n8n 详解：Agent 开发者的 AI 工作流自动化平台
n8n 是什么、它的 70+ AI 节点如何赋能 Agent 工作流，以及 2026 年何时选它而不是 Dify 或代码方案。
TL;DR — n8n 是开源工作流自动化平台，400+ 集成和 70+ AI 节点。理解为”可自托管的 AI 原生 Zapier”。可视化建流程、对接任何 SaaS 或 API、加 LLM/Agent 节点、需要时写自定义代码，任何量级零执行费。对于需要 Agent 和真实世界交互（CRM、数据库、消息应用、文件系统）的 builder，n8n 是连接组织。
n8n 是什么
n8n 是 fair-code 工作流自动化平台。从开源 Zapier 替代品起步，演变为”AI 工作流自动化平台”——自带 LLM、向量数据库、embedding、记忆、Agent、工具调用等专用节点。
关键数据：
| 指标 | 数值 |
|---|---|
| GitHub stars | 70K+ |
| OpenRank（2026年5月） | 225.55 |
| 活跃贡献者 | 162 |
| 集成数 | 400+ 应用节点 |
| AI 专用节点 | 70+ |
| 许可证 | Fair-code（源码可见，免费自托管） |
“Fair-code” 意味着：自托管免费、商业使用免费、源码可见，但不能把它当托管服务转卖。对大多数 Agent builder 来说这和开源没区别。
Agent 开发者为什么关注 n8n
n8n 填的缺口：你的 Agent 能推理和生成，但它需要在真实世界做事。发 Slack 消息、更新 Jira ticket、写 Google Sheet、查 Postgres 数据库、触发部署、发邮件。
你可以在 Agent 代码里用自定义 API 调用接这些。或者用 n8n 作为执行层，让 Agent 的决策在几百个服务上变成真实操作。
这个我也抗拒过一阵——总觉得 Agent 代码要是靠一个工作流工具来做集成，就显得不够”正经”。后来我把自己在三个项目里反复写、反复重写 Slack、Jira、Google Sheets API 封装的时间加起来，每个还各有各的认证怪癖和重试逻辑，抗拒就消失了。Agent 推理才是有意思的部分。那 400 个集成是我本来就不该手搓的管道。
┌──────────────────────────────────────────────┐
│ AI Agent（规划 + 推理） │
│ - 决定做什么 │
├──────────────────────────────────────────────┤
│ n8n 工作流（执行 + 集成） │
│ - 跨 400+ 服务真正做出来 │
│ - 处理认证、重试、错误路径 │
├──────────────────────────────────────────────┤
│ 外部世界 │
│ Slack, Jira, GitHub, 数据库, API, 邮件... │
└──────────────────────────────────────────────┘AI Agent 节点
n8n 的 AI Agent 节点是传统工作流自动化和 agentic AI 的桥梁：
- 接收任务描述
- 连接 LLM（OpenAI、Anthropic、本地模型通过 OpenAI 兼容端点）
- 获取工具访问（其他 n8n 节点作为可调用工具）
- 推理完成任务，按需调用工具
- 返回结果给工作流
这意味着 n8n 的所有 400+ 集成都可以变成 AI Agent 的工具。“搜索 Slack 频道”、“查数据库”、“创建 GitHub issue”——这些成为 Agent 可以使用的工具，不用写供应商 SDK。
n8n vs Dify：不同的工作
这个对比反复出现。简短回答：它们为重叠的受众解决不同的问题。
| 维度 | n8n | Dify |
|---|---|---|
| 核心定位 | 带 AI 的工作流自动化平台 | 带工作流的 AI Agent 平台 |
| 强项 | 连接 400+ 服务 | LLM/RAG/Agent 原生体验 |
| AI 是… | 众多能力之一 | 主要焦点 |
| RAG | 靠集成（Pinecone、Qdrant 节点） | 内置一等公民 |
| 非 AI 自动化 | 优秀（本来就是干这个的） | 不是重点 |
| 触发类型 | Webhook、cron、应用事件、手动 | API 调用、对话 |
| 最适合 | ”我的 Agent 需要和 20 个服务交互" | "我在建 AI 原生产品” |
选 n8n：Agent 的价值来自连接多个外部服务——AI 是大脑，n8n 是手。
选 Dify：你在建 AI 优先的产品，Agent 交互本身就是产品——聊天机器人、知识库、RAG 应用。
两个都用：需要 Dify 的 Agent 设计 + n8n 的集成广度。Dify 可以通过 webhook 调 n8n 执行外部操作。
Agent 工作流的关键功能
Webhook 触发 — Agent 通过 HTTP 触发 n8n 工作流。Agent 决定”发 Slack 总结” → 调 n8n webhook → n8n 执行多步流程（查数据库、格式化消息、发 Slack、记录操作）。
错误处理和重试 — 生产 Agent 工作流会失败。API 超时、打到 rate limit、认证 token 过期。n8n 内置重试逻辑、错误分支和降级路径。
凭证管理 — 集中加密的凭证存储。Agent 不需要知道 Slack token 或数据库密码——n8n 管理并在执行集成时使用。
自定义代码节点 — 没有现成集成时，放一个 JavaScript 或 Python 节点。完整访问 npm/pip 包。
子工作流 — 把工作流组合成可复用模块。“发通知”子工作流可以从任何父工作流调用。
Human-in-the-loop — 暂停工作流执行，等人类审批（表单、邮件或 Slack），然后继续。对需要监督才能执行的 Agent 操作至关重要。
AI Agent 节点的能力边界
AI Agent 节点确实有用，但知道它在哪里不再是正确工具很重要——因为 demo 让它看起来比处理复杂 Agent 时更强。
**它是单循环 ReAct agent，不是编排器。**节点跑一个推理循环：思考 → 调工具 → 观察 → 重复 → 回答。这对”查一下客户，起草回复”完美。对”在 30 个源头研究、综合、写报告”是错的——那需要子任务分解和多个协调的 Agent，节点做不到。那种情况你会用 LangGraph 或 DeerFlow，让它调 n8n 做集成步骤。
**循环迭代难以约束。**Agent 卡住时（一直调同一个工具，永不收敛），n8n 的单节点超时是你主要的护栏。没有代码框架那样原生的”最多 5 个推理步然后停”。调试 Agent 为什么循环需要逐节点翻执行日志——擅长构建的可视化画布在调试失控循环时没那么好用。
**token 成本到账单来了才可见。**n8n 不像专用网关那样在 UI 里显示每次执行的 LLM 成本。一个重试工具调用的 Agent 节点能悄悄把你以为便宜的工作流的 token 花费翻 5 倍。配上 LiteLLM 这样按虚拟 key 追踪成本的网关，给每个工作流自己的 key。
**执行之间的状态是你自己的问题。**每次工作流执行基本无状态。Agent 需要跨独立触发记住上下文时，你自己接数据库或向量存储节点。n8n 给你零件，不是托管记忆层。
这些都不是致命伤——是工具的边界。有界的、集成密集的任务用 AI Agent 节点。推理复杂度是难点时上真正的 Agent 框架。
自托管和成本
n8n 对 Agent builder 最强的卖点之一：零执行费。
Zapier 按”任务”（每个节点执行）收费。高量级——Agent 会快速产生——这很贵。Agent 每天跑 50 个工作流，每个 10 节点 = 500 任务/天 = 15,000/月。在 Zapier 定价下是几百美元。
n8n 自托管：$5/月 VPS 上无限执行。经济优势随 Agent 活跃量线性增长。但注意那个星号：“无限”指的是工作流执行，不是 LLM token。n8n 执行免费；里面的 Claude 或 GPT-4o 调用不免费。对 Agent 密集的工作流，你真正的成本是 token，那里网关级成本追踪比 n8n 省的钱更重要。
# Docker 自托管
docker run -d \
--name n8n \
-p 5678:5678 \
-v n8n_data:/home/node/.n8n \
n8nio/n8nFAQ
n8n 能替代我的 Agent 框架吗？
部分可以。AI Agent 节点能处理直观的 Agent 任务（带工具的单循环推理）。但复杂的多 Agent 编排、长周期规划或 coding agent，你还是需要专用 Agent 框架，让它触发 n8n 做集成。
n8n 支持本地/自托管模型吗？
支持。任何 OpenAI 兼容端点都行——指向你的 vLLM 或 SGLang 实例。也原生支持 Ollama。
n8n 怎么处理 Agent 记忆？
AI Agent 节点支持窗口缓冲记忆（最近 N 条消息）、向量存储记忆（RAG 风格）和通过连接节点的自定义记忆。持久化跨会话记忆可以连向量数据库节点。
适合生产吗？
是的，有注意事项。数千家公司在生产中运行。主要扩展顾虑是工作流引擎本身——非常高的并发（数千个同时工作流）需要仔细的资源分配。典型 Agent 工作负载（几十到几百并发），单实例就够。
能把 n8n 当 MCP server 给 Agent 用吗？
原生还不行，但社区做了 MCP-to-n8n 桥接。更常见的模式是：Agent 通过 webhook 调 n8n，n8n 执行集成工作流，返回结果。
核心要点
- n8n 是 400+ 集成 + 70+ AI 节点的工作流自动化平台，可自托管，零执行费。
- 对 Agent builder 来说，它解决”最后一公里”：Agent 推理，n8n 执行跨真实世界服务的操作。
- AI Agent 节点把任何 n8n 集成变成 Agent 工具——不需要 SDK 集成工作。
- Agent 价值来自广泛服务集成时选 n8n，来自 AI 原生产品体验时选 Dify。两者可以搭配用。
- 自托管让高量级 Agent 工作流在经济上可行——按执行收费的 SaaS 在这个量级会变得很贵。
