n8n × AI：把重复活交给自动化工作流（2026）

每天都有一堆「收到邮件 → 整理 → 调接口 → 发通知」之类的机械活。写脚本能解决，但维护成本高；请人做又贵。n8n 是一个开源的可视化工作流引擎，把各种 API、数据库、AI 模型串成自动跑的流水线，配合大模型后，它能做的远不止「定时发邮件」。

这篇讲怎么用 n8n 把 AI 塞进你的日常工作流。

一、n8n 是什么

把它想成「程序员的 IFTTT + 真实代码能力」。每个节点是一个动作（HTTP 请求、读数据库、调 AI、发 Slack），节点之间连线形成流程，数据在节点间流动。

和纯零代码工具不同，n8n 每个节点都能写 JavaScript / Python 片段处理数据，所以既能拖拽，又能写代码兜底，灵活度很高。

Docker 一键起：

docker run -d --name n8n \
  -p 5678:5678 \
  -v $(pwd)/.n8n:/home/node/.n8n \
  n8nio/n8n

打开 http://服务器IP:5678 注册账号即可。

二、第一个 AI 工作流：邮件摘要推送

场景：每天把 Gmail 里「重要」邮件用 AI 总结，推到飞书/钉钉。

节点连线：

Gmail 触发（新邮件）
  → 过滤器（只留带「紧急」标签的）
  → AI 节点（把邮件正文总结成 3 条要点）
  → 飞书/Webhook 节点（推送总结）

其中 AI 节点这样配（以 OpenAI/DeepSeek 兼容为例）：

{
  "model": "deepseek-chat",
  "messages": [
    { "role": "system", "content": "你是一个邮件助理，把邮件总结成不超过3条要点" },
    { "role": "user", "content": "{{ $json.snippet }}" }
  ]
}

{{ $json.snippet }} 是 n8n 的表达式语法，代表上一步传来的邮件摘要字段。

三、AI 节点怎么接

n8n 内置 LangChain 节点，可以直接接：

聊天模型（OpenAI / DeepSeek / Ollama 本地）
嵌入模型 + 向量库（做 RAG）
工具节点（让 AI 自己决定调哪个下游节点）

最实用的是 AI Agent 节点：给它一组「工具」（比如「查数据库」「发 HTTP」「读文件」），它自己判断该调哪个来完成任务。这就是低代码版的 Agent。

四、进阶：让 AI 自己决定下一步

普通工作流是线性的，AI Agent 节点是条件性的：

用户输入
  → AI Agent（带工具：搜索文档 / 查订单 / 发邮件）
      → Agent 自己决定调用哪个工具
      → 汇总结果回复用户

例如一个内部问答 Bot：用户问「订单 A123 到哪了」，Agent 识别意图 → 调「查订单」工具拿物流 → 组织语言回复。全程无需你写 if-else。

五、5 个常见坑

表达式取不到字段：先在节点上点「运行一次」看真实输出结构，再写 {{ $json.xxx }}。字段名错一个字母就空值。
循环里调 AI 烧钱：对 100 条数据逐条调模型，费用和时间都爆炸。先聚合、去重、再批量。
凭证泄露：API Key 放 n8n 的 Credentials 里，别硬编码进表达式；Docker 部署注意 .n8n 目录权限。
工作流莫名其妙停了：免费版有并发/执行时长限制，长流程拆子工作流或用付费/自托管。
AI 输出不稳定：关键决策别完全交给模型。用「AI 提取结构化字段 + 你写代码做分支」更稳。

六、和前面工具怎么配合

n8n 是「胶水层」，最适合把这些工具串起来：

用 Ollama 提供本地模型，n8n 调它做敏感数据处理（数据不出内网）
用 Dify 做复杂 AI 应用，n8n 通过 HTTP 节点调用 Dify 暴露的 API
用 AnythingLLM 管知识库，n8n 触发它做定期文档问答并归档

一句话：Dify/Coze 做「一个 AI 应用」，n8n 做「多个系统之间的自动流水线」。前者是点，后者是线。

七、适合谁

运营：把「每日数据汇总」「多平台发文」自动化
开发/运维：把告警、部署、日志处理串成流水线
个人：把重复的信息整理、提醒、同步交给机器

先从一条「每天定时 + 调一次 AI + 发一条消息」的小流程跑通，比一口气画大图更容易坚持下来。