【n8n教程】：n8n自托管AI入门套件

什么是n8n自托管AI入门套件

n8n自托管AI入门套件 是一个开源的Docker Compose模板，它快速集成了一套完整的本地AI开发环境。最关键的特点是：

• 完全本地化：所有数据处理在你的计算机上进行，无需上传到云端
• 完全免费：开源工具，零月费订阅
• 无需编程：通过拖拽界面即可构建复杂的AI工作流
• 隐私安全：敏感数据始终在你的控制范围内

套件包含的核心组件

组件	作用	简单理解
n8n	低代码工作流平台	大脑 - 协调各个部分的工作
Ollama	本地大语言模型运行引擎	思考能力 - 让AI在你的电脑上运行
Qdrant	高性能向量数据库	记忆库 - 存储文档的"记忆"供AI查询
PostgreSQL	数据库	档案柜 - 安全存储结构化数据

能做什么

✨ AI智能助手：构建会说话的AI机器人，可安排会议、回答问题
📄 PDF智能分析：上传公司文档，AI自动总结关键信息（无数据泄露风险）
💬 Slack超级机器人：增强企业通讯和IT运维效率
💰 财务文档分析：分析发票、合同等敏感文件，成本极低

系统要求与准备工作

硬件要求

配置项	最低要求	推荐配置
CPU	4核	8核或更多
RAM内存	8GB	16GB+（运行LLM需要）
硬盘空间	20GB	50GB+（存放模型和数据）
网络	稳定的互联网连接	10Mbps以上

操作系统支持

• ✅ Windows 11 (需要WSL2或Docker Desktop)
• ✅ macOS (Intel或Apple Silicon)
• ✅ Linux (Ubuntu、CentOS等)

软件前置条件

在安装n8n套件前，确保已安装：

1. Git - 版本控制工具，用于克隆代码库
- • 下载地址^[1]
2. Docker & Docker Compose - 容器化平台
- • 下载地址^[2]
- • 验证安装：在终端运行 docker --version

快速验证环境

打开你的终端或命令提示符，逐行运行以下命令：

# 检查Git
git --version

# 检查Docker
docker --version

# 检查Docker Compose
docker compose version

# 可选：检查硬盘空间（Linux/Mac）
df -h

如果所有命令都输出版本号，说明你已经准备好了！

安装步骤详解

步骤1：克隆官方代码库

打开你的终端，进入一个你想存储项目的目录，然后运行：

git clone https://github.com/n8n-io/self-hosted-ai-starter-kit.git
cd self-hosted-ai-starter-kit

这个命令会下载整个项目到你的电脑。cd 命令则进入该项目目录。

步骤2：复制并配置环境变量文件

# 复制示例配置文件
cp .env.example .env

现在打开 .env 文件（用记事本或任何文本编辑器），你会看到类似这样的内容：

# Ollama 配置
OLLAMA_HOST=ollama:11434
OLLAMA_MODELS=llama3.2

# PostgreSQL 配置
POSTGRES_USER=admin
POSTGRES_PASSWORD=your_secure_password_here
POSTGRES_DB=n8n

# Qdrant 配置
QDRANT_PORT=6333

# n8n 配置
N8N_HOST=0.0.0.0
N8N_PORT=5678

🔒 安全提示：

• 修改 POSTGRES_PASSWORD 为一个强密码（8个字符以上，包含字母、数字、符号）
• 不要在公网上暴露 .env 文件

步骤3：根据你的操作系统选择运行方式

💻 Windows用户（使用GPU加速）

docker compose --profile gpu-nvidia up

💻 Windows/Linux用户（仅CPU，推荐新手）

docker compose --profile cpu up

🍎 Mac用户（M1/M2/M3芯片）

如果你想在Mac上使用GPU加速，需要额外步骤。首先在Mac上本地安装Ollama：

# 从官网下载：https://ollama.ai
# 安装后，修改 .env 文件中的：
OLLAMA_HOST=host.docker.internal:11434

然后运行：

docker compose up

🍎 Mac用户（仅CPU）

docker compose --profile cpu up

步骤4：等待容器启动

首次运行时，Docker会下载所有必要的镜像和模型（可能需要5-20分钟）。你会看到类似这样的输出：

n8n-postgre  | PostgreSQL 14.0 on x86_64-pc-linux-gnu
n8n-ollama   | Downloading model...
n8n-qdrant   | Qdrant vector database started
n8n-n8n      | Editor is now accessible via: http://localhost:5678/

✅ 当你看到 Editor is now accessible via: http://localhost:5678/ 时，说明安装完成！

步骤5：验证安装成功

打开你的浏览器，访问：http://localhost:5678

你应该会看到n8n的欢迎界面。如果看到设置页面，说明是第一次使用，按照提示设置即可。

界面入门与基础操作

n8n工作台全景

n8n的界面分为几个主要区域，理解它们能帮助你快速上手：

┌─────────────────────────────────────────────────────────────┐
│ 顶部菜单栏（保存、执行、设置）                              │
├──────────────────┬──────────────────────────────────────────┤
│ 左侧节点库       │ 中央画布（拖拽构建工作流）             │
│ - 触发器         │                                          │
│ - 核心节点       │                                          │
│ - AI节点         │                                          │
│ - 数据转换       │                                          │
├──────────────────┼──────────────────────────────────────────┤
│                  │ 右侧检查器（配置节点参数）             │
└──────────────────┴──────────────────────────────────────────┘

关键术语解释

术语	含义	比喻
Workflow	工作流	一个完整的自动化流程
Node	节点	流程中的每一步
Trigger	触发器	工作流的起点，定义何时启动
Connection	连接	节点之间的数据流向
Input/Output	输入/输出	数据进出节点的接口

常用快捷键

• Ctrl/Cmd + S - 保存工作流
• Ctrl/Cmd + Z - 撤销上一步
• Ctrl/Cmd + C - 复制节点
• Ctrl/Cmd + V - 粘贴节点
• Delete - 删除选中节点

快速开始第一个工作流

创建你的第一个工作流

第1步：新建工作流

1. 登录 http://localhost:5678
2. 点击右上角 "创建工作流" 按钮
3. 给工作流起个名字，例如："我的第一个AI工作流"

第2步：添加触发器

在n8n中，每个工作流都需要一个触发器（Trigger），它定义工作流何时启动。

1. 点击中央空白画布
2. 在左侧节点库中搜索 "Manual Trigger"（手动触发器）
3. 拖拽添加到画布上

这个触发器让你可以通过点击按钮手动启动工作流。

第3步：添加处理节点

现在添加一个简单的节点来处理数据。我们从 "Set" 节点开始（这个节点可以创建或修改变量）：

1. 点击Manual Trigger节点右侧的 "+" 号
2. 搜索 "Set" 节点
3. 拖拽添加

第4步：配置Set节点

在右侧的检查器面板中：

1. 点击 "Add Field" 按钮
2. 在 Name 栏输入：greeting
3. 在 Value 栏选择 "String" 类型，输入："你好，AI世界！"
4. 点击 "Save"

第5步：测试工作流

1. 点击右上角的 "Execute Workflow" 按钮
2. 查看输出：在右侧会显示 {"greeting": "你好，AI世界！"}

🎉 恭喜！ 你已经创建了第一个n8n工作流！

在这个过程中你学到了

• ✅ 如何创建新工作流
• ✅ 如何添加和连接节点
• ✅ 如何配置节点参数
• ✅ 如何测试和执行工作流

完整案例：本地PDF智能分析机器人

现在让我们创建一个真正有用的工作流：用你的本地AI分析PDF文档。

工作流逻辑说明

这个工作流将：

1. 接收输入 - 通过Webhook接收PDF文件上传请求
2. 提取文本 - 从PDF中提取文本内容
3. AI分析 - 使用本地Ollama模型分析文档
4. 返回结果 - 发送分析结果给用户

前置准备

在创建工作流前，确保：

1. Ollama模型已下载

# 在终端运行（或等待第一次启动时自动下载）
ollama pull llama3.2

2. 确认各组件正常运行
- • 访问 http://localhost:5678 - n8n界面
- • 访问 http://localhost:6333 - Qdrant向量数据库管理界面

工作流JSON代码

将下面的JSON代码复制到你的n8n中。这是一个完整的、可运行的PDF分析工作流：

{
  "name": "本地PDF智能分析机器人",
  "nodes": [
    {
      "parameters": {
        "path": "ai-pdf-analyzer",
        "responseMode": "lastNode",
        "options": {}
      },
      "id": "webhook-trigger",
      "name": "Webhook Trigger",
      "type": "n8n-nodes-base.webhook",
      "typeVersion": 1,
      "position": [250, 300],
      "webhookId": "webhook"
    },
    {
      "parameters": {
        "binaryPropertyName": "data"
      },
      "id": "extract-pdf",
      "name": "Extract from PDF",
      "type": "n8n-nodes-base.extractFromFile",
      "typeVersion": 1,
      "position": [450, 300],
      "credentials": {}
    },
    {
      "parameters": {
        "model": "llama3.2",
        "prompt": "请仔细阅读下面的文档内容，然后提供以下信息：\n\n1. 文档的主要内容摘要（3-5句话）\n2. 关键要点（列出3-5个）\n3. 可能的应用场景\n\n文档内容：\n{{ $json.text }}",
        "options": {}
      },
      "id": "ollama-chat",
      "name": "Ollama Chat Model",
      "type": "n8n-nodes-base.openaiChat",
      "typeVersion": 1,
      "position": [650, 300]
    },
    {
      "parameters": {
        "requestMethod": "POST",
        "url": "={{ $env.N8N_BASE_URL }}/webhook/{{ $execution.id }}",
        "sendBinaryData": false,
        "specifyBody": "json",
        "jsonBody": "{\n  \"status\": \"success\",\n  \"analysis\": {{ $json.message.content }},\n  \"timestamp\": \"{{ $now.toIso() }}\"\n}",
        "options": {}
      },
      "id": "respond-webhook",
      "name": "Respond to Webhook",
      "type": "n8n-nodes-base.respondToWebhook",
      "typeVersion": 1,
      "position": [850, 300]
    }
  ],
  "connections": {
    "webhook-trigger": {
      "main": [
        [
          {
            "node": "extract-pdf",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "extract-pdf": {
      "main": [
        [
          {
            "node": "ollama-chat",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "ollama-chat": {
      "main": [
        [
          {
            "node": "respond-webhook",
            "type": "main",
            "index": 0
          }
        ]
      ]
    }
  }
}

导入工作流的步骤

方法一：从URL导入（推荐）

1. 在n8n主页，点击 "创建工作流"
2. 点击右上角三个点 "..." 菜单
3. 选择 "Import from URL"
4. 粘贴一个官方模板的URL

方法二：手动导入JSON代码

1. 创建一个新工作流
2. 右上角点击 "..." → "Import from File"
3. 选择包含上面JSON代码的.json文件
4. 系统会自动加载所有节点和连接

方法三：粘贴导入（最简单）

1. 复制上面的JSON代码
2. 在空白工作流画布中按 Ctrl+V（Windows）或 Cmd+V（Mac）
3. 系统会自动导入节点

配置工作流的关键参数

配置1：Webhook Trigger节点

这个节点接收外部的PDF上传请求。

1. 点击 "Webhook Trigger" 节点
2. 在右侧配置面板中，你会看到一个 Webhook URL
3. 复制这个URL供外部应用调用
4. 启用 "Authenticate Webhook" 以增加安全性

配置2：Extract from PDF节点

这个节点从PDF中提取文本。

1. 点击 "Extract from PDF" 节点
2. 在 "Input Binary Field" 中确保填写 data（来自webhook的文件）
3. 保存

配置3：Ollama Chat Model节点

这是AI分析的核心！

1. 点击 "Ollama Chat Model" 节点
2. Model 选择 llama3.2（或你安装的其他模型）
3. Prompt 中可以自定义分析指令

4. 示例提示词：

请分析这份文档：
- 主题是什么？
- 关键信息有哪些？
- 这份文档的用途是什么？

文档内容：{{ $json.text }}

配置4：Respond to Webhook节点

这个节点返回分析结果给用户。

1. 点击 "Respond to Webhook" 节点
2. Status Code 设置为 200（表示成功）
3. Response Body 是返回给用户的JSON数据
4. 保存

测试工作流

方式1：使用n8n测试按钮

1. 确保工作流已保存
2. 点击 "Execute Workflow" 按钮
3. 右侧会显示执行结果

方式2：使用curl命令测试（真实模拟）

打开终端，运行以下命令（替换YOUR_WEBHOOK_URL为实际的webhook链接）：

# 假设你有一个test.pdf文件
curl -X POST http://localhost:5678/webhook/ai-pdf-analyzer \
  -H "Content-Type: multipart/form-data" \
  -F "file=@test.pdf"

方式3：使用Postman或Insomnia

1. 打开Postman
2. 新建POST请求
3. URL设置为你的Webhook地址
4. Body中选择 "form-data" 类型
5. 添加参数：Key=file，Value=选择你的PDF文件
6. 点击Send

预期输出示例

如果一切配置正确，你会收到这样的响应：

{
  "status": "success",
  "analysis": "这份PDF文档主要介绍了人工智能的基本概念。关键要点包括：1. AI的定义和发展历程；2. 机器学习的三个主要类型；3. 深度学习的应用...",
  "timestamp": "2025-12-03T13:40:00Z"
}

扩展功能

这个基础工作流可以进一步扩展：

添加向量存储（Qdrant）来记忆文档内容，支持后续查询：

• 使用 "Qdrant" 节点存储文档嵌入
• 后续用户提问时，先从Qdrant搜索相关内容

添加多模型支持：

• 添加If节点判断文档类型
• 根据类型选择不同的AI模型或提示词

添加错误处理：

• 使用 "Error Trigger" 节点捕获失败
• 发送错误通知到邮件或Slack

持久化存储结果：

• 将分析结果保存到PostgreSQL
• 或导出到Google Drive/云存储

常见问题解答

Q1: 安装后访问 localhost:5678 看不到n8n界面？

A: 检查以下几点：

• 确保Docker容器仍在运行：docker ps
• 查看日志看是否有错误：docker compose logs n8n
• 等待30秒后再尝试刷新页面
• 如果是Windows，检查是否需要WSL2配置

Q2: Ollama模型下载很慢，如何加快？

• 确保网络连接稳定，最好使用有线网络
• 模型第一次下载会比较慢（5-30分钟取决于网速）
• 模型下载完后会缓存在本地，后续使用不需要重复下载
• 可选：在其他时间下载其他模型，如 ollama pull mistral

Q3: PDF提取出来的文本乱码或格式不对？

• 某些复杂排版的PDF可能提取效果不佳
• 试试用 "Qdrant" 节点的文本分块功能改善效果
• 或在Ollama提示词中加入"请忽略格式问题，重点关注内容"

Q4: AI的回答不够准确或过于简洁？

• 调整Ollama节点中的 "Prompt" （提示词）

• 在提示词中添加更具体的要求：

请详细分析这份文档，包括：
1. 核心主题（一段话）
2. 3个主要要点（每个要点一句话）
3. 这份文档对我的启示（3-5句话）

• 尝试更大的模型，如 llama3.2:13b（需要更多硬件资源）

Q5: 容器无法启动，出现内存或GPU错误？

• 内存不足：增加Docker分配的内存（Docker Desktop → Settings → Resources）

• GPU错误（NVIDIA）：

# 检查NVIDIA容器工具包是否安装
docker run --rm --runtime=nvidia nvidia/cuda:11.0-runtime nvidia-smi

• GPU错误（AMD）：确保安装了AMD ROCm相关驱动

Q6: 如何更新到最新版本？

# 进入项目目录
cd self-hosted-ai-starter-kit

# 拉取最新代码
git pull origin main

# 根据你的设置拉取最新镜像
docker compose --profile gpu-nvidia pull

# 重启容器
docker compose --profile gpu-nvidia up

Q7: 工作流保存在哪里？可以备份吗？

• 工作流保存在PostgreSQL数据库中

• 备份方法：

# 导出单个工作流为JSON（n8n UI → 工作流 → ... → Download）
# 或通过命令行：
docker compose exec n8n n8n export:workflow --all --output=./workflows.json

故障排查速查表

问题	可能原因	解决方案
访问不了localhost:5678	Docker未启动或n8n容器崩溃	`docker compose ps` 检查状态，`docker compose logs n8n` 查看日志
PDF提取失败	文件格式不支持或文件损坏	试试其他PDF文件，确保是有效的PDF
AI回答"connection refused"	Ollama服务未启动	`docker compose ps` 检查ollama容器，或重启 `docker compose restart ollama`
节点无法连接	节点类型不兼容	检查两个节点的Input/Output类型是否匹配
工作流执行超时	处理时间过长或模型卡住	调整超时设置，或简化工作流逻辑

总结

✨ n8n自托管AI套件的三个超强优势：

1. 隐私第一 - 敏感数据永不上传，完全本地处理
2. 零成本运行 - 开源免费，无按量付费，无月费
3. 高度定制 - 400+集成，可视化构建，无需编程

官方文档^[3]
n8n系列教程^[4]

引用链接

[1] 下载地址: https://git-scm.com/download
[2] 下载地址: https://www.docker.com/products/docker-desktop
[3] 官方文档: https://docs.n8n.io/hosting/starter-kits/ai-starter-kit/
[4] n8n系列教程: https://www.undsky.com/blog/?category=n8n%E6%95%99%E7%A8%8B#