1. 为什么要在 n8n 里接大模型从手动脚本到可视化流水线n8n 是一个开源的工作流自动化平台用节点和连线把「触发器 数据处理 第三方服务调用」串成可视化流程。你可以把它理解成一个能自己跑起来的流程图工具左边进来数据中间经过一串加工右边把结果发出去。它和写 Python 脚本最大的区别在于整条流水线在画布上一目了然改流程不用重写代码节点生态里有几百个现成的 HTTP、定时、数据库、IM 节点可以直接拖。那为什么要在 n8n 里接大模型因为很多重复劳动的核心环节其实是「判断」和「生成」——把一段原始数据总结成三条要点、给一条工单自动打标签、根据内容决定走哪个分支。这些活以前要么人工做要么写一堆 if-else 规则维护起来很痛苦。接上大模型之后这些判断和生成环节就能交给模型n8n 负责调度和分发整条链路就活了。适合谁看这篇如果你已经会一点命令行、能看懂 JSON想把「取数 → 加工 → 调模型 → 分发」这类多步 AI 任务串成自动化工作流那这篇就是给你写的。我会从 docker-compose 部署讲起然后接大模型、配凭据最后用 Claude Code n8n-mcp 做进阶全程给可复制的配置片段并用一次端到端运行验证调用是否成功。先说清楚一个前提n8n 自托管部署后数据不出自己的机器敏感数据可控还能二次扩展。个人使用完全免费商业团队要注意它的 Fair-code 许可二次分发或扩展时要看开源协议条款。这一点在选型阶段就要想清楚别等上线了才发现许可问题。我试过用 npm 全局安装的方式在本地跑 n8n开发阶段确实最省事命令行直接n8n就拉起来了。但一旦要长期跑、要定时触发、要接 Webhook本地进程一关就断所以服务器场景还是建议 Docker 部署数据持久化到本机目录重启不丢工作流。下面就从 Docker 部署开始。2. TaoToken 前置准备统一 Key 与 Base URL 怎么拿在接大模型之前得先解决「用哪个接口、拿什么 Key」的问题。n8n 里接模型最通用的方式是 HTTP Request 节点只要接口兼容 OpenAI 的/v1/chat/completions格式就能接。但如果你同时要用好几个模型每个厂商一个 Key、一个 Base URL凭据管理会变得很乱工作流里到处散落着不同的地址和密钥排错时很难定位。TaoToken 在这里的角色是一个统一的 Key/API 通道你拿一个 Key配一个 Base URL就能在 n8n 的凭据里统一管理工作流里换模型只需要改model字段不用动地址和认证。官网在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end API 地址是 https://taotoken.net/api 注意 API 地址后面不加 UTM 参数直接用它作为 Base URL 的基础。具体要准备三样东西这三件套在后面每个环节都会反复出现第一是 Base URL。在 n8n 的 HTTP Request 节点里完整的请求地址是https://taotoken.net/api/v1/chat/completions。如果你用的是 OpenAI 节点Base URL 填https://taotoken.net/api/v1节点会自动拼上/chat/completions。这两个写法别搞混填错了会报 404。第二是 API Key。去控制台创建一个格式通常是一串以sk-开头的字符串。这个 Key 要放进 n8n 的凭据里不要硬编码在节点的 Header 里否则工作流导出分享时密钥就泄露了。控制台地址在 https://taotoken.net/console 创建 Key 的页面在 https://taotoken.net/api-keys 。第三是 Model ID。这个取决于你要调哪个模型比如gpt-4o-mini、claude-3-5-sonnet这类标识符。Model ID 写错是最常见的报错来源之一返回里会提示模型不存在。你可以在模型对话页面先手动试一次确认模型名和返回都正常再写进工作流。模型对话入口在 https://taotoken.net/model-chat 。把这三样准备好之后n8n 里的凭据配置就有据可依了。我建议在 n8n 里建一个通用的 Header Auth 凭据名字叫「TaoToken」Header 名填Authorization值填Bearer sk-你的Key。这样所有需要调模型的节点都复用这一个凭据换 Key 只改一处。注意Base URL 和 API Key 不要写进工作流的 JSON 里再提交到 Gitn8n 的凭据是单独存储的导出工作流时凭据只保留引用 ID不会带出明文密钥。这个机制要用好。如果你后面要用 Claude Code 做进阶还需要一个 Coding Plan 或者对应的接入配置。Claude Code 的接入文档在 https://taotoken.net/doc 里面有 Base URL 和认证方式的说明。长期做编码和 Agent 任务的话Coding Plan 会更合适入口在 https://taotoken.net/coding-plan 。这些先记着到第 4 节会具体用到。3. 可复制配置docker-compose 部署 n8n 凭据 模型节点这一节是全文最核心的部分所有配置都给完整片段你可以直接复制改。先部署 n8n再配凭据最后配模型节点。3.1 docker-compose 部署 n8n在服务器上建一个目录比如/opt/n8n在里面创建docker-compose.ymlversion: 3.8 services: n8n: image: n8nio/n8n:latest container_name: n8n restart: unless-stopped ports: - 5678:5678 environment: - N8N_HOST你的服务器IP或域名 - N8N_PORT5678 - N8N_PROTOCOLhttp - WEBHOOK_URLhttp://你的服务器IP或域名:5678/ - GENERIC_TIMEZONEAsia/Shanghai - N8N_ENCRYPTION_KEY换成一串你自己的随机字符串 - N8N_SECURE_COOKIEfalse volumes: - ./n8n_data:/home/node/.n8n user: 1000:1000几个参数要重点说。N8N_ENCRYPTION_KEY是加密凭据用的一旦设定就不要改改了之后已存的凭据全部解不开得重新配。WEBHOOK_URL必须填外部能访问到的地址否则 Webhook 触发器生成的 URL 是容器内部的外部回调打不进来。N8N_SECURE_COOKIEfalse是因为我们用 http 访问如果上了 https 就改成 true。启动命令cd /opt/n8n docker compose up -d docker compose logs -f n8n看到日志里出现Editor is now accessible via: http://...:5678就说明起来了。浏览器访问http://你的服务器IP:5678第一次会让你设置管理员账号设完就进画布了。数据持久化在./n8n_data目录备份的时候直接打包这个目录就行。升级 n8n 版本时先docker compose pull拉新镜像再docker compose up -d数据不会丢。3.2 配置 TaoToken 凭据进 n8n 后左侧菜单点 Credentials新建一个凭据类型选「Header Auth」。配置如下{ name: TaoToken, type: httpHeaderAuth, data: { name: Authorization, value: Bearer sk-你的Key } }保存后这个凭据就有了一个 ID后面节点引用它。注意Bearer和 Key 之间有一个空格少了空格会报 401。3.3 配置 HTTP Request 节点调模型新建一个工作流拖一个 HTTP Request 节点配置如下{ method: POST, url: https://taotoken.net/api/v1/chat/completions, authentication: genericCredentialType, genericAuthType: httpHeaderAuth, sendHeaders: true, headerParameters: { parameters: [ { name: Content-Type, value: application/json } ] }, sendBody: true, specifyBody: json, jsonBody: {\n \model\: \gpt-4o-mini\,\n \messages\: [\n { \role\: \system\, \content\: \你是一个严谨的助手用简洁的中文回答。\ },\n { \role\: \user\, \content\: \把下面这段内容总结成三条要点{{ $json.content }}\ }\n ],\n \temperature\: 0.3,\n \max_tokens\: 1024\n} }这里{{ $json.content }}是 n8n 的表达式会把上游节点传来的content字段动态拼进 prompt。这样一条工作流就能批量处理不同数据不用为每条数据改节点。如果你更想用 OpenAI 节点配置更简单凭据选 OpenAI 类型Base URL 填https://taotoken.net/api/v1API Key 填你的 Key模型名填 Model ID。节点会自动处理请求格式和响应解析少写很多字段。但 HTTP Request 节点的好处是不挑模型本地 Ollama、vLLM 起的模型或者任意兼容 OpenAI 格式的网关都能复用同一套配置。3.4 响应解析HTTP Request 节点返回的是完整 JSON生成结果在choices[0].message.content。在下一个节点里用表达式取{{ $json.choices[0].message.content }}如果返回结构不对比如报Cannot read property 0 of undefined说明choices字段不存在通常是请求本身失败了往上翻看 HTTP 节点的返回体里面会有错误信息。4. 验证请求一次端到端工作流跑通配置写完不算数得实际跑一次确认调用成功。这一节搭一条最小可用的工作流手动触发 → 调模型 → 输出结果。4.1 搭工作流在画布上放三个节点第一个是 Manual Trigger手动触发方便调试。第二个是 Set 节点造一条测试数据。在 Set 节点里加一个字段content值填一段测试文本比如「n8n 是一个开源的工作流自动化平台支持自托管部署节点生态丰富。」第三个是前面配好的 HTTP Request 节点URL 指向https://taotoken.net/api/v1/chat/completions凭据选 TaoTokenbody 里用{{ $json.content }}引用上游数据。三个节点连起来Manual Trigger → Set → HTTP Request。4.2 执行并看结果点画布上方的「Execute Workflow」工作流开始跑。HTTP Request 节点跑完后点开它的输出应该能看到类似这样的返回{ id: chatcmpl-xxx, object: chat.completion, model: gpt-4o-mini, choices: [ { index: 0, message: { role: assistant, content: 1. n8n 是开源工作流自动化平台。\n2. 支持自托管部署。\n3. 节点生态丰富。 }, finish_reason: stop } ], usage: { prompt_tokens: 45, completion_tokens: 32, total_tokens: 77 } }看到choices[0].message.content里有模型生成的摘要就说明整条链路通了n8n 触发 → 数据加工 → 调 TaoToken 接口 → 模型返回 → 结果落回工作流。usage字段里能看到 token 消耗方便你估算成本。4.3 接上真实场景验证通过后把 Manual Trigger 换成 Schedule Trigger填 cron 表达式0 9 * * *就是每天早上 9 点自动跑。把 Set 节点换成 HTTP Request 抓取真实数据源把最后的输出接到通知节点钉钉、企业微信、邮件都行一条「定时抓取 → AI 摘要 → 推送」的工作流就成型了。Webhook 场景同理把触发器换成 Webhook Triggern8n 会生成一个回调 URL外部系统 POST 过来就触发后面接模型做分类或生成再用 Switch 节点按结果分流。这两个模式掌握了大部分「AI 批量处理业务数据」的需求都能套上去。5. 常见报错排查401、local proxy failed、reading choices、OAuth接模型的过程中报错基本集中在几个地方。这一节按真实报错对照排查每个都给定位方法和修复动作。5.1 401 Unauthorized返回体里通常是{error: {message: Invalid API key, type: invalid_request_error}}。原因有三个Key 填错、Bearer和 Key 之间少了空格、凭据没选对。排查顺序是先看 n8n 凭据里的值是不是Bearer sk-xxx格式再看节点有没有引用这个凭据。如果 Key 是从控制台复制的注意别把首尾空格带进去。5.2 local proxy failed / connection refused这个报错说明 n8n 容器连不上外部接口。如果你在容器里配了 HTTP 代理环境变量但代理地址不通就会报这个。检查docker-compose.yml里有没有HTTP_PROXY、HTTPS_PROXY这类环境变量有的话先注释掉重启容器。另外确认容器的 DNS 能解析外部域名docker exec -it n8n ping taotoken.net试一下。5.3 Cannot read property 0 of undefinedreading choices这个报错是响应解析时choices字段不存在。根本原因通常是请求失败了返回体里是错误信息而不是正常的 completion 结构。往上翻 HTTP Request 节点的原始返回看error字段写了什么。常见的是 Model ID 写错返回model not found或者 body 的 JSON 格式有问题比如多了个逗号导致解析失败。5.4 OAuth 相关报错如果你用的是 OpenAI 节点而不是 HTTP Request 节点凭据类型选错成 OAuth 会报OAuth token request failed。OpenAI 节点应该用 API Key 类型的凭据不是 OAuth。删掉重建一个类型选对就行。5.5 Claude Code n8n-mcp 的配置三件套进阶部分用 Claude Code 调 n8n-mcp 时配置里必须写全三件套Base URL、Key、Model ID。接入命令是claude mcp add n8n-mcp \ -e MCP_MODEstdio \ -e LOG_LEVELerror \ -e DISABLE_CONSOLE_OUTPUTtrue \ -- npx n8n-mcp这条命令把 n8n-mcp 注册成 Claude Code 的 MCP 工具。之后 Claude Code 就能通过自然语言调 n8n 的 API 创建工作流。但要注意n8n-mcp 连的是你的 n8n 实例需要在环境变量里配 n8n 的地址和 API Key否则 Claude Code 不知道往哪创建。n8n 的 API Key 在设置里的 API 页面生成和 TaoToken 的 Key 是两回事别搞混。如果 Claude Code 报MCP server failed to start先单独跑npx n8n-mcp看能不能起来再看环境变量有没有漏。n8n-mcp 的项目地址在 https://github.com/czlonkowski/n8n-mcp 文档里有完整的环境变量列表。注意Claude Code n8n-mcp 适合设计期和调试期工作流稳定跑起来之后线上执行还是交给 n8n 自身的调度。把 AI 放在搭台子的位置n8n 放在跑台子的位置。6. 进阶链路与统一 Key 的长期用法把前面的部署、凭据、模型节点、排错都跑通之后进阶的方向有两个一是用 Claude Code n8n-mcp 对话式搭工作流二是把工作流本身纳入版本管理。对话式搭工作流的流程是这样的你在 Claude Code 里说「创建一个工作流每天早 9 点抓取某个接口的数据用大模型生成摘要推送到钉钉群」Claude Code 理解意图后通过 n8n-mcp 调 n8n 的 API自动创建节点、连线、设置参数最后生成一个可运行的完整工作流。你只需要在画布上核对一下把敏感参数API Key、内部地址手动补上。这比手搓节点快很多尤其是节点多、连线复杂的时候。工作流版本管理是另一个值得做的点。n8n 的工作流本质是 JSON导出后可以纳入 Git 仓库。用 Claude Code 做 diff 解读——「这个版本改了哪个节点、会影响哪条链路」——比人肉盯画布靠谱。工作流出问题报错时Claude Code 能直接读工作流 JSON 和错误日志定位是哪个节点、哪段表达式出的问题甚至给出修改建议。这两个进阶用法都依赖一个稳定的模型接入通道。TaoToken 的统一 Key 在这里的价值就体现出来了不管你是 HTTP Request 节点、OpenAI 节点还是 Claude Code 调模型都用同一个 Base URL 和 Key换模型只改 Model ID。凭据管理集中在一处排错时不用在多个厂商的 Key 之间来回切换。长期做编码和 Agent 任务的话Coding Plan 会比按量付费更划算入口在 https://taotoken.net/coding-plan 。接入文档在 https://taotoken.net/doc 里面有 Claude Code 的完整配置说明。API Key 管理在 https://taotoken.net/api-keys 模型对话测试在 https://taotoken.net/model-chat 。最后说一个实操细节n8n 的凭据是加密存储的N8N_ENCRYPTION_KEY一旦设定就不要改。迁移服务器时把n8n_data目录和这个 Key 一起搬过去凭据才能解开。如果只搬了数据没搬 Key所有凭据都得重新配。这个坑我在迁移时踩过一次工作流里几十个节点全要重配凭据花了大半天。所以部署时就把 Key 记在安全的地方别等出事才找。