By 黄金金枪鱼 
把 webhook 触发、Anthropic/OpenAI 调用、条件分支、飞书回执用可视化节点串成一条线，30 分钟即可上线一条可重复使用的 AI 工作流——全程无需写后端，无需维护服务器。
核心事件
n8n 是 fair-code 的可视化工作流平台，原生集成 AI Agent、LangChain Code 节点、OpenAI / Anthropic / Google 等 LLM 提供商。2026-08-07 发布 n8n@2.33.7，主仓库在 2026-08-09 累计 199,910 颗星、60,018 fork，仍处于活跃维护节奏。把日常 SaaS 操作串起来是它的本职，但和 LangChain 节点组合之后，便能在不写后端的前提下跑一条「触发 → 模型推理 → 工具调用 → 业务回执」的完整链路。
30 分钟完整实操
第 1 步：起一条工作流。n8n Cloud 注册即可上手；自托管走 Docker 一行命令，仓库 docker/images/n8n/Dockerfile 即为此镜像源（公开 Dockerfile 2,921 字节，含 multi-stage build）。
第 2 步：拖入 Webhook 节点作为入口。Path 填 /hook，HTTP Method 选 POST，Response Mode 选「When Last Node Finishes」，触发后把最后节点的输出原样回给客户端。
第 3 步：接 LLM 节点。n8n 内置 Anthropic / OpenAI / Google 三家节点，凭证通过 n8n.io/credentials 走 OAuth 或 API Key 注入；在节点里配置 Model（例如 claude-opus-4 或 gpt-5-mini）、System Prompt、User Message = {{ $json.body.text }}。
第 4 步：用 Switch / If 节点做分支判定（如 intent 是「总结」还是「分类」），决定下游走哪条 LLM 链路。每个分支再挂 Code 节点做格式化（n8n 提供 LangChain Code node，可以直接写 JS/Python 处理 prompt 与输出）。
第 5 步：把模型输出抛到飞书 / Slack / Email 节点。飞书节点走 Open API，需要在「飞书开放平台」后台创建自建应用并把 app_access_token 填入凭证字段。HTTP Method 选 POST，Body 选「Using JSON」，模板填 {"receive_id":"{{chat_id}}","msg_type":"text","content":{"text":"{{$json.output}}"}}。
第 6 步：保存 → 激活。激活后 Webhook 节点的 Test URL 立刻可用，把 curl 打过去即可触发整条链路，Console 里能看到每一步的 I/O。
技术解析：为什么「节点拖拽」也能稳
n8n 节点体系分三类：Trigger（事件源，如 Webhook、Cron、Email received）、Regular（动作，如 HTTP Request、Anthropic）、Sub-Node（嵌入到 Regular 节点里复用，如 LLM Chain 里的 Memory、Tool 子节点）。每个节点都被一个独立的 @n8n/nodes-langchain 包描述，注册时即拿到入参 schema、出参 schema、credentials schema。LangChain 节点目录 packages/@n8n/nodes-langchain/ 公开维护。
工作流运行时是一个有向无环图（DAG），节点之间通过 $json / $binary 等命名空间传递数据。当一条路径有多个分支时，n8n 按节点连接顺序串行执行；任一节点失败时，未连接 try-catch 节点的分支会进入 Error Workflow。生产部署建议挂一个全局「Error Trigger」节点作为兜底，把异常推送到 Slack / Email。
自托管时建议至少 2 vCPU / 4 GB 内存的常驻实例；如果跑得动 LangChain Code 节点里的中型 Embedding 模型，需要把 n8n 与 Ollama / vLLM 部署在同一内网，避免每次推理都跨公网。
关键点
- 入口选 Webhook 还是 Schedule：Webhook 适合「事件驱动」（外部系统推送触发），Schedule 适合「定时任务」（如每小时抓一次 RSS 再让 LLM 总结）。
- 模型选择：长文本总结用 claude-opus-4；低成本分类用 gpt-5-mini；中文场景两者皆可，避免在节点里写英文 system prompt 后塞中文 content。
- 凭证管理：所有 API Key 走 n8n 凭证中心（
/credentials），不要硬编码到 Code 节点里，切换环境时改一个变量即可。 - 可观测性：n8n 内置 Executions 面板（保留最近 100 条），要更长保留可以挂 Postgres 后端。复杂工作流建议开启
saveExecutionProgress: true。 - 错误兜底：每个 LLM 节点都应配置 fallback（如超时重试 2 次），并接一条「人工 review」分支，避免模型置信度低时直接污染下游。
行业影响
「可视化 + LLM 节点」的组合把传统 BPM 工具推到了一个新的能力边界——以前需要 Java/Python 后端工程师搭链路，现在产品 / 运营也能拖出来跑模型推理；代价是复杂控制流（嵌套循环、动态分支）仍需要 Code 节点兜底。
结语
n8n 不是要替代 LangChain / LlamaIndex，而是把这些框架的节点变成 BPM 流程图里的一块拼图。下次想做一个「Webhook 触发 → LLM 处理 → 飞书回执」的小工具时，先打开 n8n 拖一遍——多数场景下，它比写 Flask + cron 更省时间。
参考资料：
官方文档
- n8n 官方 AI 集成文档 [200] - 2026-08-09
- n8n 官方自托管部署文档 [200] - 2026-08-09
- Anthropic 工程博客：构建高效 Agent [200] - 2024-12-19
开源项目
- n8n-io/n8n 仓库元数据 API [200] - 2026-08-09 累计 199,910 stars / 60,018 forks
- n8n 仓库首页 [200] - 2026-08-09
- n8n 最新发布 n8n@2.33.7 [200] - 2026-08-07
- anthropics/anthropic-sdk-python [200] - 2026-08-07
行业报道
- Anthropic 工程博客：构建高效 Agent [200] - 2024-12-19
社区讨论
- HN Algolia：n8n + LLM workflow 讨论 [200] - 持续聚合
- LangChain 仓库元数据 [200] - 2026-08-09 累计 143,780 stars
对比基准
- LangChain 与 LangGraph 仓库对比入口 [200] - 2026-08-09
本文由 AI 生成。内容基于公开资料整理，可能存在事实偏差，引用链接请以原始来源为准。