア+運用」の混合チーム、特にAI Agentのシナリオに向いていると感じる。
何の課題を解決するのか
Workflow Automationプラットフォームにはずっと二択のジレンマがある。
- 純低コード(Zapier、Make)は習得が早いが、複雑なロジックで破綻する。複雑な分岐、条件分岐、データ前処理は全部回り道になる。
- 純開発フレームワーク(LangChainを自分で組む)は柔軟だが、運用メンバーはまったく手出しできない。
n8nのコンセプトはこうだ。左側のキャンバスでドラッグ&ドロップし、右側ではいつでもJS / Pythonを書いたりnpmパッケージを入れたりできる。AI Agentのシナリオでは、さらに3つの課題に応えている。
- モデル切替でロックインしない――OpenAI、Anthropic、ローカルのOllamaを自由に行き来
- 人間の承認を挟める――重要な意思決定は人間が最終判断
- 全工程が観測可能――各ステップの入出力を必ず追える
この3点は、企業でAIを本番運用するときに軽視されがちだが、問題が起きると必ず火種になる。
使い方
3つの起動方法がある。用途で選べばいい。
# 一番手早い起動方法:dockerコマンド一発
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
# Node.jsで直接動かす(開発・デバッグ用)
npx n8n
# セルフホストしたくないなら公式クラウドへ
# https://app.n8n.cloud
立ち上がったらブラウザで5678ポートを開き、左パネルの1500以上のノードからドラッグする。AI Agentを動かすには「AI Agent」ノードを検索し、OpenAI / Anthropic / Ollamaいずれかの認証情報を設定、ツールノード(例えばHTTP Requestで自作APIを呼ぶ)を繋いで、Executeを押せば動く。
カスタムノードを書くのも難しくない。以下が最小例(TypeScript、n8nカスタムノードのパッケージ内に書く)。
import { INodeType, INodeExecutionData, IExecuteFunctions } from 'n8n-workflow';
export class MyNode implements INodeType {
description = {
displayName: 'My Custom Node',
name: 'myNode',
group: ['transform'],
version: 1,
description: '処理中の items にタイムスタンプを付与する',
inputs: ['main'],
outputs: ['main'],
properties: [],
};
async execute(this: IExecuteFunctions): Promise {
const items = this.getInputData();
return [items.map(item => ({
json: { ...item.json, processedAt: new Date().toISOString() },
}))];
}
}
仕組み(アーキテクチャ)
コアは3点。Node(ノード)+ Connection(接続)+ Workflow(ワークフロー)。
各ノードはTypeScriptクラスで、INodeTypeインターフェースを実装する。execute()メソッドが入力itemsを受け取り、出力itemsを返す。要は関数型の処理ユニットだ。
WorkflowはDAGで実行順序を記述し、エンジンがスケジューリング、状態永続化、エラーリトライを担う。スタックはTypeScript + Vue 3(フロントエンド)+ Node.js 18+(ランタイム)で、フルTypeScriptが好きなところ。カスタムノード改修時の認知負荷が低い。
AI Agentは別立ての高度モジュールで、LangChain統合ノード(n8n-nodes-langchainパッケージ)がChain / Tool / Memory / Retrieverを全部ビジュアルノードにラップしている。肝心のAgentノードは2つの推論モードに対応する。
- ReAct:Reason + Actのループで、考えながら動く。ツール呼び出しが明確なシナリオ向き
- Plan-Execute:先に計画を立ててから実行。多段階の複雑なタスク向き
Human-in-the-loopノードを繋いで人間の承認を挟むこともできる。AIが提案し、人間がOKを出して初めて次のアクションに進む形だ。
実行履歴は全部DBに記録され、UI上で各ステップの入出力、token消費、所要時間を見られる。エラー時はどのノードで、どのパラメータで、何が返ってきたかが追える。
良いところ/悪いところ
良いところ
- エンジニアへの優しさは同類でトップ。コードが書けて、npmパッケージも入れられて、カスタムノードも書ける。Zapierのような純設定ではない。運用メンバーがコードを書けなくてもフローの80%はドラッグで組める。残り20%をエンジニアがCodeノードで補える。
- モデル層でロックインなし。OpenAI / Claude / ローカルOllama / vLLMの切替でアーキテクチャは変えず、認証情報の差し替えだけ。
- セルフホストが快適。
docker run一発とボリュームマウントで動き、データを完全に手元に置ける。 - コミュニティが活発。9000以上の公開ワークフローテンプレートをそのままforkして使える。community.n8n.ioフォーラムとDiscordの反応も速い。
悪いところ
- Fair-codeライセンス(Sustainable Use License)は落とし穴。個人や小会社の自社内利用は問題ないが、n8nをそのままSaaS化して第三者に売るのはNG。商用展開にはEnterprise Licenseが必須で、この点を多くの記事が触れていない。重要。
- 1500以上の統合にはコミュニティ保守のものが多い。品質にばらつきがある。企業利用では特に検証が必要で、決済やCRMのような重要システム系のノードは要注意。
- UIがたまに重い。大型ワークフロー(数百ノード)のレンダリングは重く、複雑なフローを編集中にスクロールで引っかかりを感じる。
- デバッグ体験はもう一歩。ノード単位のブレークポイントと変数inspectorはまだ整備中で、いまはログと実行履歴で切り分けるのがメイン。
試してみた
ローカルで公式イメージをdocker runで起動。マシンは2コア4GB、起動からUI表示まで約12秒。
5ノードのワークフローを組み、カスタマーサポートのチケット分類を模擬した。
- Webhookトリガ(外部チケットシステム受信)
- CodeノードでデータをJSで正規化
- OpenAIノードでGPT-4o-miniを呼んで意図分類
- IFノードで信頼度を判定
- 高信頼度は自動でPostgresノードに保存、低信頼度はSlack通知で人間エスカレーション
エンドツーエンドのレイテンシ平均2.3秒(LLM呼び出し含む)、失敗リトライは指数バックオフで3回。ワークフローエディタの応答は滑らかで、コンテナ常駐メモリは約380MB。
同じシナリオでDifyワークフローと触り比べての所感。
- n8nは「複雑な分岐」で設定が直感的。IF / Switch / Mergeノードがこなれている。
- Difyは「純対話Agent」でテンプレートが揃っている。すぐ動くChatbotテンプレートが多い。
つまり、ワークフロー自動化+AI強化が主目的ならn8nが向く。対話製品が主目的ならDifyのほうが立ち上げは早い。
誰が使うべきか
向いているケース:
- エンジニア+運用の混成チームで、システムを横断する自動化+AI強化に取り組みたい会社
- AI Agentを本番に乗せたいが、LangChainのサービスをゼロから組みたくない中小チーム
- データに敏感で、オンプレ運用が必須な企業(金融、医療、官公庁)
- すでにSlack / Notion / データベースを使っていて、AI機能を足したい運用チーム
向いていないケース:
- n8nをSaaS化して売りたい――ライセンスが許さない
- 単純な片方向同期だけ――Zapierの無料版で十分
- チーム全員がPMでエンジニア不在――学習コストはやや高い。Coze / 钉钉宜搭のほうがとっつきやすい
- 高頻度リアルタイム(ミリ秒級レイテンシ)――ワークフローエンジンのスケジューリングオーバーヘッドが合わない
私の判断
n8nは銀の弾丸ではないが、「GUI+コード」の交差点で着実に作り込まれている。日本のチームにとって特に注目したいのはプライベートデプロイ路線で、データが内網から出ず、モデルも国産(DeepSeekや通義千問も接続可)に差し替えられる。海外のAPIを直接叩くよりコンプラ周りの手間がだいぶ減る。
エンジニア主導のチームで複雑なAI自動化に取り組みたいなら、一度試す価値はある。dockerコマンド一発で12秒で立ち上がる。敷居は十分に低い。
参考:
- 公式リポジトリ:https://github.com/n8n-io/n8n
- ドキュメント:https://docs.n8n.io
- コミュニティフォーラム:https://community.n8n.io