n8n 是什麼?21.1 萬星開源 AI 工作流神器完整教學:Docker 免費自架與零帳單自動化實戰
n8n 是 GitHub 突破 21.1 萬星的開源工作流自動化引擎,支援 AI Agent、MCP 協議與本地 Ollama 模型。本文詳解 Docker 免費自架步驟、與 Zapier/Make 費用比較、台灣企業串接場景與實戰避坑指南,助你擺脫高昂訂閱帳單。
每個月收到 Zapier 或 Make 的帳單,看著「執行次數(Tasks / Operations)」動輒飆破預算,卻只是為了讓 Gmail、Notion 與 Slack 自動同步,這種痛點幾乎每個導入自動化的團隊都遇過。
n8n 正是目前全球開發者與企業用來取代高價 SaaS 自動化平台的首選解答。它在 GitHub 上的專案 n8n-io/n8n 已經突破 21.1 萬顆星,核心定位是一套採用 Fair-code 授權的工作流自動化引擎。
只要透過 Self-host(自行架設,也就是把程式裝在自己的電腦或租用的雲端主機上),你就不需要為每一個觸發動作或資料節點按次付費。無論一條工作流每天跑一萬次,還是串接三十個步驟,伺服器算力就是你唯一的成本。
更關鍵的是,n8n 已經從早期的「API 搬運工」全面進化為 AI 原生編排中樞。它內建 AI Agent(能自主規劃步驟與呼叫工具的人工智慧代理) 節點、LangChain 框架元件,以及最新的 MCP(Model Context Protocol,模型上下文協議,讓 AI 模型用統一標準安全讀取外部資料庫與工具的介面)。
對台灣的中小企業、接案工作室或個人開發者來說,你可以直接把 n8n 接上本機的 Ollama 離線模型,或是串接 OpenAI、Claude、Gemini API,把繁瑣的報表整理、客服分流與新聞監測全部自動化,同時把機敏資料留在自己手裡。

n8n 核心架構與運作原理:為什麼能兼顧無程式碼與工程彈性?
許多人第一次打開 n8n,會以為它只是另一個「把方塊連起來」的視覺化工具。實際上,n8n 在底層架構的設計上,刻意打破了傳統 No-code 工具「簡單但卡死」的僵局。
節點式資料流與 JSON 傳遞
n8n 的每一條工作流(Workflow)都由「觸發器(Trigger)」與「動作節點(Action Node)」組成。觸發器負責監聽事件,例如「每天早上八點排程」、「收到新 Email」,或是透過 Webhook(一種讓外部系統在事件發生時,主動推播資料給特定網址的即時通知機制) 接收表單與 LINE Bot 訊息。
所有節點之間傳遞的資料,底層全部採用標準的 JSON 陣列格式。這代表你在任何一個步驟,都能清楚看見上一關吐出來的欄位名稱與數值,直接用滑鼠拖拉映射,不需要猜測變數長什麼樣子。
視覺化拖拉結合 Code 節點
純無程式碼工具最怕遇到「官方沒做這個格式轉換」的窘境,往往為了處理一個日期格式或拆解字串,就被迫多塞四五個計算節點,順便多燒掉四五倍的執行額度。
n8n 直接在畫布裡內建了 JavaScript 與 Python 的 Code 節點。當你需要清洗複雜的發票明細、做正規表示式比對,或計算台灣營業稅四捨五入時,寫幾行腳本就能一次解決,既有視覺化流程的易讀性,又保留了工程師級別的精準控制力。
AI Agent 與 MCP 工具調用層
在傳統工作流裡,條件判斷只能寫死 If / Else。n8n 導入 LangChain 生態與 AI Agent 節點後,你可以把「記憶體(Memory)」、「大型語言模型(Chat Model)」以及「外部工具(Tools)」直接掛在 Agent 節點下方。
當客戶訊息進來時,AI Agent 會自己決定要先查 Google Sheets 的庫存表、再呼叫內部 MCP 伺服器查詢訂單狀態,最後才撰寫回覆草稿。這種動態決策能力,讓原本只能處理固定規則的自動化流程,真正具備了處理模糊語意與跨系統任務的能力。
延伸閱讀:OpenAI Cookbook 7.7 萬星官方實戰食譜庫:RAG、Function Calling 與微調程式碼範例免費拿
n8n vs. Zapier vs. Make:2026 年功能與費用門檻完整比較
在決定要不要花時間學 n8n 之前,先看清楚它與市場上兩大商業 SaaS 平台 Zapier、Make 的實際差異。下表整理了三者在授權模式、計費邏輯、AI 整合深度與資料隱私上的核心對比:
| 比較維度 | n8n(Self-host 自架版) | n8n Cloud(官方雲端版) | Make(原 Integromat) | Zapier |
|---|---|---|---|---|
| 開源與授權 | Fair-code 授權,原始碼公開可自架 | 官方託管服務 | 閉源商業 SaaS | 閉源商業 SaaS |
| 計費單位 | 免費(僅付主機費),不限執行次數 | 按「整條工作流執行次數」計費 | 按「每個節點(Operation)」計費 | 按「每個步驟(Task)」計費 |
| 多步驟複雜流程成本 | 100 個節點也算 0 元額度 | 不管幾個節點都算 1 次執行 | 100 個節點就扣 100 次額度 | 100 個步驟就扣 100 次額度 |
| 內建服務整合數 | 400+ 原生節點 + HTTP / MCP 萬用擴充 | 400+ 原生節點 + HTTP / MCP | 1,800+ 商業 SaaS 整合 | 7,000+ 商業 SaaS 整合 |
| AI Agent 與本地模型 | 原生支援 LangChain、MCP、Ollama 離線模型 | 原生支援主流雲端 LLM 與 MCP | 支援 OpenAI 等 API 呼叫,無本地模型 | 支援 AI 步驟,高階功能需綁定付費方案 |
| 程式擴充彈性 | 內建 JS / Python 編輯器,可裝 npm 套件 | 內建 JS / Python 編輯器 | 僅有限的公式函數,不支援自訂腳本 | 支援簡易 Code 步驟,受限於沙盒環境 |
| 資料隱私與合規 | 資料完全留在本機或企業內網 | 資料經過官方雲端節點 | 資料經過 Make 歐洲/美國伺服器 | 資料經過 Zapier 美國伺服器 |
從上表可以得出非常明確的選擇結論:如果你的需求包含「高頻率輪詢」、「多步驟迴圈處理(例如一次跑 500 筆訂單)」或「敏感客戶資料必須留在企業內網」,自架 n8n 的性價比完勝商業平台;相對地,若團隊完全沒有人碰過伺服器維護,且只需要每週同步幾十筆冷門 SaaS 表單,Zapier 的免維運優勢依然成立。
零基礎安裝教學:用 Docker 5 分鐘在本機或 VPS 免費架設 n8n
架設 n8n 最穩定的方式,是透過 Docker(一種把應用程式連同執行環境打包成獨立「貨櫃」的容器技術,能確保在 Windows、Mac 或 Linux 主機上跑起來結果完全一致)。只要你的電腦或租用的 VPS(虛擬私有伺服器,每月約新台幣 150~300 元即可租到 2vCPU / 4GB RAM 規格)裝好 Docker,按照以下四個步驟就能上線。
步驟一:建立持久化資料夾
n8n 的工作流設定、API 金鑰加密憑證與執行紀錄都存放在內部資料庫中。為了避免以後更新版本時資料全部消失,必須先在主機建立一個對應的儲存目錄:
mkdir -p ~/.n8n
步驟二:使用 Docker 指令啟動 n8n
在終端機貼上以下指令,即可拉取官方映像檔並於背景啟動服務(這裡預設將台灣時區 Asia/Taipei 寫入環境變數,確保所有排程觸發器不會慢八小時):
docker run -d --restart unless-stopped \
--name n8n \
-p 5678:5678 \
-e GENERIC_TIMEZONE="Asia/Taipei" \
-e TZ="Asia/Taipei" \
-v ~/.n8n:/home/node/.n8n \
docker.n8n.io/n8nio/n8n
啟動後,打開瀏覽器輸入 http://localhost:5678,就能看到帳號初始化畫面。設定好管理員信箱與密碼後,即可進入空白畫布開始拖拉節點。
步驟三:進階生產環境建議(Docker Compose + 反向代理)
如果你打算讓外部的 LINE Messaging API、Slack 或 Google 表單透過 Webhook 主動呼叫你的 n8n,只開 localhost 是收不到訊號的。
正式對外服務時,建議改用 docker-compose.yml 管理,並搭配 Caddy、Nginx 或 Cloudflare Tunnel 綁定自己的網域名稱與 HTTPS 加密憑證。同時務必設定 WEBHOOK_URL=https://你的網域/ 環境變數,否則外部平台在驗證回呼網址時會發生握手失敗。
步驟四:接上本機 Ollama 打造免費 AI 節點
若你在同一台電腦或 Mac 上已經安裝了 Ollama,想讓 n8n 免費呼叫本機模型(如 Llama、Qwen 或 Gemma),在 n8n 的 Ollama Credential 設定頁面裡,千萬不要填 http://localhost:11434。
因為 n8n 跑在 Docker 容器內部,容器裡的 localhost 指的是容器自己而不是你的宿主機。正確做法是將 Base URL 改填為 http://host.docker.internal:11434,測試連線亮起綠燈後,就能零 API 費用驅動 AI 工作流。
延伸閱讀:Mac mini M4 16GB / 24GB / 48GB 本地跑 AI 實測:Ollama 與 MLX 速度差多少、能順跑幾 B 模型?
台灣讀者最實用的 4 大 n8n AI 自動化場景
學會安裝只是起點,真正讓 n8n 在日常工作中產生十倍回報的,是以下四種在台灣職場與接案環境極高頻的自動化組合:
- 每日新聞與競品情報摘要機器人:設定每天早上 07:30 排程,透過 RSS 或 HTTP Request 抓取指定科技媒體與競爭對手官網更新,交由 AI 節點自動過濾廣告與無關雜訊、整理成 3 點繁體中文重點摘要,最後推播到公司 Slack 頻道或個人 LINE Notify/Telegram。
- 發票與報價單 PDF 自動入帳:監聽指定 Gmail 信箱或 Google Drive 資料夾,一旦廠商寄來 PDF 報價單或電子發票,先抽取文字內容,交由 LLM 萃取出「統編、品項、未稅金額、稅額、到期日」的固定 JSON 欄位,直接寫入 Google Sheets 或 Notion 帳務資料庫。
- 結合企業知識庫的智慧客服草稿員:當客戶透過官網表單或客服信箱發問時,先由 n8n 觸發向量資料庫檢索產品說明書,再讓 AI Agent 根據檢索到的真實條文撰寫禮貌且精準的回覆草稿,存進信箱草稿匣等待人工確認送出,大幅降低幻覺風險。
- MCP 跨系統資料庫查詢助理:透過 n8n 的 MCP Server / Client 節點,把公司內部的 PostgreSQL 訂單庫與 CRM 系統封裝成標準工具,讓主管直接在聊天視窗用自然語言問「上週台北區客訴率最高的品項是什麼」,系統自動轉譯查詢並回傳圖表數據。
硬體與費用門檻評估:自架真的完全免費嗎?
雖然軟體本身免費,但實際維運還是要算清楚硬體與 API 的邊際成本:
- 純工作流搬運(不跑本地模型):n8n 本身非常輕量,1 核 CPU、2GB 記憶體的環境就能順暢跑起數十條排程與 Webhook。如果用家裡閒置的舊筆電、樹莓派,或是租一台月費新台幣 150 元左右的入門級 VPS,就能承擔中小團隊 90% 的自動化流量。
- 高併發與重度文件解析:當你需要同時處理數百頁 PDF 解析、大量圖片轉檔,建議記憶體拉高到 4GB~8GB,並將預設的 SQLite 資料庫替換為 PostgreSQL,避免多條工作流同時寫入時發生資料庫鎖死(Database Locked)。
- AI 推論費用:若串接 OpenAI、Anthropic Claude 或 Google Gemini API,費用取決於 Token 用量,一般文字摘要與分類每月往往不到新台幣 100~300 元;若想徹底歸零且確保機敏文件不出門,則建議搭配至少 16GB 統一記憶體的 Mac 或 12GB VRAM 以上的顯示卡來跑本地量化模型。
實戰避坑指南:新手上線前必看的 5 個地雷
根據社群與生產環境的常見災情,上線前務必檢查這五個設定細節:
- 忘記設資料保留期限(Execution Pruning):n8n 預設會保留每一筆執行紀錄的完整 JSON 內容。如果一條排程每分鐘跑一次,幾週內就會把主機硬碟塞爆導致整個系統當機。請務必在環境變數加上
EXECUTIONS_DATA_PRUNE=true與EXECUTIONS_DATA_MAX_AGE=168(只保留 7 天紀錄)。 - Webhook 在測試與正式網址間搞混:n8n 的 Webhook 節點有「Test URL(測試網址)」與「Production URL(正式網址)」兩個分頁。測試時必須點選畫布上的 Listen for test event 才能收到資料;上線後記得把工作流右上角開關切為 Active,並將外部系統的網址換成 Production URL。
- 迴圈抓資料沒有設延遲(Rate Limit 封鎖):一次撈出 500 筆資料直接往 Notion 或 Gmail API 灌過去,幾乎必吃
429 Too Many Requests錯誤。請善用 Split In Batches(分批處理)搭配 Wait 節點,每批間隔 1~2 秒。 - 密碼與 API 金鑰寫死在節點裡:千萬不要把 Bearer Token 直接貼在 HTTP Request 節點的 Header 文字框中,否則匯出工作流 JSON 分享給別人時金鑰會跟著外洩。一律使用左側選單的 Credentials 管理員加密儲存。
- 升級容器前沒備份
N8N_ENCRYPTION_KEY:~/.n8n/config裡藏著加密金鑰。換主機搬遷時如果只搬資料庫卻遺失加密金鑰,所有已經設定好的 Google、Slack 連線憑證都會失效無法解密。
官方影音與實戰導讀
如果你想直接看操作畫面跟著做一次,n8n 官方 YouTube 頻道發布了最新的快速入門實戰教學,完整示範如何從零建立你的第一個具備記憶與工具呼叫能力的 AI Agent:
影片重點導讀: - 00:00 – 03:15:快速認識 n8n 畫布介面、觸發器設定與 JSON 資料結構預覽。 - 03:16 – 08:40:掛載 AI Agent 節點,示範如何連結 Chat Model 與對話記憶體(Window Buffer Memory)。 - 08:41 – 14:20:為 Agent 裝上真實工具(包含搜尋與 Google 服務),並示範如何透過系統提示詞(System Prompt)限制 AI 不要亂編資料,最後完成端到端測試。
常見問題(FAQ)
Q1:n8n 的 Fair-code 授權是什麼意思?企業免費自架會不會違法?
Fair-code 不是傳統 OSI 定義的純開源,而是 n8n 採用的「可持續使用授權(Sustainable Use License)」。簡單來說,只要你是企業內部自己使用、幫客戶代維運特定專案,或個人自動化,都可以免費自架且無任何商業限制;唯一被禁止的行為,是把 n8n 直接改包裝成一個「對外販售的 SaaS 自動化平台(White-label)」去跟官方搶商業客戶。
Q2:不會寫程式的人,學得會 n8n 嗎?
完全可以。日常 80% 的串接(例如收到表單寄信、定時整理試算表、呼叫 ChatGPT 摘要)都只需要用滑鼠拖拉節點與點選欄位即可完成。只有當你要做非常客製化的陣列重組時,才需要動用 Code 節點——而現在你甚至可以直接請 Claude 或 ChatGPT 幫你寫好那幾行 JavaScript 貼進去。
Q3:我的電腦關機了,n8n 排程還會跑嗎?
不會。自架版 n8n 就像一個網站伺服器,必須保持主機開機與網路暢通,排程和 Webhook 才會持續運作。如果希望 24 小時不間斷執行,建議部署在公司 NAS、家裡長期開機的 Mac mini,或是租用一台便宜的雲端 VPS。
Q4:n8n 跟 Dify 差在哪裡?兩個都需要裝嗎?
兩者分工非常明確:n8n 強項在「跨軟體自動化連線」,適合處理幾百種外部服務的觸發、排程與資料搬運;Dify 強項在「打造 AI 應用本身」,適合精細切分 RAG 知識庫文件、測試不同 Prompt 版本與上架對話網頁。實務上很多團隊會把兩者串在一起:用 Dify 管好企業知識庫 API,再由 n8n 在外部負責收信、排程與觸發通知。