n8n零基础入门教程：工作流搭建与核心节点详解

什么是n8n？为什么值得学习

n8n（发音为"n-eight-n"，全称 nodemation）是一款开源的自动化工作流平台，诞生于2019年，由德国工程师 Jan Oberhauser 创建。用户可以通过可视化拖拽的方式，将不同的应用、API 和数据处理逻辑串联起来，轻松实现自动化操作。与 Zapier、Make（原 Integromat）等纯 SaaS 平台相比，n8n 最大的优势在于支持本地部署和自托管，同时也提供云端版本供快速上手。

值得了解的是，工作流自动化平台的兴起源于企业数字化转型中「集成碎片化 SaaS 工具」的迫切需求。Zapier 于2011年率先将这一模式商业化，随后 Make（原 Integromat）、Tray.io 等平台相继涌现，形成了一个年规模超过60亿美元的市场。n8n 的差异化路径在于以开发者为核心用户群，通过自托管能力和代码节点打破了纯无代码平台的能力天花板——这也是它在技术社区中迅速积累超过40万 GitHub Star 的根本原因。

n8n 采用「公平代码」（Fair-code）许可证，源代码完全公开，用户可以在自己的服务器上免费部署。Fair-code 是一种介于开源与商业软件之间的新型许可模式，与 MIT、Apache 等传统开源许可证不同，它允许任何人查看、修改和自托管代码，但限制了将软件作为托管服务进行商业销售的权利——这意味着你不能直接基于 n8n 代码搭建一个与官方竞争的 SaaS 平台。这一设计解决了开源项目的可持续发展困境：既保持代码透明和社区活跃，又保护了核心商业模式。这一特性对于有数据隐私需求的企业和开发者尤为重要——敏感数据不必经过第三方服务器，所有处理逻辑都在自己可控的环境中运行，这也是它区别于同类商业产品的核心竞争力。

对于零基础用户来说，n8n 的学习曲线相对友好。官方模板库已有 3000+ 个现成模板，涵盖营销、内容创作、社交媒体管理、数据爬虫等多个领域。这些模板本身就是一个庞大的学习资源库，同时也是一个潜在的变现渠道——你可以将自己搭建的优质工作流上传到官方模板市场进行收费销售。

注册与界面概览

注册流程

除了云端版本，n8n 也支持通过 Docker 进行本地部署。Docker 是一种容器化技术，可以将应用程序及其所有依赖打包成一个独立的「容器」，在任何安装了 Docker 的机器上一键运行，无需担心环境配置问题。容器化技术的核心价值在于「环境一致性」——开发者在本地测试通过的容器镜像，可以无差异地部署到任何云服务器或物理机上，彻底解决了传统部署中「在我机器上能跑」的经典困境。Docker 底层依赖 Linux 内核的 Namespace（命名空间隔离）和 Cgroups（资源限制）机制，相比虚拟机方案，容器共享宿主机内核，启动速度快、资源开销小，是现代 DevOps 和微服务架构的基础设施标配。

从技术架构角度看，n8n 基于 Node.js 构建，采用前后端分离架构，前端使用 Vue.js 框架实现可视化画布，后端通过 TypeScript 编写核心引擎。Node.js 是基于 Chrome V8 引擎的 JavaScript 运行时，其事件驱动、非阻塞 I/O 的特性使其在处理大量并发 Webhook 请求和 API 调用时表现出色，非常契合工作流自动化平台的使用场景。所谓「非阻塞 I/O」，是指当程序发起一个网络请求或文件读写时，不会停下来等待结果返回，而是继续处理其他任务，等结果就绪后再通过回调函数处理——这与传统的多线程并发模型不同，Node.js 用单线程事件循环（Event Loop）替代了多线程切换的开销，在 I/O 密集型场景（如大量 API 调用）下效率极高。这一技术选型使其在自托管场景下资源占用极低——一台1核1GB内存的 VPS 即可流畅运行完整实例。

值得一提的是，n8n 的节点生态采用了类似 VSCode 插件市场的扩展机制。除官方维护的400+原生集成节点外，社区开发者可以通过 npm 包的形式发布自定义节点，用户只需在设置中填入包名即可安装。这种「核心引擎 + 插件生态」的架构设计，使 n8n 的集成能力边界随社区贡献持续扩展，而无需等待官方支持——这与 Zapier 等闭源平台形成了鲜明对比，后者的集成列表完全由平台方控制，第三方开发者无法自主发布新的连接器。

对于 n8n 来说，Docker 部署意味着你可以在自己的 VPS（虚拟私有服务器）、NAS 设备或本地电脑上运行完整的 n8n 实例，数据完全存储在本地，且没有工作流执行次数限制，长期使用成本极低。两种方式进入后的界面基本一致。

主界面结构

进入 n8n 后，左侧导航栏包含以下几个核心区域：

Overview：工作流总览页面，查看和管理所有已创建的工作流
Personal：个人工作流空间
Shared：他人共享的工作流
Templates：跳转到官方模板库，可按营销、AI、社交媒体等分类搜索
Executions：全局执行记录，查看所有工作流的运行状态

n8n工作流界面概览

创建新工作流有两种方式：点击左侧的加号按钮，或在 Overview 页面右上角点击「Create Workflow」。

核心节点体系详解

n8n 的工作流由一系列「节点」组成，每个节点负责一个特定功能。理解节点体系是掌握 n8n 的关键所在。

触发节点（Trigger）

工作流的第一个节点必须是触发节点，它决定了工作流何时启动。常见的触发方式包括：

手动点击触发：最基础的方式，点击按钮即执行
定时触发：按设定的时间间隔自动执行。n8n 的定时触发底层采用 Cron 表达式——这是 Unix 系统中沿用数十年的任务调度语法，通过五个字段（分钟、小时、日期、月份、星期）的组合描述任意复杂的时间规律，例如「每周一至周五早上9点」或「每月最后一天午夜」，n8n 的可视化界面将这一语法封装为友好的下拉选项，无需手写表达式
App 事件触发：当某个外部应用发生特定事件时触发
Webhook 触发：接收外部 HTTP 请求时触发。Webhook 是现代 Web 应用之间实时通信的核心机制，本质上是一个「反向 API」——传统 API 是主动轮询（你去问服务器有没有新数据），而 Webhook 是事件驱动（有新数据时服务器主动推送给你）。从网络协议层面看，Webhook 本质上是一个标准的 HTTP POST 请求，外部系统在事件发生时向预先注册的 URL 发送包含事件数据的 JSON 负载。这种「推送优于轮询」的设计极大降低了系统资源消耗——传统轮询方式每隔几秒发起一次请求，即使没有新数据也会产生大量无效流量，而 Webhook 只在真正有事件时才触发一次请求。n8n 的 Webhook 触发节点会生成一个唯一的 URL 地址，当外部系统向这个 URL 发送 HTTP 请求时，工作流立即被激活，广泛用于接收支付通知、代码提交事件、表单数据等实时场景
表单触发：用户提交表单后触发

AI 节点

n8n 对 AI 能力的集成非常丰富，核心的 AI 节点包括：

AI Agent（智能体）：n8n 中最具扩展性的 AI 组件，底层基于 ReAct（Reasoning + Acting）框架。ReAct 是由谷歌研究院于2022年提出的大模型推理框架，核心思想是让模型在「思考」和「行动」之间交替迭代：先推理（Thought）需要做什么，再执行（Action）调用工具，观察（Observation）结果后继续推理，直到得出最终答案。这一框架的突破性意义在于将大模型从「被动问答」升级为「主动决策」——模型不再只是生成文本，而是能够像人类一样分解复杂任务、选择合适工具、根据反馈调整策略。

值得注意的是，ReAct 框架的有效运作依赖于模型的「工具调用」（Function Calling）能力，这一能力由 OpenAI 于2023年在 GPT-4 中率先规模化落地，允许开发者预先定义一组工具的名称、描述和参数结构，模型在推理时会自主判断是否需要调用工具以及传入哪些参数，而非生成自由文本——这种结构化输出机制是 Agent 可靠执行复杂任务的技术基础。与普通的大模型调用不同，Agent 具备「工具调用」能力：它会根据用户指令自主决定调用哪些外部工具（如搜索引擎、数据库查询、API 请求），执行后将结果反馈给模型，模型再决定下一步行动，如此循环直到完成任务。你可以为 Agent 挂载记忆模块（Memory）保持对话上下文，挂载向量数据库作为知识库，以及挂载各类工具节点扩展其能力边界。

在实际工程落地中，n8n 的 AI Agent 节点还支持「子 Agent」模式——一个主 Agent 可以将子任务委派给专门的子 Agent 处理，形成多智能体协作（Multi-Agent）架构。这种分工模式在处理复杂业务流程时尤为有效：例如一个内容生产工作流中，主 Agent 负责任务调度，搜索子 Agent 负责资料收集，写作子 Agent 负责内容生成，审核子 Agent 负责质量把关，各司其职的同时通过主 Agent 协调输出，整体效果远优于单一 Agent 独自处理所有环节。

向量数据库是专为存储和检索高维向量数据设计的数据库系统，是构建 RAG（检索增强生成）应用的核心基础设施。RAG 由 Meta AI 研究院于2020年提出，其核心价值在于解决大模型的「知识截止」和「幻觉」问题——通过在推理时动态检索外部知识库，将私有文档、实时数据注入模型上下文，使模型能够基于最新、最准确的信息生成回答，而无需昂贵的模型微调。具体实现上，文本通过嵌入模型（Embedding Model）转换为数百维的数值向量存储于向量数据库，查询时通过余弦相似度等算法检索语义最相近的内容片段，再将这些片段作为上下文注入给大模型，使 Agent 能够基于私有知识库进行精准问答。所谓「嵌入模型」，是专门将文本映射为稠密数值向量的神经网络模型（如 OpenAI 的 text-embedding-ada-002 或开源的 BGE 系列），其核心特性是语义相近的文本在向量空间中距离更近——「苹果手机」和「iPhone」的向量距离，远小于「苹果手机」和「香蕉」的向量距离，这使得基于向量相似度的语义检索远比传统关键词匹配更智能。常见的向量数据库包括 Pinecone、Weaviate、Qdrant 和 Chroma，n8n 对这些主流向量数据库均提供了原生集成节点，可直接在工作流中完成文档入库和语义检索操作。
OpenAI 等大模型节点：直接调用主流大模型的 API
Basic LLM Chain：基础的大模型调用链路，适合单次问答场景

数据处理节点

搭建工作流不可避免地需要进行数据处理，这部分节点的使用频率极高：

Code 节点：支持运行 JavaScript 和 Python 代码（n8n 对 JavaScript 的支持更好）
Set 节点：设置或修改工作流中的变量
Filter 节点：对数据进行条件过滤
Limit 节点：限制数据条数，调试时特别有用
Date/Time 节点：处理日期和时间相关逻辑

代码节点支持JavaScript和Python

即使是零代码基础的用户也不必担心 Code 节点。现在完全可以借助 AI 帮你编写具体功能的代码片段，复制粘贴到节点中即可运行。值得注意的是，n8n 的 Code 节点在处理数据时遵循其特有的「Items（条目）」数据模型——工作流中流转的数据始终是一个 JSON 对象数组，每个对象称为一个 Item。JSON（JavaScript Object Notation）是目前互联网上最通用的数据交换格式，以键值对的形式组织数据，具备人类可读性强、解析效率高的特点，几乎所有现代 API 都以 JSON 作为数据传输格式。理解 n8n 的 Items 数据模型意味着：当上游节点返回10条记录时，下游 Code 节点接收到的是一个包含10个 JSON 对象的数组，你可以选择对整个数组统一处理（Run Once for All Items），也可以让节点对每条记录独立执行（Run Once for Each Item），这一数据结构是编写正确代码逻辑的前提。

在实际使用中，Code 节点还内置了对 n8n 内置变量和辅助函数的访问能力。例如，$now 返回当前时间戳，$items() 获取指定节点的输出数据，$env 访问环境变量中的敏感配置。这些内置工具使得 Code 节点不仅是一个代码执行器，更是工作流数据流的灵活调度中枢——你可以在节点内跨越工作流的任意位置读取数据，实现复杂的数据聚合与转换逻辑，而无需在节点之间建立繁琐的连线关系。

流程控制节点

流程控制节点决定了工作流的执行逻辑走向：

IF/Switch：条件判断，满足条件才继续执行
Loop：在工作流中创建循环
Merge：合并不同分支的执行结果
Filter：过滤掉不需要的数据

流程控制节点示意

HTTP Request 节点

这是一个极其重要的节点，其核心是对 REST API 的调用。REST（Representational State Transfer）是目前互联网上最主流的 API 设计规范，由 Roy Fielding 在其2000年的博士论文中提出，几乎所有现代 Web 平台都提供 REST API 接口。REST 的核心约束是「无状态性」——每次请求都携带完整的上下文信息，服务器不保存客户端状态，这使得 API 具备极强的可扩展性和可缓存性。除 REST 外，部分平台还采用 GraphQL（由 Facebook 于2015年开源的查询语言，允许客户端精确指定所需字段，避免数据过度获取）或 gRPC（Google 开发的高性能 RPC 框架，基于 Protocol Buffers 序列化，常用于微服务内部通信）等协议，但 REST 仍是公开 API 的绝对主流。该节点支持 GET（获取数据）、POST（提交数据）、PUT/PATCH（更新数据）、DELETE（删除数据）等标准 HTTP 方法，并支持设置请求头（Headers）、查询参数（Query Parameters）和请求体（Body）。

在使用 HTTP Request 节点对接第三方 API 时，理解「速率限制」（Rate Limiting）机制至关重要。绝大多数公开 API 都会对调用频率设置上限，例如 Twitter API 免费层每15分钟最多允许15次请求，超出后会返回 429（Too Many Requests）错误。n8n 提供了两种应对策略：一是在 HTTP Request 节点中开启「重试」选项，遇到限流错误时自动等待后重试；二是在 Loop 节点中配合 Wait 节点主动控制请求节奏，在每次循环间插入固定延迟，从源头避免触发限流。对于需要大批量调用 API 的工作流（如批量获取用户数据、批量发送通知），提前了解目标平台的速率限制策略并设计相应的节流逻辑，是保证工作流稳定运行的关键。

虽然 n8n 已经集成了大量第三方平台的专用节点，但不可能覆盖所有平台。对于尚未提供专用节点的平台，可以通过 HTTP Request 节点填入对应的 API 地址进行连接。掌握这个节点意味着你可以对接任何提供 API 文档的平台，将 n8n 的能力边界无限延伸，是后续进阶学习的重点。

第一个工作流实战：打卡内容生成

搭建步骤

下面以一个简单的「打卡内容生成」工作流为例，演示完整的搭建过程：

创建触发节点：点击加号，选择手动触发（Manual Trigger）
添加 Code 节点：再次点击加号，搜索并拖入 Code 节点
配置 Code 节点：选择运行模式（单次运行或逐项运行），选择编程语言，粘贴代码
执行测试：点击节点上的执行按钮，查看输出结果

每个节点都可以独立执行和调试，执行成功会显示绿色勾号，失败则显示红色叉号。这种逐节点调试的能力是 n8n 相比纯代码方案的一大优势——在传统脚本开发中，定位一个中间步骤的数据问题往往需要插入大量 console.log 语句，而 n8n 的可视化调试让每个节点的输入输出数据一目了然。

输出与保存

如果需要将结果保存为文件，可以继续添加后续节点：

Convert to File 节点：将数据转换为 CSV、HTML 等格式，通过拖拽选择要输出的字段
Read/Write File 节点：将文件写入指定路径

n8n 的操作大量依赖拖拽——输入在左侧显示，输出在右侧显示，中间是配置区域。字段映射只需将左侧的变量拖拽到右侧的输入框即可完成。

API认证：连接外部平台的关键

要让工作流真正发挥价值，通常需要连接外部平台（如 Telegram、Twitter、Google 等）。这里涉及一个核心概念：API 认证（Credentials）。

n8n 的凭证管理系统采用加密存储机制，所有 API Key、Token 等敏感信息在数据库中以 AES-256 加密形式保存，而非明文存储。AES-256（高级加密标准，256位密钥长度）是目前业界公认的对称加密黄金标准，被美国国家安全局批准用于保护最高机密级别的信息，在当前计算能力下暴力破解所需时间远超宇宙年龄。凭证与工作流逻辑分离，同一份凭证可被多个工作流复用，且在工作流导出/分享时凭证信息不会随之导出，有效防止密钥泄露。常见的认证方式包括：

API Key：最简单的认证方式，直接在请求头中携带密钥，适合大多数开放平台
OAuth 2.0：目前互联网上最广泛使用的授权框架，由 IETF 于2012年发布为 RFC 6749 标准。它解决了一个核心安全问题：如何让第三方应用（如 n8n）访问用户在某平台（如 Google）的数据，而无需用户将账号密码直接交给第三方。整个流程通过「授权码」和「访问令牌」的交换机制完成，用户只需在目标平台的官方页面点击授权，平台颁发一个有时效性的 Token 给第三方应用使用。OAuth 2.0 定义了四种授权模式（授权码模式、隐式模式、密码模式、客户端凭证模式），n8n 主要使用安全性最高的授权码模式（Authorization Code Flow）。在这一流程中，用户的实际密码始终只存在于目标平台，n8n 仅持有一个权限受限、可随时撤销的访问令牌（Access Token），即使令牌泄露，攻击者也只能在权限范围内操作，且用户可以在平台设置中一键撤销授权。相比直接使用 API Key，OAuth 2.0 的权限可精细控制（只授权读取权限而非完整账户权限），且 Token 过期后可自动刷新，安全性更高，广泛用于 Google、Twitter 等主流平台
Basic Auth：用户名+密码的 Base64 编码方式，适合内部系统或遗留平台。需要注意的是，Base64 是编码而非加密，在未使用 HTTPS 的情况下 Basic Auth 凭证可被轻易截获，因此现代系统中仅推荐在 HTTPS 环境下使用

每个外部平台的接入都需要完成以下步骤：

在该平台的开发者后台申请 API Key 或 Token
将认证信息添加到 n8n 的全局凭证管理中
在工作流节点中选择对应的凭证

工作流中的模型和参数选择

认证信息是全局性的，配置一次后可在任何工作流中复用。前期的准备工作虽然繁琐，但属于一劳永逸的操作。

使用建议与注意事项

及时保存工作流

n8n 没有自动保存功能。如果电脑崩溃或浏览器意外关闭，未保存的工作流将无法恢复。建议每搭建一段时间就手动点击保存按钮。对于复杂工作流，还可以利用 n8n 的版本历史功能（云端版本提供）定期创建快照，方便在误操作后回滚到之前的稳定版本。

善用执行记录排查问题

每次工作流执行都会在 Executions 页面留下记录，包括每个节点的输入输出和执行状态。对于定时任务来说，这个功能尤为重要——你可以回溯查看哪个环节失败以及具体的错误原因。n8n 的执行记录默认保留最近的执行数据，在自托管版本中可通过环境变量 EXECUTIONS_DATA_MAX_AGE 配置保留时长，避免数据库因日志积累过大影响性能。

n8n 默认使用 SQLite 作为嵌入式数据库存储工作流定义和执行记录，SQLite 是一种无需独立服务器进程、将整个数据库存储为单一文件的轻量级关系型数据库，非常适合单机部署场景；对于高并发生产环境，官方建议切换至 PostgreSQL 以获得更好的并发写入性能和数据可靠性，PostgreSQL 支持多进程并发写入、行级锁和 WAL（预写式日志）等企业级特性，是目前最受开发者青睐的开源关系型数据库之一。

在生产环境的自托管部署中，还有一个常被忽视的关键实践：为 n8n 配置外部消息队列（如 Redis）以启用「队列模式」（Queue Mode）。在默认的「主进程模式」下，工作流的触发和执行都在同一个 Node.js 进程中完成，当多个工作流同时触发时可能产生资源竞争。而队列模式将触发器（Main Process）和执行器（Worker Process）解耦，触发器将待执行任务写入 Redis 队列，多个 Worker 进程从队列中取任务并行执行，不仅提升了吞吐量，还实现了任务的持久化——即使 Worker 进程崩溃，未完成的任务也不会丢失，重启后会自动从队列中恢复执行。这对于需要处理大量并发 Webhook 请求或定时任务的生产场景至关重要。

界面操作技巧

工作流变复杂后，点击「整理布局」按钮可自动排列节点
使用 Ctrl + 滚轮可缩放画布
节点之间通过连线表示数据流向，拖拽即可建立连接
按住 Shift 键可多选节点，便于批量移动或复制整个子流程

总结

n8n 作为一款兼具灵活性和易用性的开源自动化工作流平台，核心价值在于将复杂的 API 调用、数据处理和流程控制封装成可视化节点。掌握触发节点、AI 节点、数据处理节点、流程控制节点和 HTTP Request 节点这五大类别，就能搭建出覆盖绝大多数场景的自动化工作流。

对于零基础用户，建议从最简单的手动触发 + Code 节点开始，逐步引入更多节点类型，循序渐进地构建自己的自动化能力。随着对节点体系的熟悉，你会发现 n8n 真正的威力在于「组合」——将 AI 推理能力、实时 Webhook 响应、REST API 调用和条件流程控制自由组合，可以构建出远超单一工具能力边界的复杂自动化系统。