MCP

n8n:用視覺化畫布和自訂程式碼搭建工作流與 AI 代理

適合在自託管環境用視覺化畫布加自訂程式碼搭建工作流和 AI 代理,但第一次使用前必須先裝好 Docker 並了解其 fair-code 授權對商用情境的限制。

官方來源 · n8n-io/n8n

安裝

curl -fsSL https://get.n8n.io | sh

適合誰

  • 適合想在自託管環境裡搭建工作流自動化和 AI 代理的團隊:用視覺化畫布編排流程,需要時在節點裡寫 JavaScript、Python 或引入 npm 套件,並接入 OpenAI、Anthropic、Google 或開源模型。
  • 適合希望同時保留圖形化搭建和程式碼靈活性的使用者,官方描述中整合了 400+ 集成。
  • 不適合的情況:n8n 採用 Sustainable Use License 和 n8n Enterprise License 的 fair-code 發行方式,不是傳統意義上的完全開源授權;如果你的使用情境對授權條款有硬性要求,需要先自行確認條款是否允許。
  • 官方明確建議透過 Docker 執行,沒有 Docker 環境時第一次嘗試會受阻;除此之外其他執行方式的官方前提在本次證據中未說明。

3 分鐘完成第一次嘗試

建議的主路徑是官方 README 提供的安裝指令碼(需要本機已安裝 Docker):

curl -fsSL https://get.n8n.io | sh
  1. 前提:確認 Docker 已安裝並能執行。
  2. 執行上面的官方安裝指令碼。
  3. 如果你想手動控制資料位置,官方也提供了 Docker 手動方式:先用 docker volume create n8n_data 建立卷,再按官方說明執行 docker.n8n.io/n8nio/n8n 映像並對應連接埠 5678,在瀏覽器開啟 http://localhost:5678 存取編輯器。注意這屬於本地部署設定,涉及在本地建立卷和執行容器,不是唯讀操作;確切的完整 docker run 參數請以官方 README 原文為準。
  4. 能看到編輯器介面即為第一次嘗試成功的訊號。

首次建議先在編輯器裡做低風險操作:瀏覽介面、查看可用整合和節點類型。真正執行會連接外部服務或寫入資料的動作之前,先確認節點行為,因為本證據未包含各節點的讀寫性質說明。

使用案例

案例一:搭建一條 AI 工作流。在 http://localhost:5678 的視覺化畫布上建立工作流,插入使用 JavaScript 或 Python 的程式碼節點,並接入 OpenAI、Anthropic、Google 或開源模型。可期待的結果:官方描述支援「視覺化搭建 + 自訂程式碼」的組合;具體某個模型節點的參數設定在本次證據中沒有逐字說明,能確認到的邊界是平台原生具備 AI 能力和這些模型的接入能力。

案例二:自託管部署驗證。用 docker volume create n8n_data 建立資料卷,按官方 README 的手動 Docker 部署步驟執行映像並存取 http://localhost:5678 驗證編輯器可用。可期待的結果:n8n 在本地 Docker 中執行,資料卷 n8n_data 已建立;工作流執行會產生本地狀態寫入,刪除卷或容器的影響在本次證據中未說明,操作前請自行確認。

使用邊界

  • 讀寫性質:n8n 編輯器和工作流執行會觸發外部服務呼叫和本地資料寫入(如資料卷),首次嘗試應停留在瀏覽和查看層面,真正執行前明確每個節點會做什麼。
  • 憑證要求:官方證據未說明首次啟動是否強制註冊帳號或信箱,未知資訊不要自行假設。
  • 授權限制:fair-code,Sustainable Use License + n8n Enterprise License,商用或散布前需核對授權條款。
  • 尚未確認:各具體節點的唯讀/寫行為、復原路徑、資料隱私邊界,以及除 Docker 外其他安裝方式的官方前提,這些在本次證據中均未說明,不代表沒有風險。