n8n 從入門到實踐

劉陽圓（筆名“MAI麥造”），高級爬蟲&RPA工程師，軟件行業從業10年，致力於推動AI Agent與自動化工作流在生產辦公中的提效。同時也是 CSDN、掘金等平臺的優秀作者。

目    錄

第1部分  基礎篇

第1章  n8n概述 2

1.1  歡迎來到智能體時代：自動化是你的新超能力 2

1.1.1  低代碼平臺：智能自動化的流程基礎 3

1.1.2  AI大模型：讓自動化具備智能體能力 3

1.2  認識工作流與智能體：它們是你的左膀右臂 4

1.2.1  工作流：穩定的流程執行器 4

1.2.2  智能體：具備工具調用能力的AI助手 4

1.2.3  二者如何配合 4

1.2.4  小結 5

1.3  選擇n8n：構建AI Agent的執行控制層 5

1.3.1  掌握自動化平臺完整技術自主權 5

1.3.2  n8n具備的特性 6

1.3.3  主流自動化與Agent平臺的定位差異 6

1.3.4  深入解析三類典型競品 7

1.4  n8n的核心設計理念與關鍵特性 7

1.4.1  可視化編排界面 8

1.4.2  豐富的第三方應用集成 9

1.4.3  原生AI Agent能力的支持 9

1.4.4  人機協作審批 10

1.4.5  按需編寫JavaScript/Python腳本 10

1.4.6  私有化部署與沙箱安全隔離 11

1.4.7  執行數據記錄與可視化調試 12

1.4.8  Publish與自動保存 12

1.4.9  團隊協作與工作流版本管理 13

1.5  n8n的理念與生態 13

1.5.1  開放與商業的平衡 13

1.5.2  生態資源 14

1.5.3  小結 14

1.6  n8n的技術架構：深入了解底層設計 14

1.6.1  核心技術棧與組成 14

1.6.2  執行模式：默認模式與隊列模式 14

1.6.3  部署建議：以Docker Compose為主線 15

1.6.4  小結 15

1.7  社區、模板與學習路徑 15

1.7.1  模板的價值 15

1.7.2  社區節點的使用原則 15

1.7.3  小結 16

1.8  企業應用場景概覽 16

第2章  n8n環境搭建 17

2.1  n8n的版本區別 17

2.2  Cloud版本部署 18

2.2.1  適用場景 18

2.2.2  基本使用流程 18

2.2.3  套餐與使用建議 20

2.3  Community社區版本部署 21

2.3.1  部署前的準備 21

2.3.2  創建項目目錄 21

2.3.3  編寫docker-compose.yml 22

2.3.4  啟動n8n 23

2.3.5  訪問n8n並創建管理員賬號 23

2.3.6  驗證PostgreSQL和pgvector 24

2.3.7  常用管理命令 24

2.3.8  常見問題排查 25

2.3.9  更新與備份 25

2.3.10  其他部署方式 26

2.4  配置中文界面 26

2.4.1  使用瀏覽器翻譯插件（推薦） 26

2.4.2  使用社區中文Docker鏡像 27

2.4.3  不推薦在本書主線中手動替換容器文件 28

2.4.4  方案對比與選擇建議 28

2.5  變量配置 28

2.5.1  為什麼需要環境變量 29

2.5.2  常用環境變量速查 29

2.5.3  使用.env管理配置 29

2.6  權限路徑與數據存儲 30

2.6.1  .n8n目錄裏保存什麼 30

2.6.2  /files路徑怎麼用 30

2.6.3  備份哪些內容 31

2.6.4  常見權限問題 31

2.7  n8n快速開發入門 32

2.7.1  第一個工作流：定時網站監控 32

2.7.2  第一個AI Agent：AI聊天助手 33

2.7.3  調試習慣 35

第3章  n8n核心概念 36

3.1  變量與表達式 36

3.1.1  固定值與表達式 36

3.1.2  表達式語法基礎 38

3.2  數據流邏輯 40

3.2.1  核心數據結構：JSON與Binary 41

3.2.2  Item與列表List 42

3.2.3  隱式循環機制 42

3.3  憑據與安全 43

3.3.1  憑據管理機制 43

3.3.2  環境變量與敏感數據保護 49

3.4  模塊化思維 49

3.4.1  節點分類 49

3.4.2  模板的復用價值 50

3.4.3  自定義組件：從Code到Sub-workflow 52

3.4.4  模塊化設計的最佳實踐 53

3.5  任務調度與執行 54

3.5.1  定時任務與Cron表達式 54

3.5.2  生產模式與開發模式 55

3.5.3  時區與並發控制 57

3.5.4  小結 58

第4章  畫布與工作流管理 59

4.1  畫布操作指南 59

4.1.1  界面布局與導航 59

4.1.2  節點的添加、連接與布局優化 60

4.1.3  快捷鍵與高效技巧 61

4.2  工作流生命周期管理 62

4.2.1  工作流的創建、保存、備份與導入導出 62

4.2.2  標簽與分類管理 63

4.2.3  發布與取消發布 63

4.3  調試與監控 64

4.3.1  執行歷史詳解 64

4.3.2  單步調試與Pin Data 65

4.3.3  錯誤排查、重試、數據保留與錯誤監控 66

 

第5章  節點與觸發器深度解析 68

5.1  常用節點詳解 68

5.1.1  數據處理節點 68

5.1.2  邏輯控制節點 69

5.1.3  HTTP Request節點 70

5.1.4  Code節點 71

5.1.5  流程控制節點 71

5.1.6  最佳實踐：提升可讀性 72

5.2  觸發器深度解析 72

5.2.1  Webhook：連接萬物的即時入口 72

5.2.2  Webhook安全與鑒權 74

5.2.3  輪詢觸發器：主動拉取的策略 75

5.2.4  Error Trigger：全局錯誤處理的安全網 75

5.2.5  觸發器應用案例 76

5.3  數據持久化 76

5.3.1  Data Table的概念與優勢 76

5.3.2  節點資源與常用操作 77

5.3.3  典型應用場景 77

5.3.4  註意事項與進階建議 78

第6章  編寫與優化提示詞 80

6.1  n8n視角下的提示詞分類 80

6.1.1  n8n中的提示詞特點 80

6.1.2  n8n中的Context 80

6.1.3  提示詞的分類體系 81

6.2  編寫高質量提示詞的4種方法 81

6.2.1  角色扮演法 81

6.2.2  細節法 81

6.2.3  示例法 82

6.2.4  推理法 82

6.3  結構化提示詞 83

6.3.1  RC-CF框架 83

6.3.2  常用結構化格式 83

6.3.3  n8n實踐：構建結構化提示詞 84

6.4  n8n中的提示詞模式 84

6.4.1  Fixed模式 84

6.4.2  Expression模式 84

6.4.3  調試提示詞 85

6.4.4  動態提示詞的高級用法 85

6.5  系統提示詞與用戶提示詞 85

6.5.1  系統提示詞：定義角色與邊界 85

6.5.2  用戶提示詞：傳遞任務與動態數據 86

6.5.3  兩者如何協作 86

6.6  使用AI優化提示詞 86

6.6.1  讓大模型重寫提示詞 86

6.6.2  Meta-Prompting：生成多個候選版本 87

6.6.3  Evaluator-Optimizer模式 87

6.7  實踐：打造一個“誇誇助手” 87

6.7.1  場景設計與工作流概覽 87

6.7.2  配置系統提示詞 88

6.7.3  配置用戶提示詞 89

6.7.4  運行與測試 89

6.7.5  進階思路：加入隨機風格 90

6.8  本章小結 90

第2部分  實戰篇

第7章  實戰案例：智能客服 92

7.1  工作流設計思路 92

7.1.1  要實現的功能 92

7.1.2  技術選型 92

7.1.3  本章學習路徑 93

7.2  創建知識庫文檔導入工作流 93

7.2.1  準備工作 93

7.2.2  工作流整體架構 93

7.2.3  創建工作流與表單入口 94

7.2.4  配置Postgres PGVector Store 94

7.2.5  配置Data Loader與Text Splitter 95

7.2.6  配置Embeddings節點 96

7.2.7  測試知識庫文檔導入工作流 96

7.3  創建客服問答工作流與配置核心AI模塊 98

7.3.1  創建工作流並添加Chat Trigger 98

7.3.2  添加AI Agent節點 98

7.3.3  測試客服問答工作流 101

7.4  創建飛書應用 104

7.4.1  創建企業自建應用 104

7.4.2  添加機器人能力 105

7.4.3  配置消息權限 105

7.4.4  配置事件訂閱 106

7.4.5  發布版本 106

7.4.6  保存應用憑證 107

7.4.7  邀請機器人加入會話 108

7.5  配置飛書消息觸發器與回復 109

7.5.1  安裝飛書社區節點 109

7.5.2  創建飛書版客服工作流 110

7.5.3  復用AI Agent核心邏輯 110

7.5.4  配置AI Agent輸入 111

7.5.5  配置飛書用戶會話標識 112

7.5.6  添加Lark Reply節點 112

7.5.7  測試完整鏈路 113

7.6  復盤與小結 114

7.6.1  本章核心收獲 114

7.6.2  後續優化方向 115

第8章  實戰案例：挖掘Reddit商機 116

8.1  工作流設計思路 116

8.1.1  為什麼從Reddit挖掘商機 116

8.1.2  要實現的功能 116

8.1.3  工作流整體架構 117

8.1.4  技術選型說明 118

8.1.5  準備工作 118

8.2  創建數據表與安裝Apify節點 118

8.2.1  Data Table的作用 118

8.2.2  創建兩張核心數據表 119

8.2.3  安裝Apify社區節點 120

8.2.4  配置Apify憑據 121

8.3  構建數據采集和字段預處理模塊 121

8.3.1  添加Schedule Trigger節點 122

8.3.2  使用HTTP Request獲取RSS 122

8.3.3  使用XML節點解析數據 123

8.3.4  使用Merge節點合並數據 124

8.3.5  使用Code節點提取關鍵字段 124

8.3.6  完整測試 125

8.4  構建內容抓取和存儲與去重模塊 126

8.4.1  轉換URL格式 126

8.4.2  配置Apify節點獲取評論 127

8.4.3  使用Data Table存儲抓取結果 128

8.4.4  過濾已經分析過的數據 129

8.5  構建AI智能分析和結果存儲與通知模塊 130

8.5.1  添加AI Agent與輸出解析器 131

8.5.2  設計分析提示詞 132

8.5.3  記錄分析結果 133

8.5.4  過濾有價值內容 134

8.5.5  合並原始數據與分析結果 135

8.5.6  格式化通知內容 136

8.6  復盤與小結 137

8.6.1  本章核心收獲 137

8.6.2  後續優化方向 137

第9章  實戰案例：小紅書文案提取與仿寫 138

9.1  工作流設計思路 138

9.1.1  要解決的問題 138

9.1.2  效果展示 138

9.1.3  工作流整體架構 139

9.1.4  準備工作 140

9.2  安裝XHS-Downloader環境 140

9.2.1  為什麼需要XHS-Downloader 140

9.2.2  準備目錄結構 140

9.2.3  編寫XHS-Downloader的docker-compose.yml文件 141

9.2.4  給n8n增加共享卷 141

9.2.5  啟動並驗證服務 141

9.3  配置鏈接輸入與數據獲取階段相關節點 142

9.3.1  Form Trigger：創建任務提交入口 142

9.3.2  Code節點：提取幹凈鏈接 144

9.3.3  HTTP Request：獲取筆記詳情並下載視頻 145

9.3.4  測試與排查 146

9.4  配置Gemini提取視頻文案節點 146

9.4.1  Read File(s) From Disk節點：讀取視頻文件 146

9.4.2  Google Gemini節點：音頻轉文字 147

9.4.3  測試與排查 148

9.5  打造“超級內容增長專家”AI內容創作節點 148

9.5.1  創作節點的提示詞設計 148

9.5.2  添加AI Agent並連接模型 149

9.5.3  配置系統提示詞和用戶提示詞 149

9.5.4  配置Options並測試 151

9.6  配置Webhook通知節點 152

9.6.1  為什麼使用Webhook 152

9.6.2  獲取飛書Webhook地址 152

9.6.3  添加HTTP Request節點 154

9.6.4  使用卡片消息美化結果 155

9.7  復盤與小結 156

9.7.1  本章核心收獲 156

9.7.2  後續優化方向 156

第10章  實戰案例：小紅書知識圖文流水線 157

10.1  工作流設計思路 157

10.1.1  自動化知識卡片創作 157

10.1.2  最終效果 158

10.1.3  工作流整體架構 158

10.1.4  技術選型說明 159

10.2  安裝xiaohongshu-mcp 159

10.2.1  認識xiaohongshu-mcp與MCP 159

10.2.2  下載與安裝 160

10.2.3  掃碼登錄 161

10.2.4  啟動MCP服務 161

10.2.5  驗證服務 162

10.2.6  Docker部署（可選） 163

10.3  配置AI Agent生成圖片提示詞節點 163

10.3.1  從主題到圖片提示詞的數據流 163

10.3.2  提交創作主題 164

10.3.3  圖片提示詞生成 164

10.3.4  提示詞結構化輸出 166

10.3.5  拆分提示詞列表 168

10.3.6  測試提示詞生成 169

10.4  配置Nano Banana Pro生成圖片節點 170

10.4.1  生成圖片 170

10.4.2  寫入圖片到磁盤 171

10.4.3  組裝發布基礎數據 172

10.4.4  測試與排查 173

10.5  配置AI Agent文案生成與數據組裝節點 173

10.5.1  文案生成的設計思路 173

10.5.2  配置文案生成節點 173

10.5.3  配置文案模型與結構化輸出 175

10.5.4  組裝最終發布數據 175

10.5.5  測試文案生成效果 176

10.6  使用xiaohongshu-mcp自動發帖 177

10.6.1  為什麼使用AI Agent + MCP Client Tool模式 177

10.6.2  自動發布小紅書 177

10.6.3  配置小紅書MCP工具 178

10.6.4  配置發布模型 179

10.6.5  檢查連接與日誌 180

10.7  完善消息通知 181

10.7.1  整理通知消息 182

10.7.2  發送到飛書Webhook 183

10.7.3  配置錯誤處理 183

10.8  完整流程測試與發布 184

10.8.1  端到端測試流程 184

10.8.2  激活工作流 185

10.8.3  批量創作技巧 186

10.9  復盤與小結 187

10.9.1  本章核心收獲 187

10.9.2  後續優化方向 187

第11章  實戰案例：量化投資工作流 188

11.1  工作流設計思路 188

11.1.1  為什麼要進行投資量化分析 188

11.1.2  要構建的工作流 188

11.1.3  工作流整體架構 189

11.1.4  技術選型說明 190

11.1.5  環境準備 190

11.2  配置Data Table 190

11.2.1  兩張Data Table的作用 190

11.2.2  創建dt_關註公司清單 191

11.2.3  創建dt_快訊分析結果 192

11.2.4  去重字段news_hash 192

11.2.5  驗證清單 193

11.3  配置添加關註公司工作流 193

11.3.1  接收添加公司請求 193

11.3.2  解析股票信息 194

11.3.3  配置DeepSeek模型 195

11.3.4  配置股票結構化輸出 195

11.3.5  寫入關註公司表 196

11.3.6  返回處理結果 198

11.3.7  完整測試 198

11.4  部署aktools 199

11.4.1  為什麼使用aktools 199

11.4.2  Docker部署 199

11.4.3  驗證部署 200

11.4.4  在n8n中調用 201

11.4.5  數據源和訪問路徑說明 201

11.4.6  常用運維命令 201

11.5  配置快訊抓取節點 202

11.5.1  添加Schedule Trigger節點 202

11.5.2  使用HTTP Request抓取華爾街快訊 203

11.5.3  使用Code節點標準化快訊數據 203

11.5.4  使用Data Table篩選未處理快訊 204

11.5.5  使用IF節點判斷是否有新快訊 205

11.5.6  使用Data Table Get獲取關註公司清單 206

11.5.7  使用Code節點拼接關註公司提示詞 207

11.5.8  使用Merge節點合並輸入 207

11.5.9  使用NoOp節點處理無新快訊情況 208

11.5.10  數據采集層完整節點連接 209

11.6  配置AI Agent判斷新聞相關性 209

11.6.1  配置快訊相關性分析Agent 209

11.6.2  配置模型與結構化輸出 211

11.6.3  提取最高相關公司 213

11.6.4  結構化輸出排查 214

11.7  通過aktools獲取日線交易數據 214

11.7.1  數據獲取層開始前的節點狀態 214

11.7.2  準備行情請求參數 215

11.7.3  獲取A股行情 216

11.8  計算技術指標和進行量化分析 217

11.8.1  技術指標科普小貼士 218

11.8.2  計算技術指標 218

11.8.3  合並分析上下文 220

11.8.4  綜合投資分析 221

11.8.5  DeepSeek綜合分析模型 222

11.8.6  綜合分析結構化輸出 222

11.8.7  常見問題與解決方案 224

11.9  記錄分析結果並發送通知 225

11.9.1  入庫字段規範化 225

11.9.2  寫入分析結果 226

11.9.3  飛書卡片通知 227

11.9.4  通知和復盤建議 228

11.10  復盤與小結 228

11.10.1  本章核心收獲 228

11.10.2  後續優化方向 228

第12章  實戰案例：自動化全平臺熱搜輿情分析 230

12.1  工作流設計思路與背景 230

12.1.1  為什麼要做多平臺熱榜 + AI輿情分析 230

12.1.2  要實現的功能 230

12.1.3  工作流整體架構 231

12.1.4  雙庫存儲的設計 231

12.1.5  技術選型說明 232

12.1.6  本章前置知識 232

12.1.7  環境準備 232

12.2  部署DailyHotApi熱搜聚合服務 232

12.2.1  DailyHotApi項目介紹 232

12.2.2  Docker部署 233

12.2.3  支持的平臺和接口 234

12.2.4  常用運維命令 235

12.2.5  配置PostgreSQL數據庫連接憑證 235

12.3  配置工作流入口與多平臺熱榜抓取 236

12.3.1  添加定時觸發器 236

12.3.2  配置關鍵詞 237

12.3.3  配置6個平臺並行抓取（HTTP Request） 238

12.4  配置熱榜數據合並與有效響應過濾 239

12.4.1  多平臺結果合並 239

12.4.2  過濾成功響應 241

12.4.3  格式化熱搜數據 241

12.4.4  是否有有效熱點（IF節點） 243

12.4.5  運行驗證 244

12.5  配置向量化入庫與去重 245

12.5.1  向量入庫去重 245

12.5.2  存儲向量到數據庫 246

12.5.3  向量入庫嵌入模型 247

12.5.4  向量入庫文檔加載 248

12.5.5  向量入庫文本切分 249

12.5.6  常見問題排查 250

12.5.7  運行驗證 250

12.6  配置結構化歷史主庫與日對比 251

12.6.1  為什麼需要結構化主庫 251

12.6.2  配置“結構化歷史入庫與對比”節點 252

12.6.3  配置“合並結構化對比”節點 254

12.6.4  運行驗證 255

12.7  配置AI Agent實現綜合輿情分析 255

12.7.1  節點總覽與連接關系 256

12.7.2  配置AI Agent“綜合輿情分析”節點 256

12.7.3  配置“AI分析模型-DeepSeek”節點 257

12.7.4  配置“AI結構化輸出解析”節點 258

12.7.5  配置“向量檢索工具”節點 260

12.7.6  配置“向量檢索”節點 261

12.7.7  配置“向量檢索嵌入模型”節點 262

12.7.8  入庫和檢索的一致性檢查 262

12.7.9  運行驗證 263

12.8  配置分析結果發送到飛書 263

12.8.1  節點總覽 263

12.8.2  生成飛書卡片 263

12.8.3  飛書發送通知 265

12.8.4  飛書應用配置 266

12.8.5  運行驗證 266

12.9  復盤與小結 266

12.9.1  完整工作流回顧 267

12.9.2  本章核心收獲 267

12.9.3  可擴展方向 268

12.9.4  與第11章的對比 268

第13章  實戰案例：熱點聚合與公眾號草稿發布 269

13.1  項目背景與主-子工作流架構 269

13.1.1  為什麼要做“熱點聚合+AI二創+草稿發布” 269

13.1.2  與前面章節的區別 269

13.1.3  主-子工作流架構 270

13.1.4  整體架構圖 270

13.1.5  技術選型 271

13.1.6  本章前置知識 271

13.2  準備工作：配置公眾號社區節點和創建Data Table 271

13.2.1  理解Data Table的角色 271

13.2.2  創建rss_site數據表 272

13.2.3  創建rss_post數據表 272

13.2.4  安裝wechat-offiaccount社區節點 273

13.2.5  配置wechat-offiaccount憑據 274

13.2.6  安裝wechat-formatter社區節點 276

13.2.7  驗證與測試 277

13.3  監控公眾號發文 277

13.3.1  定時觸發 277

13.3.2  讀取RSS源配置 277

13.3.3  抓取RSS文章 278

13.3.4  標準化文章字段 279

13.3.5  wechat2rss簡介 280

13.3.6  測試和常見問題 280

13.4  配置數據清洗、去重與入庫 280

13.4.1  文章去重與排序 280

13.4.2  入庫RSS文章 281

13.4.3  運行驗證 283

13.5  配置AI熱點分析與Top熱點篩選 283

13.5.1  聚合候選文章 284

13.5.2  AI熱點分析Agent 284

13.5.3  設計Prompt 286

13.5.4  熱點結構化輸出 287

13.5.5  選取Top2熱點 288

13.5.6  跨平臺熱度判斷與話題聚類邏輯 289

13.6  聚合熱點內容AI二創寫稿 289

13.6.1  循環熱點話題 289

13.6.2  拆分熱點文章 290

13.6.3  讀取文章詳情 291

13.6.4  組裝二創素材 291

13.6.5  AI二創寫稿 292

13.6.6  二創模型和結構化輸出 293

13.6.7  循環邏輯說明 294

13.7  配置發布前通知與子工作流 295

13.7.1  飛書通知-文章待發布 295

13.7.2  準備發布入參 296

13.7.3  執行發布子工作流 297

13.7.4  主流程解耦設計理念 298

13.8  配置子工作流：公眾號草稿發布與成功回執 298

13.8.1  子流程觸發器 298

13.8.2  文章排版 299

13.8.3  獲取AccessToken 300

13.8.4  生成默認封面圖 301

13.8.5  上傳封面素材 301

13.8.6  創建草稿 302

13.8.7  飛書通知-草稿創建成功 303

13.8.8  運行驗證 304

13.9  復盤與小結 304

13.9.1  最終效果展示 304

13.9.2  核心知識點總結 306

13.9.3  擴展方向 307

第14章  實戰案例：基於Seedance的批量爆款短視頻生成工作流 308

14.1  工作流設計思路與背景 308

14.1.1  工作流整體架構 308

14.1.2  核心技術棧 309

14.1.3  開始前的準備 309

14.2  配置Gemini與Replicate的API Key 310

14.2.1  配置Replicate API憑據 310

14.2.2  配置Gemini API憑據 311

14.3  配置工作流入口與雙階段提示詞生成 311

14.3.1  手動執行與配置參數 312

14.3.2  生成創意視頻點子（階段一Agent） 313

14.3.3  配置階段一的模型、工具和解析器 314

14.3.4  生成詳細視頻提示詞（階段二Agent） 316

14.3.5  配置階段二的模型、工具和解析器 317

14.3.6  運行測試 319

14.4  配置Seedance 2.0視頻生成子工作流 320

14.4.1  成本與整體架構 320

14.4.2  添加調試入口和調試參數 321

14.4.3  生成視頻 322

14.4.4  查詢視頻狀態與判斷完成 324

14.4.5  等待生成與返回結果 326

14.4.6  驗證並添加生產入口 328

14.5  循環調用子工作流生成視頻 330

14.5.1  整體數據流 330

14.5.2  提取場景描述 331

14.5.3  鏡頭循環 332

14.5.4  組裝子工作流輸入 332

14.5.5  調用單鏡頭生成 333

14.5.6  截取最後一幀 334

14.5.7  累積視頻URL 336

14.6  收集視頻URL並進行拼接 337

14.6.1  收集視頻URL 337

14.6.2  拼接視頻 338

14.6.3  查詢並判斷拼接狀態 340

14.6.4  等待拼接完成 341

14.7  配置最終下載與本地落盤 342

14.7.1  下載最終視頻 342

14.7.2  寫入本地文件 343

14.7.3  運行與檢查 344

14.8  復盤與小結 344

14.8.1  關鍵設計決策 344

14.8.2  自檢清單 345

14.8.3  本章核心收獲 345

14.8.4  可擴展方向 345

第15章  實戰案例：n8n+OpenClaw構建安全可控的自動化能力 346

15.1  設計思路與背景 346

15.1.1  場景引入：當AI想要“動手”時 346

15.1.2  分工模式：讓AI和n8n各司其職 347

15.1.3  架構總覽 347

15.1.4  技術選型對比 348

15.1.5  本章目標 348

15.1.6  本章前置知識 348

15.1.7  環境準備 348

15.2  深入OpenClaw：搭建智能體的“大腦” 349

15.2.1  OpenClaw的核心特性 349

15.2.2  OpenClaw與傳統AI助手的對比 349

15.2.3  OpenClaw架構簡介 349

15.2.4  與n8n相關的四大核心概念 350

15.2.5  安裝與啟動 350

15.2.6  簡單示例 351

15.2.7  OpenClaw的局限性 351

15.3  核心集成模式 352

15.3.1  從局限性到解決方案 352

15.3.2  模式一：Webhook觸發 352

15.3.3  模式二：憑證隔離 353

15.3.4  模式三：Human-in-the-Loop 355

15.3.5  集成模式決策矩陣 356

15.3.6  本章實踐路線說明 356

15.4  實戰：搭建Webhook觸發工作流 356

15.4.1  在n8n中創建接收工作流 356

15.4.2  提取參數並模擬業務邏輯 357

15.4.3  配置OpenClaw Skill 358

15.4.4  端到端測試 358

15.5  實戰：憑證隔離與安全防護工作流 360

15.5.1  確認Webhook Basic Auth 360

15.5.2  搭建審批流程—Human-in-the-Loop 361

15.5.3  處理審批結果—批準與拒絕雙分支 366

15.5.4  運行與集成測試 373

15.6  復盤與小結 377

15.6.1  本章核心收獲 377

15.6.2  擴展方向 377

15.7  結語 378