N8N 牛刀小试

假期在家闲来无事，想起来之前朋友圈好多小伙伴发的 N8N，之前上班比较忙，只是匆匆看了眼，没有亲自实践过，趁着假期，亲自动手实践了一遍 N8N，感觉还挺有意思的，有点像 Coze 和 Dify，但是感觉更灵活。

接下来算是一个入门科普文章，松哥手把手带大家做一个 N8N 工作流，小伙伴们可以借此感受下 N8N 的能力。

一、N8N 简介

N8N（读作 N-eight-N）就是一个开源、可视化、节点式的工作流自动化工具，说白了就是帮你把各种系统、API、服务串起来自动跑流程，不用写一堆胶水代码。

你可以把它理解成：可视化的“流程编排引擎”+ 自带几百个集成节点 + 随时能插 JS/Python 代码的低代码平台，自己服务器就能跑，数据全在你手里。

那么这玩意能干啥？松哥举几个常见的场景：

• 定时拉取 API 数据 → 存数据库 → 生成报表 → 发邮件/钉钉通知；
• 接收到 Webhook（比如支付回调、表单提交）→ 校验数据 → 调用内部服务 → 写日志 → 发告警；
• 批量处理数据：从 A 系统读 → 清洗转换 → 写入 B 系统；
• 做简单的 ETL、数据同步、定时任务、自动化测试、告警聚合；

能力还是非常强大。

N8N 安装也是非常容易，建议用 Docker 一键安装。

Docker 安装指令如下：

docker volume create n8n_data
docker run -it \     
 --name n8n \
 -p 5678:5678 \
 -e GENERIC_TIMEZONE="Asia/Shanghai" \  
 -e TZ="Asia/Shanghai" \  
 -e N8N_ENFORCE_SETTINGS_FILE_PERMISSIONS=true \
 -v n8n_data:/home/node/.n8n \
 -d docker.n8n.io/n8nio/n8n

安装好之后，我们就可以直接在浏览器中访问了：

http://localhost:5678/

二、案例场景说明

接下来松哥通过一个案例来和大家说明一下 N8N 的简单玩法。

先大概说明一下场景。

想做一个关于财经新闻的聊天机器人，整体上的流程是这样：

用户发送消息 -> 获取财经资讯 -> AI 进行处理 -> 回复用户

另外还有一条支线任务，在获取到财经资讯之后，将相关的数据存入到飞书多维表格。

其中，获取财经资讯使用的接口是财联社的公开接口：

https://www.cls.cn/nodeapi/telegraphList

该接口返回的数据格式如下：

好了，准备工作大概就这些，接下来我们打开 N8N 的网页，就可以开始绘制流程了。

三、流程编排

我先来给大家看一下整体的流程编排，然后我再逐个讲解每个 Node 节点。

3.1 When chat message received

首先这个就是一个触发节点，也就是整个流程由谁触发，从哪里开始。

系统支持的触发节点主要有如下几类：

简单来说，主要是如下几种：

1. Webhook 触发（Webhook）：监听HTTP请求（GET/POST 等），外部系统/用户调用这个 URL 就触发流程，说白了，就是给 n8n 开个接口，别人访问这个接口，流程就跑起来；
2. 定时触发（Cron）：按固定时间/频率触发（秒/分/时/日/周/月）；
3. 手动触发（Manual Trigger）：手动点击“执行”按钮触发流程；
4. 消息/聊天类触发：Telegram Trigger、Discord Trigger、Slack Trigger、飞书/钉钉/企业微信的消息触发；

这四种是最为常见的触发器，其他还有文件触发、数据库触发、Email 触发、GitHub 触发、飞书多维表格触发、Kafka 触发、MQTT 触发等等，我就不逐一列举了。

我这里使用聊天类触发，所以选择 On chat message，将之拖动到流程中，这个比较简单，也不用做任何设置。

3.2 HTTP Request

第二个节点是 HTTP Request，看名字就知道，这个节点是为了发送 HTTP 请求的，所以这个节点需要做一点配置，我们可以双击该节点，就打开了配置页面，由于这个接口不需要认证，所以主要配置一下请求方式和接口地址即可：

3.3 code01

code01 这个节点主要是对 HTTP 请求取回来的数据做一个简单处理，将第三方接口返回的数据格式化为我们需要的数据。

首先我们需要添加 Code 节点：

在添加 Code 节点的时候，大家可以根据自己的技术栈选择 JavaScript 或者 Python 去进行编码，松哥这里选择 JS。

这个节点的配置主要是一段 JS 代码，如下：

我把我的 JS 代码放出来供大家参考：

const rawData = $input.item.json.data.roll_data||[];
// 配置格式化规则
  const options = {
    year: 'numeric',
    month: '2-digit',
    day: '2-digit',
    hour: '2-digit',
    minute: '2-digit',
    second: '2-digit',
    hour12: false // 禁用 12 小时制，使用 24 小时制
  };
const formattedData = rawData.map(item=>{
  const date = new Date(item.ctime*1000);
  const formattedCtime = new Intl.DateTimeFormat('zh-CN', options)
    .format(date)
    .replace(/\//g, '-') 
    .replace(' ', ' ')
    .replace('：', ':');
  return {
    title: item.title || '无标题',
    content: item.content.replace(/\n\n/g, '') || '无内容',
    ctime: formattedCtime,
    reading_num: item.reading_num || 0,
    level: item.level || '无级别',
    shareurl: item.shareurl || '无链接'
  };
});
return [{json:{records:formattedData}}]

这里需要说明的是，流程带过来的 JSON 数据通过 $input.item.json去获取，其他都是常规的 JS 代码，不啰嗦。

经过该节点之后，原始接口返回的数据，就会被转为如下格式：

左边是原始数据格式，右边是转化之后的数据格式。

3.4 get_json_array

这个节点其实可以和 3.3 小节的节点合并，但是为了大家看的更加清晰，这里我就单独又加了一个 Code 节点，这个节点的目的主要是将 3.3 小节输出的 JSON 中的 records 数组提取出来，确保最终给到 Loop Over Items 节点的数据是一个 JSON 数组。

该节点配置如下：

这个代码应该很好懂，就是从 JSON 中提取出来 records 属性。

代码也放出来，方便大家 copy：

return $input.all()[0].json.records;

3.5 Loop Over Items

这是一个循环处理节点，因为我要将 3.2 节点请求到的数据最终都存入到飞书多维表格中，因此需要对这些数据进行遍历存储，遍历一条，就将一条存入到飞书多维表格。

飞书多维表格在配置的时候似乎不支持配置批量 JSON，也可能是我不得其法，欢迎了解的小伙伴评论区指教。

Loop Over Items 会对上个节点输入的数据进行遍历，每遍历一条，就会走一遍循环，也就是走一遍飞书节点，将数据存入到飞书多维表格中。

我们再来看下飞书节点配置：

这个节点有几个关键点：

• 应用级别凭证：这个需要大家在飞书开发者平台创建一个应用，然后获取该应用的 App ID 和 App Secret，填上来就行了；
• 在飞书上创建多维表格，并在浏览器打开，就能看到多维表格 Token 和多维表格 ID，如下：
  • https://my.feishu.cn/wiki/这里是多维表格Token?table=这里是多维表格ID
• 要能在飞书多维表格中添加数据，需要将一开始创建的应用添加给飞书多维表格，添加方式如下：

  

要点主要是上面这几点。如果有小伙伴还不清楚，可以在群里一起讨论。

最后再给大家看下完整的请求体 JSON：

{
  "records": [
    {
      "fields": {
        "title": "{{$json.title}}",
        "content": "{{$json.content}}",
        "ctime": "{{$json.ctime}}",
        "reading_num": "{{$json.reading_num}}",
        "level": "{{$json.level}}",
        "shareurl": "{{$json.shareurl}}"
      }
    }
  ]
}

3.6 AI Agent

再来看另外一条线上的 AI Agent。

这个节点我们需要配置一下 Chat Model 和 Memory。

Chat Model 也主要是需要大家去各个大模型平台申请 API Key，这个我就不说了，我这里用了本地安装的 qwen3-vl:30b 模型，给大家看下配置：

memory 我配置了 Redis，用来存储会话的上下文，这个也是配置一下 Redis 的地址即可：

最后，我们在 AI Agent 上再配置一个 Prompt 即可，如下：

这里大家注意两个不同的变量引用：

请你结合财联社电报咨询信息：{{ $json.data.roll_data.map(item=>item.content) }}，回答用户提问 {{ $json.chatInput }}

四、小结

好了，大功告成。

接下来我们可以直接在 N8N 的网页上开展对话：

存储到飞书多维表格中的数据如下：

感兴趣的小伙伴可以试试，有问题可以群里讨论。