韩

Posted on Jun 13

n8n 的 5 个隐藏用法，19.2 万 Star 的自部署 AI 工作流栈里没人讲的能力

在 2025 年，一个工作流自动化平台拿到了 1.8 亿美元 C 轮融资，同年它的一个 CVE 被武器化成远程代码执行。这个项目比 GPT-3 还老，GitHub 上有超过 19.2 万颗星，但几乎没人真正按它设计的方式在用它。n8n 是那个 800 磅重的工作流平台，95% 的用户只把它当成 Zapier 的开源替代品——而这个定位让你错过了它真正能做的所有有意思的事情。

n8n-io/n8n 截至 2026-06-13 拥有 192,242 颗星、58,496 个 Fork，TypeScript 编写，单条 Docker 命令就能自部署，原生集成 LangChain、原生支持 MCP，使用 fair-code 协议。它 1.8 亿美元融资那条 HN 主帖拿到 235 票 184 条评论，主 Show HN 帖拿到 728 票。但去年 12 月那条《Sim – Apache-2.0 n8n alternative》拿到 240 票才是真正的信号：大家还在找 n8n 已经有的东西。

这篇文章讲五个我在任何地方都没见人写过的隐藏用法，材料全部来自 n8n 官方文档、LangChain 集成和落地到 core 里的 MCP Client/Server Trigger。大部分读者前两个就够用了，最后三个才是 n8n 在 2026 年值得自部署的真正理由。

背景：n8n 在 2026 年 AI 栈里的位置

两个变化让 n8n 突然变得关键。第一，LangChain 集成变成了一等公民——AI Agent、Tools Agent、Conversational Agent、ReAct Agent、SQL Agent、Plan-and-Execute Agent 全部作为根节点存在，20+ 种向量库和 15+ 种聊天模型作为子节点直接接进来。第二，n8n 在两个方向上同时支持了 MCP：MCP Client 节点可以消费任何 MCP Server，MCP Server Trigger 可以把 n8n 工作流自身作为 MCP 工具暴露给 Claude Desktop、Cursor 或任何 MCP 客户端。两者合起来，让 n8n 成了 AI Agent 的后端构建器——你设计好集成、暴露一次，所有支持 MCP 的工具都能调用。

第三个变化是最被低估的：Code 节点跑在沙箱化 VM 里，不是浏览器，原生支持 JavaScript 和 Python，还能加载 npm 包。大部分"零代码"工具把代码当成兜底选项，n8n 把代码当成一等分支，这就是它的数据转换能力比所有纯可视化竞品更耐用的原因。

隐藏用法 #1：把 n8n 工作流暴露成 MCP 工具给 Claude/Cursor 用

大多数人的做法： 用 Webhook 把 n8n 接到一个 SaaS，复制 URL，然后开始轮询。对后端够用，对 AI 客户端完全没用。

隐藏技巧： 任何一个工作流加上 MCP Server Trigger 节点，整个工作流就变成了一个可被发现的工具。Claude Desktop、Cursor、Cline 以及任何支持 MCP 的客户端都能列出它、调用它、实时回传结果——不用写 Webhook 模板，不用管理鉴权头。

// 跑在 MCP 工具主体里的 n8n Code 节点：
const items = $input.all();
const enriched = items.map(item => {
  const j = item.json;
  return {
    json: {
      ticket_id: j.id,
      priority: j.priority > 7 ? 'P0' : j.priority > 4 ? 'P1' : 'P2',
      owner: j.assignee || 'unassigned',
      sla_hours: Math.round((Date.now() - new Date(j.created_at)) / 3.6e6),
    }
  };
});
return enriched;

把它接进一个以 MCP Server Trigger 开头的 workflow，操作设为 expose，同一段逻辑就会以 lookup_ticket 的名字出现在 Claude 的工具列表里。不用 SDK 胶水代码，不用单独的鉴权流。

效果： 五分钟工作把内部 API 变成组织里每个 AI 客户端都能调的工具。以前要给每个客户端（Claude SDK、Cursor 配置、Cline 配置）各写一遍集成，现在只写一次。

数据来源： n8n MCP Server Trigger 作为核心节点发布；HN《N8n raises $180M》帖 235 票；HN《Sim – Apache-2.0 n8n alternative》240 票（市场对 MCP 原生工作流工具的需求真实且在增长）。

隐藏用法 #2：用子工作流转换搭多 Agent 监督者架构

大多数人的做法： 写一个又长又大的工作流，里面塞一个超长 agent 循环，agent 一抽风就调半天。

隐藏技巧： 把任意一段节点序列转成可复用的子工作流，再让一个 AI Agent 把它当工具调用。最后你会得到一个干净的 supervisor/worker 模式：一个父 agent 决定调用哪个子 agent，每个子 agent 都是一个小的、可测试的 n8n workflow，自带自己的 prompt、记忆和工具集。

// 父 AI Agent 的系统提示（在 AI Agent 节点的 "System Message" 里设置）
// 通过工具名动态决定调用哪个子工作流。

const lastUserMsg = $('Chat Trigger').first().json.chatInput;
const intent = await this.helpers.httpRequest({
  method: 'POST',
  url: 'https://api.openai.com/v1/chat/completions',
  headers: { Authorization: `Bearer ${$env.OPENAI_API_KEY}` },
  body: {
    model: 'gpt-4o-mini',
    messages: [
      { role: 'system', content: '把用户请求分类为以下之一：research, code, triage。只回一个词。' },
      { role: 'user', content: lastUserMsg },
    ],
  },
  json: true,
});
return [{ json: { route: intent.choices[0].message.content.trim().toLowerCase() } }];

把它接进 Switch 节点，分支到三个子工作流（research / code / triage），每个子工作流自己又是一个带工具的 AI Agent。子工作流的 "Execute Workflow" trigger 让父 agent 拿到一个干净的工具调用接口和一个统一的响应对象。

效果： 多 agent 系统可以暂停、逐分支审查、单独单测。比"一个 workflow 管所有"模式强太多——后者一旦 agent 调错工具就全盘崩溃。

数据来源： n8n "Execute Sub-workflow" + "Execute Workflow Trigger" + AI Agent 工具调用（docs.n8n.io/advanced-ai/）；HN《N8n added native persistent storage with DataTables》174 票（平台正在围绕 agent 工作负载重新架构）。

隐藏用法 #3：原生 RAG 接入 20+ 种向量库——零胶水代码

大多数人的做法： 起一个独立的向量数据库，写一个 FastAPI 服务，手动接 LangChain，然后跟版本不匹配死磕。

隐藏技巧： n8n 为 Pinecone、Qdrant、Weaviate、Milvus、MongoDB Atlas、Supabase、PGVector、Chroma、Redis、Oracle、Azure AI Search、Simple Vector Store 都内置了向量库节点。每个都是个子节点，你拖到 Default Data Loader 下面、配上 embedding 模型、把文档喂进去就行。检索动作直接接到 AI Agent 的"Vector Store"工具槽位——零胶水代码。

// 在 Default Data Loader 的 "Split Into Chunks" Code 节点里
const text = $input.first().json.content || '';
const chunkSize = 800;
const overlap = 100;
const chunks = [];
for (let i = 0; i < text.length; i += chunkSize - overlap) {
  chunks.push(text.slice(i, i + chunkSize));
}
return chunks.map(c => ({ json: { text: c, source: $input.first().json.url } }));

接上配了 OpenAI embedding 的 Qdrant Vector Store 子节点，再把父节点挂到 AI Agent 上。Agent 就能 search_documents(query) 拿到 top-k 个 chunk 直接塞进上下文窗口。

效果： 十分钟搭一条能跑 RAG 流水线，要换 Qdrant 到 Pinecone 就替换一个子节点，整条数据流在画布上一目了然。

数据来源： n8n 向量库节点列表（docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.vectorstoreqdrant/ 等 11 个兄弟节点）；n8n embeddings 节点列表，15+ 提供商。

隐藏用法 #4：SSE 推送 Chat 流式响应

大多数人的做法： 做一个聊天机器人，LLM 跑完之后才返回完整响应——用户等三到十秒什么也看不见。

隐藏技巧： n8n 的"Streaming responses"功能（在 workflow 设置里）让 Chat Trigger 把 token 实时推到前端，底层走 SSE。AI Agent 节点把每个 token 当成独立 item 输出，SSE 节点不缓冲直接推下去。

// 在 AI Agent 的 "Post-process" Code 节点里，给每个部分 token 打标
const items = $input.all();
return items.map((it, idx) => ({
  json: {
    chunk: it.json.output,
    done: idx === items.length - 1,
    trace_id: it.json.metadata?.run_id || null,
  }
}));

前端接一个 EventSource 客户端，用户就能看到真正的逐 token 流。关键是，AI Agent 中间的工具调用在执行日志里照样能看到——之后能整段回放。

效果： 自部署基础设施也能提供 ChatGPT 级别的体验，agent 调了哪个工具、什么时候调的，全链路可追溯。

数据来源： n8n "Streaming responses"（docs.n8n.io/workflows/streaming/）；n8n Chat Trigger 支持 SSE 输出；HN《N8n AI Workflows – 3,400 Workflows and an LLM Prototype》12 票（社区已经在重度推进）。

隐藏用法 #5：执行图谱里的 OpenTelemetry 可观测性

大多数人的做法： n8n 跑在黑盒里——执行日志 UI 能看，但跟系统其他部分没法关联。

隐藏技巧： n8n-otel OpenTelemetry 集成（社区插件 + 1.50+ 里的一等配置项）把每次节点执行、每次重试、每次 AI Agent 工具调用全部导出成 OTel span。在 docker-compose.yml 里设好 OTLP endpoint，你应用日志里出现的同一个 Trace ID 就能在 n8n 执行视图里直接看到。

# docker-compose.yml — 贴到现有的 n8n service 上
services:
  n8n:
    image: n8nio/n8n
    environment:
      - N8N_METRICS=true
      - QUEUE_HEALTH_CHECK_ACTIVE=true
      - OTEL_ENABLED=true
      - OTEL_EXPORTER_OTLP_ENDPOINT=http://otel-collector:4318
      - OTEL_SERVICE_NAME=n8n-prod
    ports:
      - "5678:5678"

然后在你的 OTel collector 里，把 n8n.* span 路由到专用 dashboard。最有用的信号是按节点类型分桶的"节点耗时"直方图——Slack 和 HTTP 节点会占大头，AI Agent 节点会精确告诉你哪些工具调用最耗时。

效果： 免费拿到 2026 级别可观测性，已经在用的 Trace ID 能直接链回触发它的 n8n 执行。比每次出问题都去点 n8n UI 强太多。

数据来源： n8n 可观测性配置（docs.n8n.io/hosting/configuration/observability/）；HN《Bringing Observability to Your N8n Workflows: OpenTelemetry in Action》17 票（2026-04-12 发布，新鲜可信）。

收尾

五个 n8n 能做但几乎没人用的功能：

MCP Server Trigger — 把任意工作流暴露成 Claude/Cursor/Cline 的工具
子工作流当 agent 工具 — 多 agent 监督者架构，逐分支干净单测
原生向量库子节点 — 十分钟搭 RAG，换服务商就换子节点
SSE 流式聊天 — 逐 token 输出，全执行可回放
OpenTelemetry 导出 — Trace ID 关联 n8n 运行和你系统其他部分

最让我意外的是第 4 个。n8n 的 SSE 流式几乎没文档，但它就在那里，开箱即用对接 AI Agent 节点，让自部署聊天机器人体验原生。

如果你想深入 agent 生态，可以看这三篇：

Crush Terminal AI Coding Agent：5 个隐藏用法 — 另一个终端优先的 agent，配置卫生出乎意料地干净
KTransformers：清华 17K Star MoE 推理栈的 5 个隐藏用法 — 清华的 MoE 引擎怎么在消费级 GPU 上跑到 347 tok/s
Serena 的 5 个隐藏用法 — 通过 LSP 给 AI 编程助手带来 IDE 级别智能

你在 n8n 里暴露过的最有用的 MCP Server 是哪个？我在收集真实案例准备后续文章，在评论区留下你的例子。

DEV Community