零基础入门 n8n：从部署到第一个 AI Agent 工作流
2025 年 10 月 13 日晚，WaytoAGI 社区「AI 训练营」第一期正式开营，由社区超级开发者芋头小宝与林月半子主讲，围绕当下最火的工作流工具 n8n 展开。这场直播面向零基础用户，系统讲解了 n8n 的核心概念、部署方式，并带领大家从零搭建了第一个 AI Agent 工作流。无论你是想入局 AI 智能体开发的新手，还是希望找到自动化工具落地场景的从业者，这篇文章都能帮你快速建立对 n8n 的整体认知。
为什么第一期训练营选择 n8n
训练营的开办源于社区观察到的普遍痛点：社群内容虽丰富，但新成员往往无从下手，知识零散且缺乏实战机会。一枚扣子介绍，训练营采用班级化管理，通过布置作业、跟进学习情况，确保学员真正掌握技能，而非「直播结束就各走各路」。
选择 n8n 作为第一期主题，芋头小宝从 AI Agent 开发者的视角给出了理由。目前市面上的 AI Agent 主要有两种搭建方式：一种是工作流（Workflow）形态，像流程画布一样按序排列节点，确定性强、结果可预测、方便调试维护，适合重复性任务；另一种是以大语言模型为主体的 Agent 形态，动态决策能力强但稳定性稍弱。n8n 属于前者，是一个「比较纯粹的工作流形式平台」，但同时也兼容 AI Agent 方式，可以自主决定调用模型、记忆和工具。
n8n 的核心优势体现在几个方面：
- 低代码平台：无需编写代码即可完成工作流搭建，复杂数据问题可通过代码节点解决
- 节点丰富：预设节点超过 400 个，几乎覆盖海外应用生态，社区开发者还贡献了大量扩展节点
- 开源安全：可部署在自己电脑上，解决数据安全和隐私问题，且生态活跃、更新迭代快
芋头小宝特别强调了 n8n 的商业变现路径：「首先你是可以去提供一些垂直的领域工作流的……同时的话你也可以直接把它封装成你自己的一个 AI 智能的产品……然后最重要的话，你还可以直接成为这个领域的专家。」在他看来，今年是 AI Agent 爆发元年，加上出海需求旺盛，目前是学习 n8n 的好时机。
部署方式：从云端体验到本地安装
林月半子从研发背景出发，详细拆解了 n8n 的几种部署方式，并给出了针对初学者的建议路径。
N8N Cloud 适合快速上手。进入 n8n.io 官网，点击免费试用注册即可使用，无需考虑安装问题。但林月半子提醒，Cloud 版有 14 天免费体验期，且「不支持未认证社区节点安装」，意味着无法使用全球开发者贡献的扩展节点，功能上会受限。
本地部署推荐 Docker。林月半子强烈推荐使用 Docker 安装，并将其比作「万能的操作系统载体」：「我们可以把 Docker 理解成一个智能手机，n8n 的话其实就是手机的一个应用程序……我们只需要知道怎么开机，怎么安装应用，怎么使用应用就行了。」她指出，NPM 安装虽然启动方便，但存在环境依赖问题，对 Node.js 版本有要求，新手排查困难，版本升级繁琐，多实例管理不便，因此不推荐。
Docker 部署有两种方式：
图形化部署（Docker Desktop）适合学习起点。核心概念包括镜像（应用安装包）、容器（运行中的应用实例）、数据卷（持久化存储）。操作步骤为：创建数据卷 → 运行镜像 → 设置端口映射（主机端口可改，容器端口 5678 固定）→ 挂载数据卷 → 配置环境变量（如时区 TZ 设为 Asia/Shanghai）。部署完成后需注册并激活，激活后可免费获得工作流历史记录、高级调试、执行搜索和标记、文件夹分类管理四个功能。
Docker Compose 适合维护管理。林月半子演示了从 docker run 命令到 Compose 配置的转换：「我们只要将这个命令……请将以下的 docker run 命令转换成 docker compose 格式，直接问 AI 的话它直接会帮你写出来。」Compose 方式可读性好、易于维护、支持多容器编排，后续修改环境变量只需编辑 yaml 文件即可。
对于安装遇到困难的同学，一枚扣子给出了务实建议：小白可以直接跳过环境部署部分，使用 N8N Cloud 在线版完成应用开发，「给自己一个正反馈，不要还没学习，结果就被环境卡点打击了自信心」。
搭建第一个 AI Agent 工作流
林月半子带领大家从零搭建了第一个 AI Agent 工作流，核心是理解 AI Agent 节点的三个组成部分：「左侧的话就是一个聊天模型，这个就是 Agent 的一个大脑，决定 AI 的智能程度；中间这个是一个 Memory，是 Agent 的记忆库，让 AI 记住对话历史；右侧就是个 Tool，是 Agent 的工具箱，赋予 AI 执行能力。」
模型选择与配置。林月半子提醒：「模型选择不是越强越好，是适合最好。」本次选择 DeepSeek 模型，需创建凭证并输入 API Key。DeepSeek 提供两个模型：Chat 模型（V3）适合日常对话，Reasoner 模型擅长复杂逻辑推理，第一个 Agent 选择 Chat 模型即可。
系统消息与用户消息的职责分离。测试时发现 AI 用英文回复，原因是缺少语言偏好设置。林月半子解释了系统消息与用户消息的区别：系统消息定义 AI 的身份、行为规范和输出格式，用户不可见但影响所有回复；用户消息是用户的具体指令。这种职责分离「确保 AI 行为的一致性」，用户无需每次重复格式要求。
配置记忆功能。测试「我刚刚问你的是什么」时 AI 无法回答，因为「每次对话对他来说都是一个全新的开始」。解决方案是添加 Simple Memory 节点，设置记忆长度（如 10 轮对话），让 AI 记住上下文和用户偏好。
添加工具能力。为了让 AI 不仅能聊天还能行动，林月半子以高德地图为例演示了 MCP（模型上下文协议）的调用：「MCP 就像给 AI 装了一个工具箱，这个工具箱里面放了各种各样的工具。」操作步骤为：在高德开放平台创建应用 → 选择 Web 服务类型 → 获取 Key → 在 n8n 中配置 MCP endpoint → 测试工具连通性。
配置完成后，Agent 可以完成多种场景任务：查询天气并给出穿衣建议、查找附近咖啡厅、复合查询（查天气同时推荐餐厅）。林月半子总结道：「从一个简单对话机器人变成一个比较实用的智能助手，就是不仅能理解我们的需求，还能主动调用工具来获取实时信息。」
现场问答
训练营收费吗？ 不收费，但收作业。一枚扣子明确：「不收费，但是收作业……如果不交的话，可能你都无法参加我们后续的训练营了。」
客户为什么选择 n8n 而不是扣子？ 芋头小宝分析：「一方面是我们的客户他可能是来自全球的……他本身可能对 n8n 是更了解一些、更熟悉一些的」；另一方面，部分客户「担心扣子闭源存在数据泄露风险」。一枚扣子补充，n8n 开源社区强大且已链接众多节点，也是重要原因。
n8n 可以操控电脑上的软件吗？ 芋头小宝表示可以：「一方面是通过 API，另一方面是通过一些触发器的方式。」例如邮箱收到邮件通过 Webhook 触发工作流，或在飞书多维表格提交内容后自动运行工作流并返回结果。
n8n 和 Web coding 的本质区别是什么？ 芋头小宝解释，n8n 这类低代码工作流平台需要你先有思路、知道任务的顺序，然后按预设链路完成确定性任务；Web coding 则是「心中有一个想法，但具体怎么实现不清楚」，由 AI 从 0 到 1 完成。结果上两者可做相似的东西，但 n8n 过程更透明可控，Web coding 对无代码基础者调试和运维成本更大。他还分享了实践：「n8n 做一些工作流承担后端工作，Web coding 设计前端页面，实现 1+1 大于 2 的效果。」
工作流节点出错如何自动切换备用模型？ 芋头小宝给出三种处理方式：直接停止工作流、忽略错误继续运行、选择「continue other output」选项走备用线路。「你选另外一个 continue 还有什么 output 的话，这个选项你就可以走另外一条之路……就相当于是在报错的时候，它就会走那个备用的这个线路了。」
本地部署和云端部署费用有区别吗？ 芋头小宝回答：「你上云的话，你要买云服务器……你是要有这方面成本的支出的，本地的话正常情况应该是免费的。」
n8n 与 Coze、Dify 相比有什么独特优势？ 芋头小宝认为并非绝对：「主要区别的话，可能就它们目前基本上的一些节点其实是一样的……可能有一些小的，就是 n8n 这边有的节点，然后 Coze 和 Dify 没有。」但 n8n 更面向全球，「对国外应用的那个连通性更强一点」，做起来更方便、更容易上手。
小白没有代码基础可以学吗？ 一枚扣子建议跳过环境部署部分，直接用 Cloud 在线版做应用，「直接去做应用，然后给自己一个正反馈」。她强调不要纠结工具优劣：「不要去纠结这个工具，就跟学代码之前……PHP 是世界第一，最 PHP，世界最牛的开发语言，对吧？其他语言都是垃圾。就是不要去纠结这个工具。」
要点回顾
- n8n 是低代码自动化工作流平台，预设节点超 400 个，开源可本地部署，适合零基础入门 AI Agent 开发
- 商业变现路径清晰：定制垂直领域工作流、封装 AI 产品做订阅服务、提供培训咨询
- 部署推荐路径：先用 N8N Cloud 快速体验（14 天免费），再通过 Docker Desktop 图形化部署或 Docker Compose 方式本地安装
- Docker 部署核心概念：镜像（应用安装包）、容器（运行实例）、数据卷（持久化存储）、端口映射（主机端口可改，容器端口 5678 固定）
- 激活 n8n 后可免费获得工作流历史记录、高级调试、执行搜索和标记、文件夹管理四个功能
- AI Agent 节点三要素：聊天模型（智能程度）、记忆库（对话连续性）、工具箱（执行能力）
- 模型选择「适合最好」而非越强越好；系统消息与用户消息需职责分离，确保 AI 行为一致性
- MCP（模型上下文协议）让 AI 能调用外部工具 API，如高德地图查询天气、地点、周边推荐
- 工作流节点出错可通过「停止」「忽略继续」「走备用线路」三种方式处理
- 作业：链接 DeepSeek 记忆节点并提交成功执行日志截图；查询「模型无状态性」和「注意力机制」两个概念
直播回放约 155 分钟
播放器来自飞书妙记 · 在新窗口打开