GitHub 上 201k stars、以 TypeScript 為主、2019 年開的專案,n8n 在 Workflow Automation 這塊算是異類——不像 Zapier 純拖拉,也不像 LangChain 純 code,而是把兩邊接在一起。我自己用一陣子後覺得,它對「工程師 + 營運」混合團隊特別友善,尤其是 AI Agent 場景。
它解決什麼問題
Workflow Automation 平台一直有個兩難:
- 純低代碼(Zapier、Make)上手快,但遇到複雜邏輯就卡住,分支判斷、條件式處理、資料清洗全部要繞路
- 純開發框架(自己基於 LangChain 搭)靈活,但營運同事完全沒門
n8n 的做法是:左邊畫布拖拉,右邊隨時能寫 JS / Python / 裝 npm 套件。在 AI Agent 場景下,它還要處理三件事:
- 模型切換不綁定——OpenAI、Anthropic、本地 Ollama 換著用
- 人參與審批——關鍵決策讓真人拍板
- 全鏈路可觀測——每一步的輸入輸出都要查得到
這三件事在企業落地 AI 時常被忽略,但出問題時全是雷。
怎麼用
三種啟動方式,看場景挑:
# 最快啟動方式:一行 docker 指令
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 Node.js 直接跑(開發除錯用)
npx n8n
# 不想自架就走官方雲
# https://app.n8n.cloud
啟動後瀏覽器開 5678 port,左側面板 1500+ 節點可以拖。要跑 AI Agent:搜「AI Agent」節點,配上 OpenAI / Anthropic / Ollama 任一凭证,再串一個工具節點(例如 HTTP Request 呼叫你的 API),存檔後按 Execute 就跑起來了。
寫自訂節點也不難,下面是個最小範例(TypeScript,寫在你的 n8n 自訂節點 package 裡):
import { INodeType, INodeExecutionData, IExecuteFunctions } from 'n8n-workflow';
export class MyNode implements INodeType {
description = {
displayName: 'My Custom Node',
name: 'myNode',
group: ['transform'],
version: 1,
description: '處理輸入 items 並加上時間戳記',
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() },
}))];
}
}
它怎麼運作(架構)
核心是三件套:節點(Node)+ 連線(Connection)+ 工作流(Workflow)。
每個節點是一個 TypeScript 類別,實作 INodeType 介面。execute() 方法接收輸入 items,產出輸出 items——本質上就是個純函式處理單元。
Workflow 透過 DAG 描述執行順序,引擎負責排程、狀態持久化、錯誤重試。技術棧是 TypeScript + Vue 3(前端)+ Node.js 18+(執行環境),全端 TypeScript 是我喜歡的一點,改自訂節點心智負擔小。
AI Agent 這塊是獨立的高階模組:內建 LangChain 整合節點(n8n-nodes-langchain 套件),把 Chain / Tool / Memory / Retriever 都包成可視化節點。關鍵的 Agent 節點支援兩種推理模式:
- ReAct:Reason + Act 迴圈,邊想邊做,適合工具呼叫明確的場景
- Plan-Execute:先列計畫再執行,適合多步驟複雜任務
還能掛 Human-in-the-loop 節點做人工審批——AI 給建議,真人點頭才執行後續動作。
執行歷史全量落庫,UI 上能看到每一步的輸入輸出、token 消耗、耗時。出錯時能看到是哪個節點、什麼參數、什麼回應。
它哪裡好 / 哪裡不好
好
- 工程師友善度是同類最高的。能寫 code、能裝 npm 套件、能寫自訂節點,不像 Zapier 那樣純設定。營運同事不會寫 code 也能拉出 80% 的流程,剩下的 20% 讓工程師補 Code 節點。
- 模型層不綁定。OpenAI / Claude / 本地 Ollama / vLLM 切換不用動架構,凭证換一下就換。
- 自架體驗順暢。一行 docker run 加掛載 volume 就能跑,資料完全在自己手上。
- 社群活躍。9000+ 公開工作流範本可以直接 fork 改,community.n8n.io 論壇 + Discord 回覆也快。
不好
- Fair-code 授權(Sustainable Use License)是地雷。個人和小公司自用沒問題,但你不能用 n8n 原樣包成 SaaS 轉賣給第三方。商業化場景一定要買 Enterprise License,這點很多文章不提,但很關鍵。
- 1500+ 整合裡有不少是社群維護的,品質參差。企業用要重點驗證,特別是涉及金流、CRM 這種關鍵系統的節點。
- UI 偶爾卡頓。大型工作流(幾百節點)渲染吃效能,編輯複雜流程時捲動能感覺到頓挫。
- 除錯體驗還能更好。節點級中斷點和變數 inspector 還在迭代,目前主要靠 log 和執行歷史排查。
我試了一下
本地用 docker run 跑了官方映像檔,機器是 2 核 4G 記憶體,從啟動到 UI 可用大概 12 秒。
建了一個 5 節點的工作流,模擬客服工單分類場景:
- Webhook 觸發(接外部工單系統)
- Code 節點寫 JS 清洗資料
- OpenAI 節點調 GPT-4o-mini 做意圖分類
- IF 節點判斷信心分數
- 高信心自動入庫(Postgres 節點),低信心走 Slack 通知人工
端到端延遲平均 2.3 秒(含 LLM 呼叫),失敗重試配 3 次指數退避。工作流編輯器回應流暢,整個容器常駐記憶體約 380MB。
跟同樣場景的 Dify 工作流比較感受:
- n8n 在「複雜分支」上設定更直覺,IF / Switch / Merge 節點成熟
- Dify 在「純對話 Agent」上範本更現成,開箱即用的 Chatbot 範本多
所以如果你的場景是工作流自動化 + AI 增強,n8n 更合適;如果主要是對話產品,Dify 起步更快。
誰該用
適合:
- 團隊裡有工程師 + 營運混合配置,要做跨系統自動化 + AI 增強的公司
- 需要把 AI Agent 落到生產但又不想從零搭 LangChain 服務的小到中型團隊
- 對資料敏感、要私有化部署的企業(金融、醫療、政務)
- 已經在用 Slack / Notion / 資料庫 + 想加 AI 能力的營運團隊
不適合:
- 想拿 n8n 包成 SaaS 產品賣的——授權不允許
- 只做簡單單向同步的——直接 Zapier 免費版就夠
- 團隊全是 PM 沒工程師——學習曲線還是有點陡,不如 Coze / 釘釘宜搭上手快
- 高頻即時場景(毫秒級延遲)——工作流引擎的排程開銷不適合
我的判斷
n8n 不是銀彈,但它在「可視化 + 程式碼」這個交叉點上做得相當紮實。對台灣與華語團隊來說,特別值得考慮的是私有化部署這條線——資料不出內網、模型可換國產(DeepSeek、通義千問也都能接),合規上比直接調海外 API 省心很多。
如果你是工程師主導的團隊、要做複雜的 AI 自動化流程,強烈建議試一下。一行 docker 指令 12 秒就能跑起來,門檻夠低。
參考:
來源(必須引用)
https://github.com/n8n-io/n8n