从Docker部署到AI集成：n8n入门实战指南与本地模型调用

在低代码工作流自动化领域，n8n 以其强大的灵活性和丰富的节点生态，正成为越来越多开发者和运维人员的效率利器。它不仅能连接各种云服务 API，还能轻松集成本地部署的服务，比如数据库和 AI 模型。本文将带你从零开始，通过 Docker 快速部署 n8n，并实战搭建一个结合 AI 模型处理文本文件的自动化工作流，最后还会教你如何调用本地部署的 Ollama 大模型。

前置准备

使用 Docker 方式安装 n8n 无需操心 Node.js 环境，隔离性更好，是新手最推荐的方式。

首先，确保你的电脑已经安装了 Docker 环境。如果还没安装，可以通过以下方式快速获取：

• Windows：直接下载 Docker Desktop 安装；
• Mac：通过 Homebrew 或官网镜像安装；
• Linux：使用系统对应的包管理工具安装。

安装步骤

步骤 1：检查 / 安装 Docker

打开终端，执行以下命令检查 Docker 是否已安装：

docker -v
docker compose version  # 检查 Compose（Docker 20.10+ 已内置）

如果未安装：

• Windows/macOS：下载 Docker Desktop 并安装。安装后启动 Docker Desktop，确保任务栏图标显示 Docker 正在运行。
• Linux：参考 Docker 官方安装文档 进行安装。

步骤 2：创建持久化目录（关键）

为了避免容器重启后工作流数据丢失，我们需要先在本地创建目录用于存储 n8n 的数据。

# macOS/Linux
mkdir -p ~/n8n/data

# Windows（PowerShell）
mkdir $HOME\n8n\data

步骤 3：启动 n8n 容器

使用 Docker Compose 来启动和管理容器是最方便的方式。

1. 创建一个 docker-compose.yml 文件（可以放在 ~/n8n/ 目录下）：

   version: "3"
   services:
   n8n:
   image: docker.n8n.io/n8nio/n8n
   container_name: n8n
   ports:
     - "5678:5678"
   volumes:
     # n8n数据挂载（存储工作流、数据库）
     - ${HOME}/n8n/data:/home/node/.n8n
   environment:
     - N8N_HOST=0.0.0.0
     - N8N_PORT=5678
     - N8N_LOG_LEVEL=info
   restart: always # 开机自启/容器崩溃自动重启

2. 进入 docker-compose.yml 文件所在的目录，执行启动命令：

   docker compose up -d  # -d 表示后台运行

步骤 4：访问与验证

1. 打开浏览器，访问 http://localhost:5678，首次登录需要创建一个账号，之后即可进入 n8n 主界面。
2. 可以通过以下命令查看容器状态，确认运行是否正常：

   docker ps  # 查看运行中的容器，能看到 n8n 容器即正常
   docker logs n8n  # 查看 n8n 日志，排查启动问题

步骤 5：常用 Docker 操作命令

掌握几个常用命令，方便日后维护：

# 停止 n8n 容器
docker stop n8n

# 重启 n8n 容器
docker restart n8n

# 彻底删除 n8n 容器（数据卷已持久化，删除容器不丢数据）
docker rm -f n8n

# 更新 n8n 镜像（升级版本）
docker pull docker.n8n.io/n8nio/n8n
docker compose down && docker compose up -d

使用入门：构建一个AI文本处理工作流

我们通过一个完整的例子来熟悉 n8n：读取一个本地 txt 文件，利用 AI 模型对内容进行优化改写，最后将结果保存为一个新的文件。

浏览器访问 http://localhost:5678 登录后，你会看到如下初始界面：

1. 添加起始节点：点击画布中央的加号，可以看到右侧有丰富的节点分类。我们选择 Trigger manually 这个节点作为工作流的手动触发入口。

2. 添加文件读取节点：点击 Trigger 节点右侧的加号，搜索并添加 Read/Write Files from Disk 节点，操作类型选择 Read File(s) From Disk。接下来需要配置要读取的文件路径。
   

   这里有个关键点：文件路径必须是 Docker 容器内的路径，而不是你电脑上的原始路径。还记得之前 docker-compose.yml 里配置的卷映射吗？最初只映射了数据目录：- ${HOME}/n8n/data:/home/node/.n8n。

   你可能会想，把要读的文件放到 ~/n8n/data 目录下，然后在节点里配置 /home/node/.n8n/xxx.txt。想法没错，但实测 n8n 可能没有权限读取这个数据目录下的用户文件。

   一个更清晰的解决方案是，专门为需要操作的文件新增一个映射目录。修改 docker-compose.yml 文件，在 volumes 部分增加一行：

   volumes:
   # 原有n8n数据挂载（存储工作流、数据库）
   - ${HOME}/n8n/data:/home/node/.n8n
   # 新增：本地文件目录 → 容器内可访问目录
   - ${HOME}/n8n/files:/home/node/.n8n-files

   修改后，运行 docker restart n8n 重启容器。同时，在你电脑的 ~/n8n/ 目录下新建一个 files 文件夹，并把要读取的 6.txt 文件放进去。

   接着，回到 n8n 的 Read File 节点，配置正确的容器内路径：

   /home/node/.n8n-files/6.txt

   点击 Execute step 测试，如果右侧成功显示文件信息，说明读取成功。
   

3. 提取文件内容：Read File 节点输出的是二进制文件数据，需要连接 Extract from File 节点来提取其中的文本内容。添加该节点并点击 Execute step，就能在右侧看到文件的具体文本了。
   

4. 调用 AI 模型处理文本：有了文本内容，现在可以调用大模型进行处理。搜索并添加 AI Agent 节点，然后将它的 Chat Model 接口连接到一个 DeepSeek Chat Model 节点（你需要先在 DeepSeek 平台注册并获取 API Key 来配置此节点）。
   

5. 配置 AI 提示词：双击打开 AI Agent 节点，在 Source for Prompt 处选择 Define below。下方会出现 Prompt 输入框，在这里编写你的指令，例如“将以下文本改写为听书文案风格”。关键是，要将左侧输入区域中 Extract from File 节点输出的 data 字段拖拽到 Prompt 输入框中，这样工作流执行时才会把文件内容传给 AI。
   

6. 保存 AI 输出到文件：运行 AI Agent 节点得到结果后，我们需要将文本保存回本地文件。这个过程与读取相反，需要先将文本转换为文件对象，再写入磁盘。

   • 首先添加 Convert to File 节点，配置 Text Input Field 为 AI 输出的字段（例如 output）。
     
   • 然后添加 Read/Write Files from Disk 节点，操作类型选择 Write File to Disk，配置好容器内的目标文件路径，例如 /home/node/.n8n-files/results/poetry.md。
     

   运行整个工作流，检查 ~/n8n/files/results/ 目录下是否生成了新文件。

n8n 连接本地部署的 AI 模型

除了使用云端 API，n8n 也能轻松集成本地部署的大语言模型。Ollama 是一个简化大模型本地部署和管理的优秀工具，下面我们以它为例进行实践。

本地模型下载

1. 访问 Ollama 官网下载并安装。
2. 在官网模型库中找到 qwen3 系列模型，根据你的电脑配置选择合适尺寸的模型下载。
   
3. 以 qwen3:1.7b 模型为例，复制对应的 CLI 命令 ollama run qwen3:1.7b，在终端中执行，它会自动下载并启动一个交互式对话。
   
4. 下载完成后会自动进入聊天界面。输入 /? 查看命令帮助，输入 /bye 退出。之后再次运行 ollama run qwen3:1.7b 会直接进入对话。
   
5. 你也可以打开 Ollama 的桌面客户端，查看和管理已下载的模型。
   

在 API 测试工具中调用

除了命令行对话，Ollama 也提供了 HTTP API，方便在其他工具中集成。

1. 在模型页面找到 cURL 命令示例并复制。
   
2. 打开 Postman，点击 Import，选择 Raw text 粘贴复制的 cURL 命令，然后点击 Import Into Collection。
   
3. Postman 默认可能以 x-www-form-urlencoded 格式解析 Body，你需要将其中的 JSON 参数复制，然后切换到 Body 标签下的 raw 格式，并选择 JSON，重新粘贴。
   
   

4. 点击 Send 发送请求，即可在下方看到模型的流式响应。
   

   为了避免格式问题，你也可以直接使用下面这个显式指定 JSON 类型的 cURL 命令进行测试：

   curl http://localhost:11434/api/chat \
   -H "Content-Type: application/json" \
   -d '{
   "model": "qwen3:1.7b",
   "messages": [{"role": "user", "content": "Hello!"}]
   }'

   提示：-d 参数里 messages 数组中的 content 就是你的对话内容，可以修改成任何你想问的问题。

国内开发者常用的 Apifox 等工具也支持类似操作，这里不再赘述。Apifox 的一个优点是能够自动合并流式响应返回的完整内容。

在 n8n 中添加 Ollama 节点

现在，我们回到 n8n，用本地模型替换掉之前的云端 AI 服务。

1. 在工作流中，可以删除之前的 AI Agent 节点，搜索并添加 Ollama 节点。
2. 在节点配置中，选择 Message a Model 操作，在 Model 下拉列表中选择你本地已下载的模型（如 qwen3:1.7b），在 Messages 中填写你的提示词。
   
3. 运行节点，n8n 便会调用你本地部署的 Ollama 模型并返回结果，后续可以继续连接文件写入等节点，完成自动化流程。

结语

通过本文的实战演练，你应该已经掌握了 n8n 的核心用法：从 Docker 部署、基础节点操作，到构建一个结合人工智能处理的完整工作流，乃至集成本地 Ollama 模型。n8n 的真正强大之处在于其“连接器”属性，它能以低代码的方式，无缝衔接数据库、本地脚本、云服务 API 和各类 AI 能力，将繁琐重复的操作串联成自动化流水线。

无论是个人用于提升效率，还是小团队用来简化业务流程，本地部署的 n8n 都是一个极具性价比的选择。希望这篇指南能帮助你入门，更多的节点组合与高阶玩法，欢迎在云栈社区与大家一起探索交流。