為什麼需要自建 AI 自動化平台？

2026 年，AI 已經滲透到開發的每一個角落。但大多數人使用 AI 的方式仍然是「打開 ChatGPT 網頁 → 複製貼上 → 再手動操作」，這種模式本質上是低效的。

真正高效的 AI 使用方式是自動化工作流程：讓 AI 自動監控日誌、自動分類郵件、自動生成內容摘要。而實現這一目標，你不需要每個月花幾百美元買 Zapier 的訂閱。

Zapier 的痛點：貴、資料出境、模型鎖定

對比項 Zapier / Make n8n（自部署）
月費 $19.99 起步，AI 功能另加 $20+ 完全免費
資料隱私 經過第三方伺服器 資料不出本機網路
模型選擇 僅限 OpenAI / Anthropic 任意模型，包括開源本機模型
整合數 6000+（但大部分限制付費版） 1500+，全部可用
工作流程上限 按計劃付費，限制呼叫次數 無限制

n8n 的優勢：開源、1500+ 整合、AI 原生

n8n 是一個 Fair-Code 授權的工作流程自動化平台，GitHub 上擁有 50,000+ Star，被 ByteByteGo 評為 2026 Top AI 開源專案。

它的核心賣點：

  • AI-Native：內建 AI 節點（OpenAI、Anthropic、Ollama、LangChain），無需額外配置
  • 1500+ 整合：GitHub、Slack、飛書、釘釘、Google Sheets、PostgreSQL、Redis……幾乎涵蓋所有主流服務
  • 視覺化畫布：拖曳式節點編輯，同時支援自訂 JavaScript/Python 程式碼
  • 自部署：一條 Docker 命令即可執行，資料完全掌控
  • 9000+ 工作流程範本：官方社群提供大量可直接匯入的工作流程

n8n 是什麼？2026 年為什麼火？

從「自部署 Zapier」到 AI 工作流程平台

n8n 最初被稱為「開源版 Zapier」，但到 2026 年，它已經進化成了一個AI 工作流程平台。它的核心能力包括：

  1. 視覺化工作流程編排：拖曳連線節點，無需寫程式碼就能搭建複雜流程
  2. AI Agent 節點：支援「思考-行動-觀察」迴圈，讓 AI 自主決定下一步
  3. LangChain 原生整合：建構 RAG、多 Agent 對話、工具呼叫等進階模式
  4. Human-in-the-loop：關鍵節點加入人工審批，確保 AI 操作可控
  5. MCP 支援：連線 Model Context Protocol，擴展 AI 的感知能力

核心架構和功能亮點

┌─────────────────────────────────────┐
│         n8n 工作流程引擎              │
│  ┌─────────┐  ┌─────────┐          │
│  │ 觸發器   │→ │ 處理節點  │→ ... → │  ┌──────┐
│  │(Cron/Webhook) │ (AI/Code/API) │    │ 輸出  │
│  └─────────┘  └─────────┘        │  └──────┘
│                                     │
│  ┌───────────── 內建 AI 節點 ──────┐│
│  │ Ollama │ OpenAI │ Claude │ Gemini││
│  │ LangChain Agent │ 向量搜尋 │ ...││
│  └─────────────────────────────────┘│
└─────────────────────────────────────┘

Fair-Code 授權意味著什麼？

n8n 採用 Sustainable Use License（永續使用授權），屬於 Fair-Code 範疇：

  • ✅ 原始碼可見，可自部署
  • ✅ 個人和小團隊免費使用
  • ❌ 不能直接將其作為 SaaS 產品出售
  • ✅ 企業可以購買 Enterprise License 獲得額外功能

對於個人開發者和中小團隊，完全免費。

環境搭建：Docker + n8n

一鍵部署 n8n

最快速的方式是使用 Docker 單行命令：

# 建立持久化資料卷
docker volume create n8n_data

# 啟動 n8n
docker run -it --rm --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

啟動後，存取 http://localhost:5678，你會看到 n8n 的歡迎頁面。首次存取會要求建立使用者帳戶（這是本機儲存的，不需要聯網）。

Docker Compose 配置（推薦）

對於生產環境，推薦使用 Docker Compose，並配合 Ollama 一起部署：

# docker-compose.yml
version: "3.8"

services:
  n8n:
    image: n8nio/n8n:latest
    restart: always
    ports:
      - "5678:5678"
    environment:
      - N8N_HOST=localhost
      - N8N_PORT=5678
      - N8N_PROTOCOL=http
      - WEBHOOK_URL=http://localhost:5678
      - EXECUTIONS_DATA_PRUNE=true
      - EXECUTIONS_DATA_MAX_AGE=168
    volumes:
      - n8n_data:/home/node/.n8n
    extra_hosts:
      - "host.docker.internal:host-gateway"

volumes:
  n8n_data:

啟動：

docker compose up -d

首次存取和初始化

  1. 打開瀏覽器存取 http://localhost:5678
  2. 建立本機管理員帳號（使用者名稱、密碼，僅本機儲存）
  3. 進入主介面，你會看到空的工作區
  4. 點選左側 "Workflows" → "New" 建立第一個工作流程

接入本機 AI：n8n + Ollama

n8n 的 AI 能力最強大之處在於它支援本機模型。透過 Ollama，你可以在 n8n 工作流程中直接呼叫本機執行的開源大模型，資料完全不出本機網路。

安裝 Ollama

如果還未安裝 Ollama，一條命令即可：

curl -fsSL https://ollama.com/install.sh | sh

安裝完成後，拉取一個實用的模型：

# 拉取 Meta 的 Llama 3（8B 參數，約 4.7GB）
ollama pull llama3

# 或者拉取阿里通義千問 2.5（中文更強）
ollama pull qwen2.5

# 驗證是否執行
ollama list

💡 如果你已經部署過 Ollama，想知道更多細節，可以閱讀我們之前的文章 Ollama 本機部署 LLM 完全指南。

配置 n8n 連線 Ollama

關鍵技巧：由於 n8n 執行在 Docker 容器中，而 Ollama 執行在宿主機上，需要使用 host.docker.internal 來存取宿主機。

在 n8n 編輯器中新增 Ollama 節點：

  1. 拖入一個 Ollama 節點到畫布
  2. 點選節點 → "Create New Credential"
  3. 配置連線參數： - Base URL：http://host.docker.internal:11434 - 其他保持預設
  4. 點選 "Test" 驗證連線

如果連線成功，你會看到可用模型列表。

選擇適合的模型

模型 大小 中文能力 推薦場景
Llama 3 (8B) ~4.7GB 中等 通用任務、英文內容
Qwen 2.5 (7B) ~4.5GB 優秀 中文內容處理
DeepSeek-V3 (蒸餾版) 可變 優秀 程式碼分析、技術問答
Mistral (7B) ~4.2GB 一般 輕量級任務、快速回應

實戰 1：每日系統日誌分析報告

這是一個完全自動化的場景：每天早上 9 點，n8n 自動讀取系統日誌，用 Ollama 分析異常，然後發送摘要到飛書/釘釘。

工作流程設計

Cron（每天 9:00）→ 執行 Shell 命令（讀取日誌）→ Ollama（分析異常）→ 飛書通知

節點配置

Step 1：Cron 觸發器

新增一個 "Schedule Trigger" 節點： - Trigger Times：選擇 "Every Day" - Hour：9 - Minute：0

Step 2：讀取日誌（Execute Command 節點）

新增 "Execute Command" 節點，讀取最近一小時的系統日誌：

# 讀取系統日誌的最後 200 行
journalctl -u nginx --since "1 hour ago" --no-pager 2>&1 | tail -200

注意：如需讀取宿主機日誌，需要在 docker-compose 中將宿主機日誌目錄掛載到容器，或使用 SSH 節點遠端執行。

Step 3：Ollama 分析節點

新增 "Ollama" 節點：

  • Model：qwen2.5（中文分析能力更強）
  • Prompt：
你是一個系統運維專家。分析以下系統日誌，找出錯誤、警告和異常。
按照以下格式輸出：

## 異常概要
- 嚴重錯誤：X 個
- 警告：X 個
- 資訊：X 條

## 關鍵問題
1. [問題描述] — 建議操作
2. [問題描述] — 建議操作

請用中文回答。

Step 4：發送通知

根據你的團隊使用的工具，選擇對應的節點：

  • 飛書：使用 "Feishu" 節點，配置 Webhook URL
  • 釘釘：使用 "DingTalk" 節點
  • Slack：使用 "Slack" 節點
  • 郵件：使用 "Email" 節點（SMTP）

效果演示

當工作流程執行完成後，你會在飛書/釘釘收到類似這樣的訊息：

📊 系統日誌分析報告 — 2026-07-30 09:00

## 異常概要
- 嚴重錯誤：2 個
- 警告：5 個
- 資訊：120 條

## 關鍵問題
1. ❌ Nginx 502 Bad Gateway（2次）— 建議檢查後端服務是否正常
2. ⚠️ 磁碟使用率超過 80% — 建議清理日誌檔案

Powered by n8n + Ollama Qwen 2.5

這樣一來，你每天早上花 5 秒掃一眼通知，伺服器狀態盡在掌握。

實戰 2：AI 郵件智慧分類與自動處理

每天收到幾十封郵件，手動分類太浪費時間。用 n8n 建構一個 AI 郵件管家，自動判斷郵件重要性並執行相應操作。

工作流程設計

IMAP 輪詢（新郵件）→ 讀取郵件內容 → Ollama 分類 → 分支判斷
→ 緊急 → Slack 通知 + 標記
→ 普通 → 自動回覆範本
→ 垃圾 → 直接丟棄

節點配置

Step 1：IMAP 觸發器

新增 "Email Trigger (IMAP)" 節點： - Credentials：輸入你的郵箱 IMAP 配置（163、QQ、Gmail 等均可） - Check Interval：每 5 分鐘檢查一次 - Folder：INBOX

Step 2：Ollama 分類節點

新增 Ollama 節點，讀取郵件內容並進行分類：

  • Model：qwen2.5
  • Prompt：
你是一個郵件分類助手。分析以下郵件內容，判斷其類別和優先順序。
只輸出一行 JSON，不要有其他內容：

{
  "category": "緊急/普通/垃圾/行銷/通知",
  "priority": 1-5,
  "summary": "一句話總結",
  "suggested_action": "回覆/通知/忽略"
}

---
郵件主題：{{ $json.subject }}
郵件內容：{{ $json.text }}
發件人：{{ $json.from }}

Step 3：條件分支

新增 "IF" 節點，根據 Ollama 的輸出路：

  • 條件：{{ $json.output.category === "緊急" }} → 緊急處理分支
  • 預設 → 普通/垃圾處理分支

Step 4：緊急通知

緊急分支連線 Slack 或飛書節點，發送告警：

🚨 緊急郵件：{{ $json.output.summary }}
發件人：{{ $json.from }}
請立即處理！

效果

配置完成後，你再也不用每天刷郵箱了。重要郵件秒級通知到 IM，垃圾郵件自動過濾，普通郵件自動回覆「收到，我們會盡快處理」——這套流程把郵件處理時間從每天 30 分鐘降到了 5 分鐘。

實戰 3：RSS 內容聚合 + AI 摘要生成

如果你是技術內容創作者，需要每天追蹤多個資訊源，這個工作流程能幫你自動抓取 RSS、生成中文摘要，並輸出到表格。

工作流程設計

RSS Feed Trigger → HTML 提取（正文）→ Ollama 摘要 → 翻譯中文 → 寫入 Google Sheets

節點配置

Step 1：RSS Feed 觸發器

新增 "RSS Feed Trigger" 節點： - URL：填入你關注的 RSS 位址，例如 Hacker News (https://hnrss.org/frontpage) - Poll Interval：每 1 小時

Step 2：HTML 提取

新增 "HTML Extract" 節點，提取文章正文： - Selector：article 或 main 或 body - Return Values：text（純文字格式）

Step 3：Ollama 摘要節點

新增 Ollama 節點：

  • Model：qwen2.5
  • Prompt：
用 3-5 句話總結以下文章的核心內容，要求：
1. 保持技術細節的準確性
2. 突出關鍵資料點和結論
3. 輸出中文

文章標題：{{ $json.title }}
文章內容：{{ $json.extractedText }}

Step 4：寫入 Google Sheets

新增 "Google Sheets" 節點： - Operation：Append - Sheet ID：你的 Google Sheets ID - Columns：日期、標題、摘要、原文連結

效果

每次執行，你的 Google Sheets 就會自動增加一行：

日期 標題 AI 摘要 連結
2026-07-30 n8n v2.5 發布 n8n 發布了 v2.5 版本，新增 MCP 節點支援和更快的 AI Agent 執行引擎... [連結]

這個工作流程特別適合維護技術週報或行業情報監控，一週下來打開表格就能看到所有重要資訊。

n8n vs 其他平台對比

特性 n8n（自部署） Zapier Dify Coze
自部署 ✅ 完全自部署 ❌ 僅 SaaS ✅ 自部署 ❌ 僅 SaaS
開源授權 Fair-Code 閉源 Apache 2.0 閉源
AI 節點 原生 + LangChain 有限 原生 原生
本機模型 ✅ Ollama 原生支援 ❌ ✅ Ollama 支援 ❌
整合數 1500+ 6000+（付費限制） 有限 有限
價格 免費 $19.99+/月 社群版免費 免費（有限額）
工作流程複雜度 高（可巢狀、迴圈、分支） 中 高 中
資料隱私 完全本機 雲端 自部署可本機 雲端

選擇建議：

  • 需要大量 SaaS 整合 + 不介意資料上雲 → Zapier
  • 純 AI 應用開發，不需要複雜工作流程編排 → Dify
  • 快速搭一個 AI Bot 給使用者用 → Coze
  • 需要自訂工作流程 + 本機 AI + 資料隱私 → n8n（本文推薦）

進階：國內可用的模型接入

n8n 不僅支援 Ollama，也可以透過 HTTP Request 節點接入國內各大模型 API。

通義千問 API

  1. 在阿里雲百煉平台獲取 API Key
  2. 新增 "HTTP Request" 節點： - Method：POST - URL：https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions - Authentication：Bearer Token（填入 API Key） - Body：
{
  "model": "qwen-max",
  "messages": [{"role": "user", "content": "你的提示詞"}]
}

DeepSeek API

  1. 在 DeepSeek 平台獲取 API Key
  2. 同樣使用 HTTP Request 節點： - URL：https://api.deepseek.com/chat/completions - 配置方式與通義千問類似

火山引擎（豆包）

  1. 在火山引擎方舟平台獲取 API Key
  2. 配置 HTTP Request 節點呼叫豆包模型

這些 API 通常提供免費額度，成本遠低於直接呼叫 OpenAI 的 API。

總結

n8n 是 2026 年最值得掌握的 AI 自動化工具之一。它把「自建 AI 工作流程」這件事的門檻降到了最低——一條 Docker 命令就能跑起來，拖拖拽拽就能搭建複雜的 AI 自動化流程。

快速回顧

  1. 安裝：docker run -p 5678:5678 docker.n8n.io/n8nio/n8n
  2. 接入 AI：透過 Ollama 節點連線本機模型，資料不出本機網路
  3. 實戰場景：日誌分析、郵件分類、內容聚合——三個可複用的工作流程範本
  4. 對比優勢：相比 Zapier 省去訂閱費，相比 Dify 多了工作流程編排能力，資料完全本機

下一步做什麼？