用智能体构建智能体，使用AI+MCP快速构建N8N工作流

n8n 近年来快速崛起，已成为 GitHub 上最受欢迎的工作流自动化工具之一。它已获得令人瞩目的 13 万星标，并且用户数量每日都在持续增长。随着社区规模不断扩大以及模块化插件系统的完善，创建工作流变得愈发简单。

尽管如此，设计复杂的工作流时仍然存在一些难点：

• • 如何选择合适的插件或节点；
• • 确定必要的数据转换方式；
• • 构建可靠的错误处理机制；
• • 确保数据隐私与安全；
• • 优化大规模操作的性能。

幸运的是，人工智能如今可以帮助我们解决这些问题。

过去，我尝试过多种工具，有些在处理单个节点时表现尚可，但面对完整的工作流，尤其是复杂的场景，效果并不理想。

然而，随着 MCP（模型-上下文协议）的出现，为包括 n8n 在内的多种应用带来了新的可能性，使得工作流的构建变得前所未有的简单。

你可能会好奇，为什么不能直接让一个智能 AI 通过复制粘贴来构建或修复你的工作流呢？如果你尝试过，你可能会发现这常常以失败告终。原因何在？——“幻觉”。AI 模型对于节点参数的信息常常不准确或不完整，有时甚至会完全凭空捏造。

而有了 Claude Code（以及其他任何强大的 AI 代理）和 MCP 的结合，情况就完全不同了。它通过将真实代码数据作为文档来为 AI 提供“知识基础”（grounding），这显著减少了“幻觉”现象的发生，从而产生真正可用且有效的结果。尽管事后可能仍需要一些微调，但这些基础结果的可靠性远高于没有这种“知识基础”的情况。

更重要的是，这项技术完全免费并开源。

在本文中，我将通过一个实际案例演示如何借助 Claude AI 和 MCP 设计一个 n8n 工作流，该工作流能创建一个代理，用于搜索网页并回答用户问题（是的，我们现在正利用一个代理来构建另一个代理——这无疑令人振奋！）。这种方法具有可扩展性，并可利用你自己的数据、第三方服务等进行扩展。

让我们深入探讨！

前提条件

在开始之前，请确保您具备以下条件：

• • 一个活跃的 n8n 实例（无论是本地运行还是云端部署均可）。本教程将以云实例为例进行演示，但本地部署方法也完全适用。
• • Claude Code 或 Claude Desktop，以及可选的有效订阅（我个人更喜欢 Claude Code）。

第一部分：准备工作

步骤 1：下载 MCP

首先，下载 n8n MCP 仓库：

https://github.com/czlonkowski/n8n-mcp

步骤 2：获取您的 n8n API 密钥

从您的本地或云端 n8n 安装中获取 API 密钥，如下图所示。请注意：通常需要有效的订阅（而非试用版）才能访问您的 API 密钥。

您的 n8n 实例 URL 可以在浏览器中打开云实例时找到。它通常遵循 https://xxxx.app.n8n.cloud/ 的格式。

步骤 3：在 Claude 中配置 MCP

完成下载后，请按照以下步骤将以下 MCP 配置添加到您的 Claude 实例（或 Claude Dev）中。如果您使用的是 Claude Desktop，通常可以在此处找到配置文件：

'/Users/<username>/Library/Application Support/Claude/claude*desktop*config.json'

对于 Claude Code，配置文件的位置更为灵活。以下是文档中关于配置文件位置的说明：

MCP Config locations (by scope):
• User config (available in all your projects):
• /Users/<username>/.claude.json
• Project config (shared via .mcp.json):
• /Users/<username>/src/test-codex/.mcp.json (file does not exist)
• Local config (private to you in this project):
• /Users/<username>/.claude.json [project: /Users/<username>/src/test-project]

无论如何，请按如下所示填充 MCP 服务器配置：

"mcpServers": {
    "n8n-mcp":{
      "command":"npx",
      "args":[
        "n8n-mcp"
      ],
      "env":{
        "MCP_MODE":"stdio",
        "LOG_LEVEL":"error",
        "DISABLE_CONSOLE_OUTPUT":"false",
        "N8N_API_URL":"https://xxx.app.n8n.cloud/",
        "N8N_API_KEY":"xxxx"
      }
    }
},

步骤 4：运行并测试 MCP

现在是时候进行测试了！在 Claude Code 中，只需输入 /mcp。此命令将显示所有可用的 MCP 适配器。然后您可以选择一个，并要求它列出其工具，或者直接向 Claude 提问。

这是它支持的工具列表。请确保它能访问文档和“创建工作流”工具。

或者，您也可以直接询问 Claude 它有哪些可用工具。

第二部分：构建工作流

在本教程中，我们将使用 Claude Code 构建一个工作流：用户在聊天中提出问题（这将作为工作流的触发器），AI 代理随后将确定如何使用工具（例如用于网页搜索的 SerpAPI）来回答问题，并将答案显示回聊天界面。

我向 Claude 提供了这项任务，以下是它生成的计划：

• • 研究
• • 设计工作流
• • 创建 JSON
• • 验证
• • 部署

Claude 首先在文档中搜索相关的 n8n 节点。随后，它将工作流生成为 JSON 文件。

接下来，它会验证生成的工作流。

一旦发现错误，它便开始修复。

最后，一旦它生成了有效的 JSON，我们就可以将其复制并粘贴到我们的 n8n 实例中（稍后我们还将介绍如何部署它）。

正如您从上图中可能注意到的，一些节点带有红色边框，这表示存在错误。这仅仅意味着您需要为这些节点（此处为 OpenAI 和 SerpAPI）设置连接，通过提供这些服务所需的 API 密钥并将它们关联起来。

然而，回到我们最初的需求：我们不仅仅想简单地将一个浏览器和一个 AI 串联起来。我们真正想要的是使用一个能利用工具的代理。因此，让我们完善一下请求。

于是，我要求它改用 AI 代理和 AI 代理工具。

可以看到，更改已按预期生效。

还有一个改进点：我要求它使用聊天作为触发器。（在此补充一点，我最初的要求中并未提及此项）。

我要求它使用聊天而非 Webhook 作为触发器。现在，我们有了一个完美的工作流。我在聊天中输入了“最新的 AI 新闻有哪些”，果然，它利用工具生成了回复。尽管这个例子高度简化，但它充分展示了无限的可能性。

部署工作流

如前所述，您可以通过简单地将 JSON 复制粘贴到您的 n8n 实例中，来轻松部署工作流。这是一种非常直接的部署方法，但如果您拥有 n8n 云实例的 API 访问权限，则可以更简单。

请注意，使用 API 部署和调试工作流需要 n8n 订阅（非试用版）。如果您没有订阅，仍然可以复制粘贴上一步中生成的 JSON。

我要求 Claude 部署工作流，但它最初无法做到，因为它没有直接的部署工具。然而，当我让它列出可用工具时，我看到它有“创建工作流”这个功能。于是，我便要求它“创建这个相同的工作流”，这个方法奏效了。

以下是我的 n8n 云实例中成功创建的工作流：

调试工作流

既然我们已经创建并部署了工作流，那么在某个时刻难免会遇到错误。我们可以手动打开执行日志并进行调试，或者更简单地，让 AI 为我们代劳。由于它有权访问 n8n_get_execution 工具，它只需检索整个执行堆栈，就能提供关于哪里出了问题的洞察（理想情况下还会提出修复建议）。

总结

本文仅探讨了自动化工具有限的应用场景，而其潜在价值远不止于此。它开启了一个全新的潜力领域。

然而，在享受技术便利的同时，我们也需保持警惕：

• • 始终理解 AI 正在构建什么。
• • 定期审查和测试生成的工作流。
• • 未经彻底的人工审查和测试，切勿将 AI 生成的代码直接部署到生产环境。
• • 遵守最佳实践和安全标准。
• • 对所有工作流实施版本控制。
• • 确保适当的访问管理和凭证安全。