在AI技术高速发展的今天，AI 工作流平台逐渐成为日常工作中的得力助手。无论是内容生成、数据处理，还是自动化决策，这类平台正不断解放人力、提升效率。其中，dify 和 n8n 是两款受到广泛关注的 AI 工作流工具，它们各具特色，适用于不同的使用场景。
Dify 强调与大语言模型（如 GPT 系列）的集成，适合构建对话式应用和智能问答系统，但它在联网搜索能力上存在一定局限，例如无法直接使用网页搜索功能。而 n8n 则是一款开源的工作流自动化平台，灵活性更高，能够通过 API 直接调用网页搜索服务，为任务提供更加实时、丰富的数据支持。
鉴于之前有几篇系列文章已介绍过n8n和MCP的基本操作，这里就直接奔入主题实战操作演示。没有基础的小伙伴跟着步骤也能正常实现。
第一步：安装 Docker(省略)
第二步：获取Brave 搜索API 秘钥
如何获取 API 密钥
1. 注册Brave Search API 帐户 https://brave.com/zh/search/api/
2. 选择计划（免费套餐，每月 2,000 次查询）
3. 从开发者仪表板生成您的 API 密钥
秘钥保存好创建mcp 服务器的时候会用上
• 1. 起始节点：添加一个会话用于发送消息
测试一下添加的大模型DeepSeek是否可以正确接收指令并且正常返回，不得不说n8n的页面做的很人性化，对话窗口会显示每个节点请求的日志信息可以帮助开发者直观的观察到每一个节点的运行情况。 • 2. AI Agent：添加n8n支持的大模型，这里选择deepseek 其实到了这一步跟大模型的交互工作流就创建好了，但我们更重要的是接入mcp，下面就是最重要的环节。 • 3. 添加mcp client tool：
{
"mcpServers": {
"brave-search": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-brave-search"
],
"env": {
"BRAVE_API_KEY": "YOUR_API_KEY_HERE"
}
}
}
}
mcp list tool会有两个工具列表，分别是brave_web_search、brave_local_search，下面运行测试一下brave搜索mcp服务器有哪些工具列表
和文档中提供的工具列表一致
brave_web_search | query（字符串）：搜索词 - count（数字，可选）：每页结果数（最多 20 条） - offset（数字，可选）：分页偏移量（最大 9） | |
brave_local_search | query（字符串）：本地搜索词 - count（数字，可选）：结果数量（最多 20 条） |
brave_web_search 返回的 JSON 格式，下面是你需要填写的内容：{
"query": "AI news",
"count": 10,
"offset": 0
}
