把客服工单自动分类、把合同文档自动摘要、把监控告警自动关联上下文——这些任务如果靠人工在多个系统间切换操作，不仅浪费时间，还容易因漏看消息造成业务延误。n8n 作为一款开源工作流自动化工具，提供了丰富的触发器、逻辑判断和集成节点，而它的 AI 节点家族更是把大模型能力直接嵌入到了流程编排中。你不需要写复杂的胶水代码，只用拖拽节点、填写参数，就能让 AI 参与决策、生成内容、调用外部 API。本文将通过一个完整案例，带你从零搭建一条 AI 驱动的业务流程：从接收数据、调用大模型处理，到根据结果自动执行后续动作。
理解 n8n 与 AI 节点的基本组成
n8n 基于 Node.js 构建，核心概念是工作流（Workflow）。工作流由多个节点（Node）组成，节点之间通过连接线传递 JSON 数据。触发器节点负责启动流程，例如定时器、Webhook、队列消息；处理节点负责执行具体逻辑，包括数据转换、HTTP 请求、条件判断；输出节点负责发送通知或写入外部系统。AI 节点属于处理节点的一种，它封装了与大型语言模型交互的复杂细节，让用户只需要填写提示词和参数就能调用模型能力。
目前 n8n 官方提供了多类 AI 节点，常见的有：OpenAI 节点（支持 Chat、Embeddings、Image 等子类型）、Hugging Face 节点、LangChain 节点（用于构建更复杂的链式逻辑）、以及通过 HTTP Request 节点调用任意兼容 OpenAI 接口的服务（如 Ollama、vLLM、DeepSeek 等）。其中 OpenAI 节点使用最广泛，因为很多第三方模型服务都提供 OpenAI 兼容 API，这意味着你可以用同一个节点切换不同模型供应商，只需修改 Base URL 和 API Key。
部署 n8n 最推荐的方式是使用 Docker Compose，因为它能方便地管理持久化数据和环境变量。下面是一个最小化的 docker-compose.yml 配置示例：
version: '3.8'
services:
n8n:
image: n8nio/n8n
restart: unless-stopped
ports:
- "5678:5678"
environment:
- N8N_BASIC_AUTH_ACTIVE=true
- N8N_BASIC_AUTH_USER=admin
- N8N_BASIC_AUTH_PASSWORD=your-password
- N8N_HOST=localhost
volumes:
- n8n_data:/home/node/.n8n
volumes:
n8n_data:
启动后访问 http://localhost:5678 即可进入编辑器。首次使用需要在设置中配置 AI 服务的 API 凭据，建议使用 n8n 内置的 Credentials 功能，而不是把密钥硬编码在节点参数里。这样密钥会被加密存储，并且可以在多个工作流之间复用，避免泄露风险。
动手搭建：Webhook + AI 节点实现文本分类
假设我们要构建一个用户反馈自动分类系统：前端表单提交一条反馈文本，n8n 接收后调用大模型判断情感倾向（正面、负面、中性）并提取三个关键词，然后根据情感结果把消息发送到不同的 Slack 频道或邮件列表。这个场景能覆盖 AI 工作流的大部分关键操作：触发器、AI 调用、结果解析、条件分流、通知发送。
第一步，创建新工作流并添加一个 Webhook 节点作为触发器。Webhook 节点会生成一个唯一 URL，设置路径为 /feedback，方法选择 POST。当外部系统向这个 URL 发送 JSON 数据时，工作流就会启动，并且数据会被放在节点的输出中。例如发送的数据结构可以是 {"feedback": "你们的售后服务太差了，等了两天都没人回复"}。
第二步，添加一个 OpenAI Chat Model 节点（或者使用 HTTP Request 节点调用任何兼容接口）。在节点参数中，选择之前配置好的凭据，然后设置模型名称（例如 gpt-4o-mini 或你使用的服务商提供的模型）。核心是编写提示词，下面是一个提示词模板示例：
你是一个客服情感分析助手。请分析下面用户反馈的情感倾向（正面/负面/中性），并提取3个关键词。
请严格按JSON格式输出：{"sentiment":"正面","keywords":["关键词1","关键词2","关键词3"]}
用户反馈：{{ $json.body.feedback }}
注意这里使用了 n8n 的表达式语法 {{ $json.body.feedback }}，它会从上游节点获取 feedback 字段的值并插入到提示词中。在节点配置界面，你可以把这段提示词直接粘贴到 Prompt 输入框里。模型返回的内容会是一个文本字符串，我们需要在下一个节点中把它解析成真正的 JSON 对象。
第三步，添加一个 Function 节点（或者 Code 节点）来解析模型输出。模型有时候返回的文本前后可能会有多余的空格或说明文字，直接使用 JSON.parse 可能失败。一个健壮的写法是先用正则提取 JSON 部分，再进行解析。下面给出一个 JavaScript 示例：
// 获取AI节点返回的文本内容
const aiContent = $input.first().json.message.content;
// 尝试提取{}包裹的JSON片段
const match = aiContent.match(/\{[\s\S]*\}/);
let parsed = {};
if (match) {
try {
parsed = JSON.parse(match[0]);
} catch (e) {
parsed = { sentiment: '解析失败', keywords: [] };
}
} else {
parsed = { sentiment: '无有效输出', keywords: [] };
}
// 合并到原始数据中，方便下游节点使用
return [{ json: { ...$input.first().json, ...parsed } }];
第四步，添加一个 IF 节点进行条件分流。IF 节点可以根据表达式的结果决定走哪条分支。在条件设置中，使用表达式 {{ $json.sentiment }} 与字符串“正面”比较，如果相等则进入正面分支，连接到一个 Slack 发送节点；如果等于“负面”，则进入另一个分支，发送告警邮件或高优先级通知；其他情况（如“中性”或解析失败）则进入默认分支，记录到数据库或日志文件。这样一套完整的 AI 自动分类流程就搭好了。
进阶设计：错误处理、条件分支与性能优化
直接跑通示例并不难，但要在生产环境中稳定运行，必须考虑异常情况和资源消耗。n8n 为每个节点都提供了错误处理选项，你可以在节点设置面板中找到“On Error”相关配置，比如开启“Retry On Fail”并设置最大重试次数和重试间隔。对于 AI 节点这种外部 API 调用，网络抖动或服务端限流是很常见的，设置 2-3 次重试能显著提高成功率。
条件分支时，尽量避免在 IF 节点中使用过于复杂的表达式。建议先用 Function 节点把 AI 输出规范化，例如把 sentiment 统一转换成小写的英文标签 positive、negative、neutral，这样条件判断就变得非常简单。同时，你还可以在 Function 节点中做兜底处理：如果解析失败或情感值为空，就落入中性分支，避免整个工作流中断。
性能优化方面，AI 调用通常是最耗时的环节。如果工作流需要处理大量数据，可以考虑使用 Split In Batches 节点把输入数据分批，然后配合 AI 节点并发处理。另外，对于重复出现的相同文本，可以使用缓存节点（如 Redis 节点或 n8n 内置的 Cache 节点）存储之前的 AI 结果，减少重复 API 调用。还有一个关键点是提示词长度控制：模型输出 token 越多，响应越慢、成本越高。在提示词中明确要求“只输出 JSON，不要解释”能有效缩短输出长度。
如果你使用的是本地部署的开源模型（例如通过 Ollama 运行 llama3），可以完全避免外部 API 的延迟和费用。这时你只需要把 OpenAI 节点的 Base URL 改为 http://localhost:11434/v1，API Key 随便填一个非空字符串即可。下面是一个用 HTTP Request 节点调用 Ollama 的请求体示例，它展示了如何在 n8n 表达式中动态插入输入数据：
{
"model": "llama3",
"prompt": "请用一句话总结以下内容：{{ $json.text }}",
"stream": false
}
需要注意的是，不同模型的输出格式可能略有差异，尤其是本地模型对 JSON 指令的遵循度不如商业模型。因此在使用本地模型时，解析逻辑要写得更加宽容，例如允许结果中没有严格的引号或花括号，必要时用正则先清理再解析。
避坑指南与常见问题排查
在实际使用中，有几个高频问题值得提前了解。第一个是 API 密钥泄露。n8n 的工作流可以导出为 JSON 文件，如果密钥硬编码在节点参数里，一旦分享或备份文件就会泄露。务必使用 Credentials 功能，并在导出时注意是否包含敏感信息。第二个是超时问题：默认的 HTTP 请求超时可能只有 30 秒，而某些大模型生成较长文本时需要更久。你需要在 AI 节点或 HTTP Request 节点的高级设置中手动增加超时秒数，例如设置为 120 秒。
第三个是输出格式解析失败。即使提示词里反复强调“只输出 JSON”，模型偶尔还是会在前后加上解释文字，导致 JSON.parse 抛错。除了前文提到的正则提取方案，你还可以使用一些支持结构化输出的模型（如 OpenAI 的 function calling 或 JSON mode），n8n 的 OpenAI 节点也提供了“Response Format”选项，可以直接指定为 JSON Object，从源头降低解析难度。
第四个是速率限制。OpenAI 或大多数云模型服务都有每分钟请求数和 token 限额，如果你的工作流触发频率很高，很容易触发 429 错误。解决办法包括：在 AI 节点前添加一个 Delay 节点控制请求间隔，或者使用队列模式让 n8n 自动排队处理，而不是所有任务同时发起。另外，监控 n8n 的执行日志非常重要，当工作流失败时，点击具体的失败执行记录，可以看到每个节点的输入输出和错误堆栈，这是定位问题的最快途径。
最后提醒一点：n8n 的 AI 节点在不同版本中功能和名称可能有所变化。如果你在社区教程中看到某个节点找不到，大概率是版本差异导致的。建议保持 n8n 更新到最新的稳定版，并参考官方文档中的节点列表。对于复杂场景，可以组合使用多个 AI 节点：先让一个模型做意图识别，再根据意图调用不同的后续节点，这样能把大模型的能力拆解成更可控的小步骤，也更容易调试和维护。