n8n零基础入门：从核心概念到第一个自动化工作流

你有没有想过，一个每周一早上重复的手工任务——把212份注册表格复制进电子表格、挨个回复客户——能不能让机器在你喝完咖啡之前就自动跑完？这正是n8n这类工作流自动化工具存在的意义。这篇基于n8n官方文档的入门课第一集，不只是教你拖几个方框按运行，而是让你能在面试和实际工作中讲清楚：为什么这么搭、什么会让它崩、怎么修。

n8n到底是什么

官方文档用三个短语定义n8n：工作流自动化工具、fair-code许可、内置AI能力。每个短语在面试里都值得拆开讲。

工作流自动化：一个工作流就是把「事件」变成「结果」的一系列步骤。表单提交了，客户收到回复；发票到期了，提醒自动发出；每周一早九点，报告自动出现在正确的文件夹里。自动化的意思是机器替人完成这些步骤——不是更聪明，而是不知疲倦、始终一致、速度够快。n8n让你把这些步骤画成由线连接的方框，画一次，之后每次事件触发都自动运行。

一个贴切的比喻是接力赛：发令枪是触发器（trigger），每个选手跑一棒再把接力棒交给下一个。在n8n里，选手是节点（node），接力棒是你的数据，没人独自跑完全程，也没人在棒子到达前抢跑。

fair-code：这和开源不是一回事，面试官特别爱考这个区别。源代码公开，你可以阅读、在自己机器上运行、在企业内部免费使用；但你不能把n8n本身当作托管服务卖给别人。

内置AI：n8n有语言模型、Agent、记忆、工具、向量存储的节点，一个AI步骤只是画布上又一个方框，紧挨着你的邮件节点。这也是n8n如今频繁出现在招聘需求里的原因。

记住一个三角形：n8n只做三件事——把数据拿进来（触发器）、改造数据（数据与逻辑节点）、把数据发出去（应用节点）。你遇到的每个节点都会落进这三个角之一。

三个必须刻进脑子里的心智模型

n8n里每一个让人困惑的瞬间，几乎都源于漏掉了下面三个概念之一。

概念一：工作流是节点的链条

每个节点只做一件事——读取表单、查找信息、做决定、发消息。数据从节点右侧离开，从下一个节点左侧进入，永远从左到右。第一个节点很特殊，它是触发器，在外部世界发生某事之前什么都不做。触发器就像门铃：房子整夜漆黑，直到有人按下按钮，灯才亮、门才开。一个触发器，一次运行。

概念二：数据是「条目」组成的列表

这是最容易绊倒新手的一点。沿着连线流动的数据不是一整块，而是一个条目（item）列表。三个人填了表单，就是三个条目，每个节点会对每个条目各运行一次——查找跑三次，判断跑三次。你永远不用写循环，循环是内置的。

想象超市收银台：收银员不会把整个购物袋当一件东西扫描，每件商品单独过扫描枪，三件商品三声「嘀」。三个条目，三次运行。底层上，n8n在节点间传递的是一个数组，每个元素是带有json键的对象，字段就住在里面，文件则走单独的binary键。

理解条目列表还需要知道一个常见陷阱：当某个节点只返回单个结果时（比如查询数据库找到一条记录），数据仍然是一个只含一个元素的列表，而非「一个对象」。这意味着你在表达式里永远要通过 $json 访问当前条目的字段，而非直接访问「那个对象」。多个条目并行处理也带来了副作用：如果第3个条目在某个节点报错，默认情况下整条运行会中断，第4、5个条目不再处理。n8n提供了「Continue On Error」和「Error Workflow」机制来应对这种情况——前者让节点跳过出错条目继续往下走，后者在整个工作流失败时触发一个专门的补救流程。这是生产环境部署时必须提前规划的问题，而不是上线后再补的功能。

概念三：不是每个条目都走同一条路

IF节点对每个条目问一个问题，然后把它送出两扇门之一——真或假。比如plan等于pro：是pro的走团队群通知，不是的走欢迎邮件。同一个工作流，不同路径，一次只对一个条目做决定。

节点怎么知道某个条目的邮箱地址？靠表达式（expression）——两个花括号加上你想要的字段。表达式就像婚礼请柬上的空白：你设计一张写着「宾客姓名」的卡片，每个信封填上各自的名字。

每次运行都被保存为一次执行记录（execution）。打开它，你能看到每个节点收到了什么、产出了什么。出错时——比如一条没有邮箱的提交——运行会在那里停下，节点变红，你能看到正是哪个条目把它弄崩了。执行记录就是工作流的黑匣子，出事不用猜，回放每一秒即可。

触发器 vs Webhook：触发器是任何能启动工作流的节点；webhook是触发器的一种——一个n8n监听的URL，外部系统发请求就能启动你的工作流。每个webhook都是触发器，但不是每个触发器都是webhook（定时和手动点击就不是）。

云端还是自托管

「Cloud vs Self-hosted」是面试必考题。

n8n Cloud：无需安装，注册即用，14天包含Pro功能的免费试用，之后选择starter、pro或enterprise套餐。托管、更新、备份、扩容都由n8n负责，代价是花钱和对机器少一点控制权。

自托管：你自己安装。免费的社区版几乎拥有完整功能，注册邮箱还能解锁文件夹、调试模式、自定义执行数据等额外功能。付费的business和enterprise版增加团队功能、单点登录、环境、项目、外部密钥等。

对现在正在学习的人，建议在自己机器上自托管：免费、是大多数公司实际使用的形态，而且亲手折腾一次安装能学到云端替你藏起来的东西。记法很简单——云端是租房，水管爆了打给房东但每月交租；自托管是买房，住着不花钱，但水管爆了你就是水管工。

安装前两个前置：NPX路径需要Node.js的近期LTS版本，Docker路径需要Docker Desktop或Docker引擎。三种安装方式——NPX一行命令最快、Docker在真实团队中最常见、Docker Compose适合长期运行。无论哪种，n8n都在浏览器localhost:5678打开，第一个界面让你创建管理员账户。

自托管除了成本优势，还有一个生产环境中更重要的理由：数据主权。当工作流处理客户的个人信息、财务数据或内部商业机密时，数据流经n8n Cloud意味着数据离开了你的网络边界，需要符合GDPR、HIPAA或行业合规要求。自托管可以把n8n部署在企业内网或私有云，数据全程不出边界。Docker Compose方式在团队中最为常见，原因正是它能与企业已有的容器编排基础设施（如Kubernetes）对接，并且通过环境变量文件（.env）统一管理数据库连接、加密密钥、执行数据保留天数等配置，方便运维审计和版本控制。

编辑器与你的第一个工作流

编辑器中间是画布（canvas），侧边是节点面板，顶部两个控制最关键：一个「测试」按钮当场运行一次，一个「激活」开关让工作流在生产环境中自动运行。测试是你按运行，激活是世界按运行。

打开任意节点都有三栏：左边输入（到达的条目）、中间参数（你告诉节点做什么）、右边输出（离开的条目）。你在n8n里的大部分时间都花在盯着这三栏。

动手搭建一个「线索分拣器」：

1. 手动触发：新建工作流，搜索manual trigger加入，学习阶段最合适。
2. 编辑字段（Edit Fields/Set）：造点数据，加三个字段name、email、plan=pro，执行后在输出栏切换表格视图和JSON视图，注意包裹数据的json键。
3. IF节点：条件{{ $json.plan }}等于pro，执行后IF显示两个输出，true有一条，false零条。
4. 两个结局：true分支设message为「welcome to pro」，false分支设为「thanks for joining」，真实项目里换成聊天和邮件节点即可。
5. 测试并保存：点测试按钮看条目流动，每个节点显示通过的条目计数，保存并命名。

真正让它变真实的一步：把手动触发换成表单触发器（n8n自带表单，无需账户凭证），给它name、email和plan下拉（free/pro），直接连到IF。每个监听外部世界的触发器都有两个URL——测试URL只在你编辑器里按测试时有效，生产URL只在工作流激活时有效。测试URL是彩排，只有导演（你按测试）在场才运行；生产URL是正式演出，门一开就运行，不管你看不看。

专业技巧——数据固定（Pin Data）：固定表单节点的输出，就能反复测试下游节点而不用每次重新提交表单，像游戏里的存档点。生产环境会忽略pin data，但上线前记得取消固定，免得过期测试数据造成混乱。

32个术语：面试题的来源

文档维护了32个术语的词汇表，面试官的问题常常直接从这类列表里抽取。分四组记忆，关键是记住每个术语旁边的「画面」而非措辞：

• 核心词：workflow、node、trigger node、canvas、editor、credential、expression、template、project、data pinning、evaluation。
• 集群节点：cluster node（根节点+子节点，如一个AI Agent加上模型、记忆、工具子节点）。
• 商业词：edition（自托管变体）、plan（云端套餐层级）、license、entitlement。
• AI词汇：LLM、AI completion、AI agent、AI chain、AI tool、AI memory、embedding、vector store、RAG、reranking、groundedness、hallucination、LangChain、API。

一个让RAG瞬间清晰的画面：模型独自作答就像闭卷考试的学生，连不会的题也自信满满地答——这就是幻觉（hallucination）。RAG把它变成开卷考试，同一个学生，但答题前能先查资料。RAG和groundedness的存在正是为了对抗幻觉。

fair-code的标准面试答案：源码可见、可自托管用于内部用途、免费，但不可作为托管服务转售。企业功能在单独的付费许可下。记住licenses会变，真要基于某工具创业，先读当前条款。

术语表中「RAG」（Retrieval-Augmented Generation，检索增强生成）值得单独展开。RAG的工作原理分三步：首先把你的私有文档切割成小块（chunk），通过embedding模型把每块文本转化为高维数字向量并存入向量数据库（vector store）；当用户提问时，同样把问题转成向量，在向量数据库里做相似度搜索，找出最相关的几段原文；最后把这些原文片段连同用户问题一起塞进LLM的提示词，让模型「对着资料回答」。这就是开卷考试的具体机制。Reranking是RAG流程中的可选优化步骤——向量相似度搜索召回20个片段后，用一个专门的重排序模型对这20个片段重新打分，只取最相关的3个送给LLM，降低无关内容干扰模型推理的风险。

学习路径与下一步

文档推荐n8n Academy的互动课程（含练习、测验、结业考和证书），还提供练习用API，不需要注册其他服务的账户。这个系列不是替代品，而是陪在旁边的深度讲解。遇到问题先搜社区论坛，提问时附上导出为JSON的工作流，说清楚「期望什么 vs 实际发生了什么」——这个习惯本身就会让你显得像专业人士。

接下来的路线：build章节的工作流与节点深入、数据与条目、表达式、流程逻辑（IF/switch/merge/loop）、错误与调试、HTTP节点与API、凭证与安全、AI节点与Agent，最后是每集一个真实业务场景。

今日作业：凭记忆重建这个工作流，然后做三个变体——加第三个plan「team」和第三条分支；加第二个条件（plan是pro且邮箱以公司域名结尾）；让false分支用wait节点等待10秒再继续。每个变体都会引出下一集要讲的内容。

这就是地基。你现在知道了n8n是什么、它怎么思考、怎么运行、怎么搭建和调试工作流，以及它词汇表里的每个词。真正让你被录用、并留住工作的，从来不是「搭出来」，而是能说清「为什么这么搭、什么会弄崩、怎么修」。