n8n + MCP 本地部署搭 AI Agent（含汉化）

2026-06-17

n8n + MCP 本地部署，是指把开源工作流引擎 n8n 用 Docker 跑在自己的机器或服务器上，再通过 MCP（模型上下文协议）让大模型节点能调用外部工具，从而把一条”拖拉拽”的工作流升级成会自己决定调什么工具的 AI Agent。这篇带你从零跑通：本地部署、连大模型、接 MCP 工具、设中文界面，并把最常见的部署卡点一次性讲清。适合想低成本自建数字员工、又不想把数据交给云端 SaaS 的团队和个人。

为什么要本地部署 n8n

云端版省事，但本地部署 n8n 有三个硬理由：

数据不出门：工作流里常带 API 密钥、客户数据、内部接口，自托管让这些只留在你自己的服务器上，合规压力小很多。
不限执行量：自托管的社区版（规划中）按你的机器算力跑，不按云端套餐的执行次数计费，跑量大时成本优势明显。
想怎么改怎么改：本地能装自定义节点、改环境变量、接内网服务，灵活度远高于托管版。

简单说：轻量试水用云端，认真做数字员工就本地部署。

原理：n8n 和 MCP 是怎么配合的

先把机制讲清楚，机制不变、参数会变（具体镜像 tag、节点名以官方文档为准）。

n8n 本身是个”工作流编排器”：每个节点是一步动作（收 Webhook、查数据库、调 API、发消息），节点之间连线就是数据流。它原本是固定流程——你画好了它就照着走。

MCP（模型上下文协议）解决的是”让大模型能用工具”这件事。 它是一套标准协议，规定了大模型如何发现、调用外部工具。想深入理解协议本身，看 MCP 协议是什么（规划中）这篇。

两者一结合，逻辑就变了：

n8n 里放一个 AI Agent / 大模型节点，挂上一个大模型（如 DeepSeek、Kimi、GLM 或本地模型）。
通过 MCP 客户端节点把一批工具（数据库查询、文件读写、第三方 API）以 MCP 协议暴露给这个 Agent。
用户发来一句话，模型自己判断该调哪个工具、按什么顺序调——流程从”写死”变成”模型自己决策”。

这就是从普通工作流到 AI Agent 的关键一跃。

本地部署 n8n：Docker 五步

下面给最小可复制路径。前提：机器已装好 Docker（Windows/Mac 用 Docker Desktop，Linux 装 docker + docker compose 即可）。

第一步：拉镜像并起一个最简容器

docker run -d --name n8n -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

-v 挂一个命名卷保存数据，否则容器一删工作流就没了。镜像地址与版本 tag 以官方文档为准。

第二步：访问后台

浏览器开 http://localhost:5678，第一次进会让你建管理员账号。服务器部署就把 localhost 换成服务器 IP（记得放行 5678 端口）。

第三步：用 docker compose 固化配置（推荐生产用）

写一个 docker-compose.yml，把端口、数据卷、关键环境变量都固定下来，重启不丢配置：

services:
  n8n:
    image: docker.n8n.io/n8nio/n8n
    restart: always
    ports:
      - "5678:5678"
    environment:
      - N8N_DEFAULT_LOCALE=zh-CN
      - GENERIC_TIMEZONE=Asia/Shanghai
      - N8N_SECURE_COOKIE=false
    volumes:
      - n8n_data:/home/node/.n8n
volumes:
  n8n_data:

然后 docker compose up -d 启动。具体支持的环境变量名以官方文档为准。

第四步：设置中文界面（汉化）

n8n 自带多语言支持，汉化不用装插件，靠环境变量切换：

在上面的 compose 里设 N8N_DEFAULT_LOCALE=zh-CN（已加在示例中）。
重启容器后，界面菜单即变为中文。
注意：界面是中文，但节点内部字段、文档大多仍是英文，这是正常的——locale 只翻译框架 UI，不翻译第三方节点内容。

第五步：放到公网要加反向代理

生产环境别裸跑 5678。前面挂个 Nginx 反代 + HTTPS，并设好 N8N_HOST、WEBHOOK_URL 等变量，否则 Webhook 回调地址会错。具体变量以官方文档为准。

连大模型节点

工作流要变 Agent，第一件事是接上一个能用的大模型。

在画布上加一个 AI Agent 节点（或 Chat Model / LLM 类节点）。
配置模型凭据：填 API Base URL + API Key。国产模型（DeepSeek、Kimi 等）大多兼容 OpenAI 接口格式，直接把 Base URL 换成对应厂商的兼容端点即可。
想完全本地、不联网，可以接 Ollama 跑本地开源模型，把 Base URL 指向本机 Ollama 服务地址。
填好后先用节点的”测试”功能发一句话，能正常返回再往下接工具。

口诀：先让模型节点单独跑通，再谈接 MCP。 顺序反了会让排查变成一团乱麻。

接入 MCP 扩展工具

模型通了，下一步是给它”手脚”——通过 MCP 接工具。

n8n 侧通常有两种角色：

角色	作用	典型用法
MCP 客户端节点	让 n8n 的 Agent 去调用外部 MCP Server 提供的工具	Agent 调一个 MCP 文件系统/数据库工具
MCP 触发/服务端节点	把 n8n 工作流本身暴露成一个 MCP 工具，给别的 Agent 用	让 Claude/Cursor 等调用你的 n8n 工作流

接入步骤（以客户端方向为例）：

准备好一个 MCP Server（官方/社区有现成的，如文件、数据库、搜索类工具服务）。
在 n8n 加 MCP 客户端节点，填上该 Server 的连接信息（命令/地址、传输方式 stdio 或 SSE 以官方文档为准）。
把这个 MCP 节点作为”工具”挂到 AI Agent 节点上。
Agent 运行时会自动发现该 Server 暴露的工具列表，并按需调用。

到这一步，你的 n8n 工作流就成了一个能自己选工具、自己干活的数字员工雏形。

怎么验证部署成功

按这个顺序逐级确认，别跳步：

容器在跑：docker ps 能看到 n8n 容器状态为 Up。
后台能开：浏览器访问 5678 端口出现登录/工作流界面。
中文生效：菜单显示中文（说明 locale 变量已读到）。
模型能答：AI 节点单测能返回模型回复。
工具能调：给 Agent 一个明确需要用工具的任务，看执行日志里是否真的触发了 MCP 工具调用。

每一级都过了，整条链路才算通。

常见坑与排查

现象	多半原因	解法
容器起来后重启工作流全没了	没挂数据卷	确认 `-v` 挂了 `/home/node/.n8n` 命名卷
公网访问登录后立刻退出/报 cookie 错	非 HTTPS 下安全 cookie 拦截	临时设 `N8N_SECURE_COOKIE=false`，正式环境上 HTTPS
Webhook 回调地址不对	没设对外地址变量	配 `WEBHOOK_URL`/`N8N_HOST` 为真实域名
改了 locale 界面还是英文	容器没重启或变量名写错	`docker compose up -d` 重建容器，核对变量名
大模型节点报鉴权失败	Base URL / Key 填错或端点不兼容	用厂商的 OpenAI 兼容端点，单独测模型节点
MCP 工具调不起来	Server 没启动或传输方式不匹配	先确认 MCP Server 单独可用，再核对 stdio/SSE 配置

一个总原则：自下而上排查——先确认容器、再界面、再模型、最后 MCP，别一上来就怀疑 Agent 逻辑。

常见问题

n8n 本地部署一定要用 Docker 吗？ 不是必须，但最省心。也能用 npm 全局安装直接跑，但依赖和升级要自己管。新手强烈建议 Docker，环境干净、迁移方便。

n8n 汉化要装插件吗？ 不用。设置环境变量 N8N_DEFAULT_LOCALE=zh-CN 并重启容器即可，界面框架就变中文。第三方节点的字段和文档仍是英文，这属正常现象。

没有 MCP 也能在 n8n 里用大模型吗？ 能。只用大模型节点做翻译、总结、分类这类固定流程完全可以。MCP 的价值在于让模型自己选工具、做多步决策，需要 Agent 化时才用得上。

本地部署的 n8n 安全吗？能放公网吗？ 能，但要做防护：套 Nginx 反代 + HTTPS、设强密码、必要时限制访问 IP。裸暴露 5678 端口到公网很危险，务必加一层。

国产大模型能接进 n8n 吗？ 能。DeepSeek、Kimi、GLM 等大多提供 OpenAI 兼容接口，在模型节点里把 Base URL 换成对应端点、填上 Key 即可，配置方式和接 OpenAI 几乎一样。

👉 看看 AI 数字员工落地指南，或了解数字员工搭建实战课。需要为企业把工作流和 Agent 真正落到生产，欢迎找我们聊企业服务。