N8n！AI工作流自动化平台

Aphros 收录于玩转NAS 和玩转NAS

2025-07-01 2026-01-09 约 3000 字预计阅读 6 分钟 - 次阅读 - 条评论

第 1 节概述

n8n 是一个非常强大的开源 AI 工作流自动化平台，能够通过拖拽的方式，让各个 AI 工具相互配合，构建复杂的自动化流程，高效处理我们日常遇到的问题。

与 n8n 相关的网址包括：n8n 的官网、官方文档、 Github 页面。

第 2 节软件部署

部署方式包括 Node 部署和 Docker 部署两种，因为 n8n 主要通过调用 AI 工具的 API 来工作（也可以调用本地的 AI 模型），所以本身对于机器性能的要求并不高，即便是 NAS 这种性能比较一般的机器也可以轻松部署。

n8n 默认情况下使用SQLite作为数据库，也可以使用PostgreSQL替换默认的SQLite数据库，本文中使用PostgreSQL数据库来构建，构建前需要自行创建一个名为n8n的数据库。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


docker run -itd --name n8n --restart always \
 -e GENERIC_TIMEZONE="Asia/Shanghai" \
 -e TZ="Asia/Shanghai" \
 -e N8N_SECURE_COOKIE=false \
 -e DB_TYPE=postgresdb \
 -e DB_POSTGRESDB_DATABASE=n8n \
 -e DB_POSTGRESDB_HOST=「HOST」 \
 -e DB_POSTGRESDB_PORT=「PORT」 \
 -e DB_POSTGRESDB_USER=「USER」 \
 -e DB_POSTGRESDB_PASSWORD=「PASSWORD」 \
 -p 5678:5678 \
 -v 「PATH_N8N」:/home/node/.n8n \
 n8nio/n8n:latest

信息

容器内的/home/node/.n8n保存了配置文件，但是镜像没有并非以root用户登录，因为权限问题无法将文件直接写入，导致加上-v 「PATH_N8N」:/home/node/.n8n 后会无法正常运行，可以先构建容器，将里面的文件复制出来，在加上这句话就可以正常运行了。

信息

默认 n8n 使用http协议访问时只能运行在localhost，而使用https协议时不受限，通过设置N8N_SECURE_COOKIE=false可以不遵守这一限制。n8n 放在内网使用时，可以避免在内网进行反向代理，比较方便，也相对安全。而在公网使用时，这样设置容易导致密码和 API Key 的泄露，还是应当申请证书进行反向代理。

第 3 节工作流节点

工作流由一个个节点组成，前一个工作流输出的结果传到下一个工作流中作为输入，构成了复杂的自动化流程。

3.1 触发器节点

工作流的第一个节点是触发器节点，触发器节点定义了工作流在何种情况下被触发，主要触发方式有以下几种：

触发方式大致上就是手动触发、定时触发、事件触发这三种。

3.2 工作节点

工作节点主要是一些获取数据和对数据进行处理的节点。

HTTP 节点

HTTP 节点可以进行 HTTP 请求，可以将前一个节点的输出作为Header或者params中的一部分，自身的response也可以作为下一个节点的输入来使用。

比如，在这样一个逻辑链条中：

上一个节点的输入是JSON数据：

我们可以在请求中将其作为参数传入，比如放在body中：

Field 节点

可以从杂乱无章的JSON数据中提取出我们想要的数据，比如，在这样一个逻辑链条中：

输入数据的格式比较凌乱：

我们可以对数据进行处理：

得到简洁的输出数据：

Merge 节点

Merge节点将左侧的输入按照顺序放到一个列表中，传到右侧，如图：

两个输入，经过Merge以后，变成了单输出，输出上写着2个项目。

信息

2个项目的意思就是，Merge节点右侧接有运算时，左侧之前传入的参数会分2次分别传入到右侧，在右侧进行2次计算，并得到2个结果。

Aggregate 节点

上面提到，Merge节点右侧接有运算时会计算多次，有时候当我们想要将其作为一个整体传到右侧进行计算时，就需要用到Aggregate节点。

信息

输入是json数据，当最外层是列表时，列表的每个元素会计算一次，Aggregate节点就是在列表外套一个对象，将列表中的所有元素放到一个对象中，这样就只计算一次。

Split 节点

Split 节点和上面讲的正好相反，比如当我们左侧的输入是一个当做整体的列表时，右侧有一个「新增单位」的运算，如图：

我们的想法是，列表中的每一个值都要新增，这时候我们就需要用到Split节点。Split节点就是把对象展开成列表。

Code 节点

Code节点上可以运行JS程序或者python程序，因为python程序还在测试阶段，使用体验不是很好，本人建议还是直接写JS程序。

Code节点有2种Mode，分别是Run Once for All Items和Run Once for Each Item，前面那种模式，可以省略掉一个Aggregate节点，因为不管前面有几个项目，都会被当做一个整体一次处理，而后面那种模式会将每个项目单独处理。

两种模式下的语法也有些微不同。

AI 节点

AI 节点是一个很伟大的东西，它提供了一个非常强大的功能，把非结构化、结构未知的数据转成结构化的数据。

左侧传入的是一段食谱文本和一些类别信息：

我们在 AI 节点上写上一些提示词：

1
2
3
4
5


阅读以下食谱文本
{{ $json.data[0].body.text }}
需要对这一食谱进行分类，类别可以有一个或者多个，优先从以下类别中选择
{{ $json.data[1].category }}
如果上述类别不足以描述该食谱，可以使用新的类别，返回一个严格的 JSON 数组。

连接DeepSeek模型和Structured Output Parser，指定输出格式如下：

这样 AI 模型经过运算，就会以我们想要的格式将结果输出。

第 4 节实例

举一个实例来说明，在之前的文章中，我们知晓了Mealie是一款功能强大的食谱管理系统，但是维护其繁杂的数据库是一件辛苦的事情，实在是非常的劝退。

所以，很容易想到，如果使用n8n这样一个自动化平台，若是只需要将食谱的文字部分一股脑的传入进去，平台会调用AI功能自动为我们将文字解析成结构化的数据，并调用 API 接口传入 Mealie，那岂不是非常令人振奋吗！

经过我的不懈努力，最终也是成功实现了这一功能！

4.1 常规参数

一些常规数据，类型为字符串或者数字，使用DeepSeek直接识别。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12


解析以下食谱文本并提取关键信息：

{{ $json.body.text }}

请以JSON格式返回以下字段：
1. name：菜名
2. recipe_servings：几人份（纯数字）
3. recipe_yield_quantity：几人份（纯数字）
4. prep_time：准备时间（如1 小时，数字和中文之间有1个空格）
5. perform_time：烹饪时间（如30 分钟，数字和中文之间有1个空格）
6. total_time：总时间（如30 分钟，数字和中文之间有1个空格）
7. description：菜品描述（1-2句话）

4.2 营养参数

营养参数让DeepSeek根据食谱的配料自己估算。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17


分析以下食谱文本并精确估算营养数据：

{{ $json.body.text }}

要求：
1. 输出标准JSON格式的营养信息
2. 所有数值必须为具体数字（整数或小数），禁止使用范围
3. 基于常见食材营养数据估算，保持合理比例
4. 单位严格按以下要求：
   - 能量：千卡(kcal)
   - 重量：克(g)
   - 钠/胆固醇：毫克(mg)
注意：
1. 所有字段必须存在，无数据时填0
2. 数值需符合膳食常识（如蛋白质≈总热量15-20%）
3. 脂肪类总和不超过fat_content
4. 优先考虑主要食材的营养贡献

4.3 烹制方法

让 AI 自动分析文本，总结归纳。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12


阅读并分析以下食谱文本：

{{ $json.body.text }}

提取烹饪步骤并以JSON格式输出，要求：
1. 使用数组表示步骤，每个步骤包含：
   - text：步骤详细说明
   - summary：步骤简要概括
   - title：仅当几个相似步骤的第一个显示概括标题，其余留空
   - ingredient_references：保持空数组
2. 对连续相似步骤进行分组，只在第一个步骤设置title
3. 保持输出简洁规范

4.4 效果

其他部分涉及到了许多的逻辑运算和JS脚本，处理方式相对比较传统，按照调用各种 API 的逻辑顺序依次调用，即可实现。