n8n + mcp王炸组合：5个节点轻松搭建一个AI工作流

最近比较火热的AI话题离不开MCP，MCP协议为大模型提供了访问外部数据与工具的统一接口。各大云厂商腾讯云和阿里百炼也都纷纷接入了MCP。MCP就像给大模型接入了一个多功能插槽即插即用。对于大模型来说只有万能插座也无法发挥出价值，就像一个大功率的发动机只用来充个电，能把大模型的作用发挥到极致的还是需要通过AI工作流。今天为大家分享实际操作一下MCP加工作流的应用场景。

什么是N8N

n8n是一款开源工作流自动化平台。通过其强大的节点系统可以创建复杂的工作流，连接多个服务、数据库和工具。

n8n目前在github上的排名是82.4K Star，是我目前用过的所有开源工具或框架中最高的一个。可想一下它的贡献有多大。

咱们话不多说直接上手操作吧

Go如何在本机安装部署n8n

第一步：安装 Docker

访问 Docker 官方网站，选择 Products > Docker Desktop：

在下载页面里，选择适合你系统的版本进行下载：

运行或拖拽（MacOS）下载后的文件，按提示将 Docker 安装在你的电脑上。

第二步：部署 n8n

在 Docker Desktop 中点击搜索框，输入 n8n。

选择 n8nio/n8n 这个官方镜像，点击右边的 Pull，下载该镜像。

如果在搜索与下载这一步出现错误，证明你的网络存在大陆特有的网络问题，你需要一些你懂的工具，本教程不会提供指导，请自行搜索。

在电脑任意位置创建一个目录，这个目录是用来存储 n8n 数据的，你可以自己随意找地方，起名字（非中文）。

回到 Docker，选择 Images，找到刚才下载的 n8nio/n8n 镜像，点击右边的三角图标。

首次运行时，Docker Desktop 会进入 Container（容器）创建界面。有两个部分需要修改：

\1. Ports 的位置设置端口为 5678；

\2. Volumes 的位置设置永久化存储：

在 Host path 中，找到我们刚才创建的那个目录。在 Container Path 中填入 /home/node/.n8n/。

这一步的用途是，将 n8n 中用于存储文件、数据、凭证等的目录，映射到 Docker 之外。因为 Docker 是一种数据-程序分离的部署方案，如果你不这么做，下次快捷升级的时候，你 n8n 里的数据就会被清空。

填写好后，点击 run。

大约经过不到 1 分钟的初始化之后，你就会在 Logs 里看到类似 ：

Editor is now accessible via:

 http://localhost:5678/
这样的日志，这个时候，你只要点击那个链接，或者是直接访问 
http://localhost:5678/ 应该就可以进入到 n8n 的安装界面了。

安装MCP n8n社区节点

进入后的页面非常简洁

找到settings设置页面——community nodes——安装n8n nodes社区节点

n8n的社区节点提供了很多npm安装包，根据需要填写n8n-nodes-mcp

至此一些准备工作都已就绪，接下来就是简单的创建工作流的步骤

如何创建工作流

• 1. 起始节点：添加一个会话用于发送消息

• 2. AI agent：添加n8n支持的大模型，这里选择deepseek

• 3. *自动卸载/加载***：**应用后台运行时，通过卸载模型自动管理内存

• *推理设置***：**可自定义模型参数，包括系统提示、温度、BOS 令牌和聊天模板

• *实时性能指标***：**生成 AI 响应时，可查看每秒令牌数及每个令牌的毫秒数

• 

  测试一下添加的大模型deepseek是否可以正确接收指令并且正常返回，不得不说n8n的页面做的很人性化，对话窗口会显示每个节点请求的日志信息可以帮助开发者直观的观察到每一个节点的运行情况。

• 

  其实到了这一步跟大模型的交互工作流就创建好了，但我们更重要的是接入mcp，下面就是最重要的环节。

• 

  

回到AI agent对话框设置页面，定义一个提示词，选择根据用户输入的合适工具

如果执行过程中出现mcp server无法连接的情况，可以通过docker日志面板查看一下错误日志：这边在配置秘钥的时候出现了错误

修改一下秘钥的配置即可运行成功

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】