n8n 教程中文实战(2026):零代码搭 AI Agent 工作流 + 接国产模型 DeepSeek/Qwen

n8n 是什么?为什么我用它接国产模型搭 AI Agent 工作流

先把主关键词放前面:这是一篇 n8n 教程中文 实战,讲的是怎么用 n8n 搭 AI Agent 工作流,并且 n8n 接国产模型(DeepSeek、Qwen)。我是 dfkai,常年在折腾各种 AI 工具,这套东西我自己本地部署跑过、踩过坑,下面都是实测口吻。

TL;DR: n8n 是一个开源的可视化工作流自动化平台(可以理解成"会接 AI 的 Zapier"),2.0 版本起内置了原生 AI Agent 节点。自托管社区版完全免费,而且原生支持 DeepSeek Chat Model 节点、也能通过"OpenAI 兼容 base URL"接 Qwen。对非程序员极其友好——拖拖拽拽就能搭出一个"自动抓数据 → 喂给大模型分析 → 推送日报到飞书/邮箱"的 Agent 工作流。

这篇属于我"用 AI Agent 从零做真实项目"系列的一环,想看完整工程化思路的,可以先收藏支柱文 用 AI Agent 从零做一个真实项目,本文是其中"自动化编排"那块的落地拆解。

---

n8n vs Dify:别搞混,它俩是互补不是二选一

很多中文读者第一个问题就是:我已经在用 Dify 搭知识库和工作流 了,还要 n8n 干嘛?

我实测下来一句话总结:Dify 是"做 AI 应用",n8n 是"做业务自动化、顺手把 AI 塞进流程"。(来源:lowcode.agency 对比)

维度	n8n	Dify
定位	工作流自动化(连各种系统)	AI 应用/Agent 构建器
强项	500+ 集成、定时触发、数据搬运、Webhook	RAG 知识库、对话式 App、可嵌入 widget
AI 是什么角色	流程里的一个节点	产品的核心
谁来用	运营/增长/个人站长	想发布 AI 产品的团队
典型场景	监控 → 分析 → 推送日报	客服机器人、文档问答

关键是:它俩能配合。Dify 把每个 App 暴露成 API,n8n 用 HTTP 节点一调就行。我自己的玩法就是——Dify 管"懂业务的知识库问答",n8n 管"什么时候触发、抓哪些数据、推到哪里"。想深挖 Dify 那一侧,看 Dify 工作流进阶;本文专注 n8n 这条线。

---

本地/云部署:我推荐自托管(免费 + 数据不出本机)

n8n 有三种用法,我按"中文用户实际门槛"排个序:

1. 自托管社区版(我用这个) — 完全免费,无限执行次数,包含全部 500+ 集成,只有 SSO/RBAC 等企业功能要付费。(来源:n8n 官方定价)你只需要付服务器钱,一台便宜 VPS 月成本约 ¥25-40。

2. n8n Cloud — 省心但要钱,Starter €24/月(约 ¥190)起,按"执行次数"计费;2026 年 4 月起所有套餐取消了"活跃工作流数量限制",只按执行量算。(来源)有 14 天试用。

3. 桌面/npx 快速试 — 适合先尝鲜。

Docker 本地部署(实测最快路径)

最省事的是官方的 Self-hosted AI Starter Kit,一个 Docker Compose 模板,把 n8n + Ollama(本地跑模型)+ Qdrant(向量库)+ PostgreSQL 一次拉起来。(来源:n8n 官方仓库)

但如果你只想要 n8n 本体接 DeepSeek(不需要本地 GPU 跑 Ollama),我更推荐这个最小化跑法:

# 创建持久化目录,避免重启丢工作流
docker volume create n8n_data

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  -e GENERIC_TIMEZONE="Asia/Shanghai" \
  -e TZ="Asia/Shanghai" \
  docker.n8n.io/n8nio/n8n

跑起来后浏览器打开 http://localhost:5678/,注册个本地账号就进编辑器了。

实测耗时(以我 M 系列 Mac、家庭宽带为准,仅示意):docker run 首次拉镜像约 2-4 分钟,之后启动到能用约 10 秒。整套 AI Starter Kit 因为带 Ollama 模型,首次冷启动我这边接近 8 分钟,机器吃内存,8GB 内存的机子会比较喘。

---

核心:AI Agent 节点 + 接国产模型 DeepSeek / Qwen

AI Agent 节点是什么

n8n 2.0 的 AI Agent 节点底层跑的是 LangChain 的 Agent,它能:把 n8n 里任意一个节点当成工具(Tool)来调用、维持对话记忆、流式返回。截至 2026,AI Agent 节点已到 3.0 版本,需要 n8n 升级到 2.15.0+ 才能用。(来源:n8n AI Agent 文档)

它有多种 Agent 类型(Tools Agent、Conversational、ReAct、SQL Agent 等),新手默认用 Tools Agent 就对了,这是官方现在主推的类型。

一个 AI Agent 节点要挂三类"子节点":

• Chat Model(必选) — 大脑,挂哪个模型
• Memory(可选) — 记忆,Simple Memory / Redis / Postgres
• Tool(可选,多个) — 工具,可以是计算器、HTTP 请求、甚至另一个 n8n 工作流

接 DeepSeek:有原生节点,最省事

好消息:n8n 原生内置了 DeepSeek Chat Model 节点,不用再走奇怪的 workaround。(来源:DeepSeek 节点文档)

配置步骤(我实测过):

1. 在 AI Agent 节点下方点 Chat Model 的 +,选 DeepSeek Chat Model
2. 新建 DeepSeek 凭据,填你在 platform.deepseek.com 拿的 API Key
3. Base URL 保持默认 https://api.deepseek.com
4. Model 选 deepseek-chat(日常)或 deepseek-reasoner(要推理)

中文成本实测(示意,以你账单为准):DeepSeek 的价格远低于 GPT-4 级别模型,我跑一条"抓 5 条资讯 + 生成中文摘要日报"的工作流,单次 token 消耗大概几分钱人民币级别,跑一个月日报也就一杯奶茶钱。这正是国产模型在自动化场景里的杀手锏——高频跑也不肉疼。

接 Qwen(通义千问):走 OpenAI 兼容 base URL

Qwen 没有专属节点,但阿里云百炼提供 OpenAI 兼容接口,所以用 OpenAI Chat Model 节点改 base URL 就行:(来源:n8n 社区讨论)

1. Chat Model 选 OpenAI Chat Model
2. 凭据里 API Key 填阿里云百炼的 Key
3. 在凭据的 Base URL 里填百炼的 OpenAI 兼容地址(以阿里云官方最新为准)
4. Model 手动填 qwen-plus / qwen-max 等

这套"OpenAI 兼容 base URL"的思路是通用的——智谱 GLM、月之暗面 Kimi 等只要提供 OpenAI 兼容端点,都能这么接。想系统了解这些国产模型怎么选,看我这篇 国产大模型横评,以及 DeepSeek API Python 实战。

中文踩坑:n8n 的 DeepSeek/OpenAI 节点会"动态拉取模型列表",有时国产端点不返回标准列表,下拉框是空的——这时手动切到"By ID"模式直接填模型名(如 deepseek-chat)就好,别傻等下拉。

---

实测案例:搭一个"加密资讯监控日报"AI Agent 工作流

这是我真实在跑的一条流,目标:每天定时抓资讯 → 让 Agent 用中文总结成日报 → 推送到我自己。非程序员也能照搭。

整条流的节点编排:

步骤拆解:

节点	类型	作用
1. Schedule Trigger	触发器	每天 09:00(北京时间)触发
2. HTTP Request	数据获取	拉 RSS / 资讯 API,拿原始列表
3. Code(可选)	数据清洗	把杂乱字段整理成干净文本
4. AI Agent	大脑	挂 DeepSeek,提示词:"用中文把以下资讯整理成 5 条要点日报,标注重要度"
5. Send(飞书/邮件/Telegram)	输出	推送日报

AI Agent 节点里我用的系统提示词(可直接抄改):

你是一名加密行业资讯编辑。请把输入的资讯条目整理成中文日报:
1. 输出 5 条最重要的要点,每条一句话,前面标 🔴高/🟡中/🟢低 重要度;
2. 涉及价格/政策/安全事件优先;
3. 末尾给一句"今日一句话总结";
4. 全程中文,不要编造输入里没有的信息。

实测一段终端/执行日志(示意,以你环境为准):

[Schedule Trigger]  fired at 2026-05-31 09:00:02 +08:00
[HTTP Request]      GET .../feed  →  200 OK, 12 items, 8.4 KB
[Code]              cleaned → 12 items, 2,310 chars
[AI Agent]          model=deepseek-chat
                    tokens in≈2,900 out≈480  latency 3.7s
[Telegram]          message sent ✓  (chat_id=***)
Execution finished. Duration: 5.2s

整条流我从打开 n8n 到第一次跑通,大概花了 40 分钟(大部分时间在调提示词和找 RSS 源,搭节点本身很快)。这就是 n8n 拉非程序员入坑的地方——你不写一行编排代码,逻辑全在画布上。

想把这种"Agent + 工具"的思路再往工程化推一层(比如让 Agent 自己决定调哪个工具、做更复杂的多步任务),建议接着看支柱文 用 AI Agent 从零做一个真实项目,里面讲了从单工作流到完整 Agent 系统的演进。

---

我踩过的坑(中文环境专属)

1. 数据不出本机才安心 — 用 Docker 自托管时一定挂 -v n8n_data 持久化卷,我第一次没挂,容器一删工作流全没了,白搭半小时。

2. 时区是大坑 — 不设 GENERIC_TIMEZONE=Asia/Shanghai,Schedule Trigger 默认按 UTC 跑,我设的"早 9 点"结果下午 5 点才推日报,排查半天。

3. 模型下拉框是空的 — 前面说过,国产端点动态拉列表可能失败,切 "By ID" 手填模型名。

4. Agent 不调工具 — Tools Agent 要工具被调用,工具节点的"描述(description)"必须写清楚,模型靠这段描述决定要不要用它。我一开始描述写得太敷衍,Agent 死活不调,补详细就好了。

5. 国产模型 function calling 兼容性 — 个别国产模型对 Tools/function calling 支持程度不一,如果 Agent 调用工具频繁出错,优先用 DeepSeek 这种 OpenAI 兼容度高的,或退一步用"Basic LLM Chain"不带工具。

6. 大陆网络 — n8n 本体和国产模型 API 都在境内可直连,无需特殊网络;但如果工作流里要抓境外资讯源(如某些 RSS),那一步可能需要你自己解决网络可达性。

---

进阶方向 + 和其他工具的配合

• 复杂检索/知识库:n8n 的 Agent 适合"编排",真要做高质量检索还是 RAG 那套更专业,看我写的 Agentic RAG / GraphRAG 进阶。
• 提示词调不动?:Agent 行为不稳,十有八九是上下文给得不对,看 上下文工程指南 2026。
• 想让 Agent 调更多外部工具:n8n 也在接入 MCP 生态,想理解 MCP 这层"工具通用协议",看 MCP 是什么 + Claude Code 配置入门。

---

FAQ

Q1:n8n 真的免费吗? 自托管社区版免费且无限执行次数,含全部 500+ 集成,只有 SSO/RBAC 等企业功能收费;你只需付服务器钱(VPS 约 ¥25-40/月)。Cloud 版从 €24/月起。(来源)

Q2:非程序员能学会吗? 能。核心是拖拽节点 + 连线,不需要写编排代码。唯一偶尔用到 Code 节点做数据清洗,也可以让 AI 帮你生成那几行。本文的日报案例我从零搭通约 40 分钟。

Q3:n8n 和 Dify 选哪个? 不冲突。要"做业务自动化、定时跑流程、连各种系统"选 n8n;要"做 AI 对话应用/知识库"选 Dify;两者可通过 API/Webhook 配合。(来源)

Q4:接 DeepSeek 还是 Qwen? DeepSeek 有 n8n 原生节点、配置最省事、价格低、工具调用兼容性好,日常自动化我首选它;Qwen 走 OpenAI 兼容 base URL 接入,生态成熟。具体能力差异见 国产大模型横评。

---

想系统学"用 AI Agent 从零做出能跑的真实项目"(不止搭个工作流,而是完整工程化),我把方法整理成了课程:

点此了解并立即订阅 →

本文涉及的版本与功能以官方最新为准。文中耗时/成本均为我本机实测示意,以你的环境与账单为准。喵