模块五：n8n自动化工作流 + Ollama + Health-MCP

最新推荐文章于 2026-09-09 10:41:21 发布
原创 最新推荐文章于 2026-09-09 10:41:21 发布 · 357 阅读 · 6 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
收录于
AI开发实战营（2026版）

当前文章被收录于：

AI开发实战营（2026版）
5 篇文章 0 人学习

本系列技术博文面向AI开发者、自动化工程师及技术决策者，聚焦于可落地、可复用的工程实践。内容以最新MCP协议规范与开源生态为基础，涵盖从本地模型部署（Ollama）、AI编程环境（Cursor+OpenCode）、自动化工作流（n8n）到健康数据集成（Health-MCP）的全链路架构。

订阅专栏 查看详情

本文是系列博文的第五篇，将带你完成两条AI链路中的编排层搭建——在WSL中部署n8n，并将其与本地Ollama和health-mcp服务集成，构建可编排的AI自动化工作流。

一、n8n的安装架构决策

本系列延续之前的 Windows宿主 + WSL子系统 混合架构。n8n的部署方案经过以下评估：

1.1 推荐方案：WSL + Docker部署

将n8n部署在WSL的Docker容器中，理由如下：

  • 环境隔离：n8n及其依赖（数据库、缓存）与宿主机隔离，便于维护
  • 官方支持：n8n官方推荐Docker部署方式，文档完善-1
  • 资源可控：容器化便于限制CPU/内存资源

1.2 网络配置：打通n8n容器到Windows Ollama

关键问题：n8n容器内部无法直接访问Windows宿主机的127.0.0.1:11434——每个Docker容器都有自己的localhost，指向容器自身而非宿主机。

解决方案：

在docker-compose.yml中添加extra_hosts配置，将host.docker.internal映射到宿主网关：

services:

  n8n:

    image: docker.n8n.io/n8nio/n8n

    container_name: n8n

    ports:

      - "5678:5678"

    extra_hosts:

      - "host.docker.internal:host-gateway"

    volumes:

      - n8n_data:/home/node/.n8n

    environment:

      - N8N_SECURE_COOKIE=false  # 本地开发可关闭

volumes:

  n8n_data:

在Docker Desktop（Windows/macOS）上，host.docker.internal是默认可用的；Linux服务器需通过--add-host或extra_hosts手动配置。

二、配置n8n连接Ollama

2.1 创建Ollama凭证

  1. 在n8n界面右上角，点击下拉菜单选择 Create Credential
  2. 在 Add new credential 中选择 Ollama
  3. 设置Base URL为 http://host.docker.internal:11434（因为Ollama运行在Windows宿主机上）-5
  4. 点击 Save

配置完成后，应看到 Connection tested successfully 提示-5。

踩坑提示：如果遇到connect ECONNREFUSED ::1:11434错误，说明系统启用了IPv6但Ollama只监听IPv4。将Base URL改为http://127.0.0.1:11434可解决-1。

2.2 验证连接

在n8n中创建一个新工作流，添加 Ollama Chat Model 节点，选择deepseek-r1:7b模型，发送测试消息验证连通性。

n8n容器（WSL）

    ↓ host.docker.internal:11434

Windows Ollama（:11434）

    ↓

deepseek-r1:7b

三、构建第一个AI工作流

3.1 基础Agent结构

使用 Manual Trigger + AI Agent 节点搭建基础对话Agent：

Manual Trigger（手动触发）

    ↓

AI Agent

    ├── Ollama Chat Model（绑定deepseek-r1:7b）

    ├── Window Buffer Memory（对话记忆）

    └── 输出结果

3.2 注意事项：Ollama Model节点 vs AI Agent

需要注意的是，n8n中的 Ollama Model 节点本身不支持工具调用，无法直接与AI Agent节点配合使用-8。如需在AI Agent中使用Ollama模型，应通过 Ollama Chat Model 节点（位于AI分类下）或LangChain Chain节点连接。

正确的连接方式：

Manual Trigger

    ↓

Basic LLM Chain（或AI Agent）

    ├── Ollama Chat Model（选择deepseek-r1:7b）

    └── Prompt模板

四、集成Health-MCP工具

4.1 方案A：HTTP Request节点（推荐先尝试）

如果health-mcp提供了HTTP API接口（如模块四中分析的路由），使用HTTP Request节点是最直接的集成方式：

Webhook触发 → AI Agent规划 → HTTP Request调用health-mcp API → 返回结果

优势：调试简单，返回结果结构化，易于排查问题。

4.2 方案B：MCP Client节点（标准方式）

n8n原生支持MCP协议，可通过 MCP Client节点 或 MCP Client Tool节点 连接外部MCP Server。

MCP Client节点：将MCP工具作为工作流中的独立步骤使用

MCP Client节点

    ├── Server Transport: Streamable-HTTP / stdio

    ├── MCP Endpoint URL: http://127.0.0.1:7777/mcp

    ├── 自动获取工具列表

    └── 选择具体工具调用

MCP Client Tool节点：将MCP工具暴露给AI Agent作为可用工具

AI Agent

    ├── Ollama Chat Model

    └── MCP Client Tool（连接health-mcp Server，自动加载Tools）

MCP Client节点支持Bearer Token、多Header等认证方式，可通过HEALTH_MCP_TOKEN环境变量配置认证。

4.3 完整工作流示例

┌─────────────────────────────────────────────────────────┐

│  Webhook节点（接收用户指令）                            │

│  ↓                                                     │

│  AI Agent节点                                          │

│  ├── 模型: ollama-bridge/deepseek-r1:7b               │

│  ├── 内存: Window Buffer Memory                        │

│  └── 工具: MCP Client Tool → health-mcp Server         │

│  ↓                                                     │

│  health-mcp工具调用                                    │

│  ├── get_current_statusA: 获取今日健康状态             │

│  ├── log_meal: 记录餐食                               │

│  └── query_records: 查询历史数据                      │

│  ↓                                                     │

│  返回结构化结果给用户                                   │

└─────────────────────────────────────────────────────────┘

health-mcp提供的工具集包括get_current_statusA（健康状态快照）、get_score_historyA（评分时间序列）、query_recordsA（原始记录查询）、list_sourcesA（数据源列表）等，可根据场景灵活选用。

五、模块小结与实战产出

本文核心要点回顾：

  1. n8n部署：在WSL中使用Docker部署n8n，通过extra_hosts配置打通容器到Windows Ollama的网络
  2. Ollama凭证：Base URL使用http://host.docker.internal:11434连接宿主机服务-5
  3. AI Agent构建：使用AI Agent节点绑定Ollama Chat Model，注意Ollama Model节点不支持工具调用-8
  4. Health-MCP集成：优先尝试HTTP API方式，再考虑MCP Client节点的标准方式-2-6

实战产出：

产出

说明

n8n容器环境

WSL Docker中运行，监听:5678

Ollama凭证

已测试通过，可调用deepseek-r1:7b

AI Agent工作流

手动触发或Webhook触发的对话Agent

Health-MCP集成

通过HTTP Request或MCP Client调用健康数据工具

核心配置文件清单：

  • docker-compose.yml（含extra_hosts: host.docker.internal:host-gateway）
  • n8n Ollama凭证（Base URL: http://host.docker.internal:11434）
  • MCP Client节点配置（Endpoint指向health-mcp的/mcp路径）

参考资源：

标签
#AI编程 #人工智能
私有化多模态AI编程智能体：MCP+Ollama+Dify实战部署指南
weixin_30335575的博客
06-17 458
多模态AI编程智能体是面向工程落地的下一代开发协作者，其核心在于将大模型与代码、文档、UI等多源信息统一建模与协同推理。技术原理上依赖标准化工具调用协议（如MCP）实现模型对外部能力的安全可控编排，结合轻量级本地运行时（Ollama）与可视化工作流引擎（Dify），达成低幻觉、可审计、可嵌入CI/CD的闭环。该架构显著提升代码生成准确率与上下文理解深度，广泛适用于设计稿转代码、PDF技术文档解析、Git变更驱动文档生成等高价值场景，尤其满足金融、工业软件等强合规领域对数据不出域、操作可追溯的核心诉求。
Codex插件系统：基于MCP协议的AI工作流操作系统
weixin_30411239的博客
07-15 417
AI开发工具正从单点代码补全迈向可编排的工作流操作系统。Codex插件系统以标准化MCP协议为核心，通过进程隔离、能力声明、流式响应与严格响应格式（如openai response 格式的服务端点地址）实现插件即服务。其技术价值在于解耦业务逻辑与主程序，支持热加载、安全沙箱与跨API协同，适用于多系统集成、AI原生应用快速验证及团队级工程规范沉淀。实际落地需深度理解codex配置第三方api机制与全局配置文件分层设计，本质是构建本地化、可审计、可复用的AI能力调度中枢。
LangChain+MCP+LangGraph：从零搭建可控AI Agent工作流
weixin_33965305的博客
09-05 368
在AI应用开发中，构建能自主决策、调用外部工具的多步骤Agent是核心挑战。LangChain作为编排框架，统一了模型调用与工具封装；MCP协议则将外部工具接入标准化，显著降低集成成本；LangGraph以状态图方式管理复杂流程，确保每一步可观测、可恢复。三者结合，构成了从工具调用到多步工作流的工程化骨架。本实践教程从环境配置出发，演示如何定义工具、搭建最小Agent，并通过MCP接入外部能力，最终用LangGraph实现带分支判断的批量任务，并封装为API服务。无论你是Python开发者还是AI应用工程师
OpenCode实战指南：打通DeepSeek-V4与MCP协议的关键配置
clhq71932的博客
06-20 492
OpenCode并非传统AI编辑器，而是一个基于MCP（Model Control Protocol）协议构建的可编程AI执行环境。其核心原理在于通过标准化接口协调模型服务与工具服务，实现意图解析、工具调用与上下文闭环。技术价值体现在解耦模型与能力、支持本地化低延迟推理、兼容多源LLM与自动化工具。典型应用场景包括本地IDE智能编程助手、私有化AI工作流编排、以及面向开发者的可调试AI代理系统。本文聚焦OpenCode落地中最关键的连通性问题，围绕DeepSeek-V4模型接入与MCP Server配置展开
基于MCP协议与AI大模型构建Unity资产管理自动化系统
weixin_30889885的博客
07-18 422
在游戏开发与软件工程领域，自动化流程是提升效率、保障质量的关键。其核心原理在于通过脚本或工具链，将重复性、规则性的任务交由计算机执行，从而解放人力。传统自动化依赖于预先编写的确定规则，虽能处理标准化任务，但在面对复杂上下文、异常情况或需要柔性决策时，往往捉襟见肘，维护成本也较高。随着大语言模型（LLM）和AI代理技术的发展，自动化范式正经历深刻变革。以MCP（Model Context Protocol）协议为代表的新型框架，为AI模型提供了安全、结构化地调用专业工具（如Unity编辑器、资产数据库）的能力
MCP Server：让本地AI模型像操作系统资源一样被调用
weixin_30666401的博客
07-18 509
Model Communication Protocol（MCP）是一种面向本地AI模型的轻量级通信协议，旨在解决传统REST/gRPC在AI工作流中状态管理混乱、接入成本高、元数据缺失等根本性问题。其核心原理是将模型能力抽象为可发现、可会话、可结构化交互的标准端点，依托WebSocket+JSON-RPC实现跨语言低门槛集成，并通过/server_info统一暴露模型能力、输入输出Schema与工具集。技术价值在于推动AI从‘胶水脚本’走向‘可复用能力单元’，支撑VS Code插件、Notion连接器、E
Python A2A实战：基于Google A2A协议构建邮件智能体与自动化工作流
ciqiaofu0192的博客
07-02 339
如果你正在构建多智能体系统，或者想让不同的 AI 代理能够像人类团队一样协作，那么 Google 的 Agent-to-Agent (A2A) 协议是你必须了解的技术。它定义了智能体之间标准化的通信格式，是构建可互操作、可扩展的 AI 生态系统的基石。而 Python A2A 库，正是将这一协议从理论变为现实的关键工具。 Python A2A 是一个由 Manoj Desai 维护的开源项目，它完整实现了 Google 的 A2A 协议，并深度集成了 Model Context Protocol (MCP)
5分钟掌握CC Switch：彻底改变你的AI开发工作流
gitblog_01194的博客
08-09 778
还在为多个AI开发工具的配置管理而头疼吗？每天要在Claude Code、Codex、Gemini CLI、OpenCode等不同工具间来回切换，手动编辑JSON、TOML配置文件，不仅效率低下，还容易出错。CC Switch的出现，让这一切成为历史。 ## 痛点引爆：AI开发者的配置噩梦 想象一下这样的场景：你是一名全栈开发者，工作中需要同时使用Claude Code进行代码生成、Codex
部署 Nacos + Ollama + vLLM + MCP 完整图文教程（1Panel 面板，命令行安装两种方式）
深耕 Java 后端与企业级软件架构设计，专注微服务、分布式系统、大模型 AI 应用架构落地。
06-11 339
本文是一篇关于部署Nacos+Ollama+vLLM+MCP私有化AI智能体平台的完整教程，主要基于1Panel可视化容器管理工具进行分步搭建。教程详细介绍了环境前置检查、网络规划、容器创建及服务部署的全流程，包括Nacos服务注册中心、Ollama轻量模型推理、vLLM高性能GPU推理和MCP服务总容器的配置方法。文章提供了GPU/CPU双环境适配方案，涵盖端口映射、数据持久化、网络隔离等关键配置步骤，并给出命令行和可视化界面两种操作方式。教程强调前期环境校验的重要性，确保NVIDIA驱动、Docker和
CC-Switch：AI编程工作流的协议桥接器详解
weixin_33672109的博客
06-22 403
AI编程助手（如Codex、PyCharm AI Assistant）依赖标准化API协议与后端模型通信，但主流模型服务（Ollama、DeepSeek、Kimi、通义千问）各自采用私有接口规范，导致前端工具无法通用接入。CC-Switch作为轻量级本地网关，通过协议适配层将异构模型API统一转换为OpenAI兼容格式，实现‘一次配置、多端复用’。其核心价值在于解耦前端调用逻辑与后端模型协议差异，显著降低多模型集成门槛，并支撑离线开发、MySQL MCP工具调用、规则化路由等工程化场景。本文聚焦跨平台部署验
Claude Code本地部署排错指南：cc-switch与MCP协议深度解析
weixin_33713350的博客
07-06 402
Claude Code并非直接调用Anthropic云服务，而是一个强制走本地代理的VS Code插件，其核心依赖cc-switch模型网关与MCP（Model Control Protocol）服务协议。理解这一‘本地AI开发链路’的关键在于掌握协议层路由劫持、请求头签名机制与进程间通信时序——cc-switch本质是Anthropic格式与DeepSeek等OpenAI兼容API之间的结构化翻译器，MCP则是统一调度多模型服务的通信契约标准。本文从真实报错出发，解析unable to connect t
5分钟上手MCP Server：轻量级本地AI协议代理实战指南
weixin_33997389的博客
06-21 648
MCP（Model Context Protocol）是一种面向开发者工作流的标准化上下文通信协议，核心原理是解耦客户端、服务端与模型提供方，实现上下文数据在IDE、调试器、设计工具等环境中的无缝流转。其技术价值在于降低大模型能力嵌入门槛，无需GPU、不依赖云服务、不涉及复杂推理优化，仅需本地HTTP模型端点即可驱动。典型应用场景包括VS Code代码审查、Chrome DevTools前端诊断、Figma无障碍文案生成等。本文聚焦zai-mcp-server这一极简实现，结合Claude Desktop本
MCP CLI 架构解析：构建企业级模型上下文协议命令行工具
gitblog_00342的博客
07-25 224
MCP CLI 是一个基于 Model Context Protocol（MCP）构建的企业级命令行界面工具，专为与大型语言模型进行高效、安全的交互而设计。该项目通过集成 CHUK-MCP 协议库，实现了与多种 LLM 提供商的无缝通信，支持工具调用、会话管理和多种操作模式。作为现代 AI 应用开发的关键基础设施，MCP CLI 解决了传统 LLM 集成中工具发现、协议兼容性和执行安全性的核心痛点
Codex：面向Agent操作系统的MCP协议与Computer Use能力解析
weixin_34416754的博客
07-14 319
Agent操作系统是AI从‘生成’走向‘执行’的关键范式升级，其核心在于标准化的能力调用与确定性系统交互。MCP（Model Communication Protocol）作为Agent世界的语义化通信协议，通过强Schema约束实现能力声明、参数校验与上下文感知，显著降低LLM幻觉风险；Computer Use则代表操作系统级的‘手眼协调’能力层，依赖AXAPI、UIAutomation等原生接口完成屏幕捕获、鼠标模拟、键盘注入等真实操作。二者共同构成AI自动化闭环的技术底座，广泛应用于智能IDE控制、跨
OpenClaw CLI实战：从零部署AI Agent框架，实现飞书自动化响应
weixin_34262482的博客
08-11 452
在AI应用开发领域，AI Agent框架正成为连接大模型能力与具体业务场景的关键技术。其核心原理在于通过可编排的模块化设计，将复杂的AI任务分解为可重复执行的自动化流程，从而显著提升开发效率和系统灵活性。这一技术价值在于，它使得开发者能够以低代码或脚本化的方式，快速构建智能化的业务助手，而无需深入底层模型细节。典型的应用场景包括智能客服、自动化数据查询、内部工作流助手等，能够有效处理来自飞书、钉钉等协作平台的消息与任务。本文聚焦于OpenClaw这一开源框架，它通过命令行界面（CLI）和网关（Gateway
Qwen3-8B Mac本地部署实战：性能、量化与知识库工程化指南
cuyi7076的博客
06-23 401
大语言模型（LLM）在边缘设备上的轻量化部署，正成为AI工程落地的关键路径。其核心原理在于平衡模型参数量、推理架构（如MoE混合专家）与硬件资源约束，通过量化压缩（Q4/Q5_K_M）、Metal加速和动态推理控制（/think机制）实现性能功耗最优解。技术价值体现在低延迟响应、全链路数据私有化及离线可靠性，广泛应用于本地知识库构建、办公文档智能处理与数据库自然语言交互等场景。本文聚焦Qwen3-8B在Apple Silicon Mac上的实操选型、ARM原生部署、RAG增强及MCP协议集成，深度融合模型特
Hermes-Agent安装配置全指南：Ollama+OpenRouter双轨部署
bangtuo9862的博客
06-22 470
AI Agent 是一种能自主规划、调用工具并持续学习的智能体系统，其核心在于结构化记忆与多模型协同推理能力。Hermes-Agent 作为可插拔的AI工作流中枢，通过解耦模型接入、记忆存储与工具执行三层架构，实现本地轻量模型（如Ollama）与远程高性能服务（如OpenRouter）的弹性调度。这种设计不仅规避单点故障，还支持上下文感知的自动化运维、Git规范提交、MySQL健康诊断等工程场景。尤其适合已有基础设施但缺乏AI集成能力的开发者与技术团队，让AI真正从‘对话助手’升级为‘数字副驾’。
Claude Code CLI架构解析：MCP协议、Skills与Hooks深度实践
weixin_30411239的博客
07-06 384
Claude Code并非传统AI编程工具，而是一个以CLI为入口、MCP为通信骨架的开发者代理系统。其核心在于解耦模型能力与执行环境：MCP协议定义了标准化的method/params/id语义层，使AI可安全调用浏览器、数据库等外部服务；Skills作为可审计、可版本化的原子能力单元，通过manifest.json和schema.json实现权限最小化与输入强校验；Hooks则基于文件系统事件与LSP实现语义级自动化触发。这种架构支撑起从Ubuntu 20.04终端部署到飞书/蓝湖企业集成的全链路工程实
MCP-RAG：动态检索与工具调用的AI新范式
weixin_30698297的博客
06-07 400
RAG（检索增强生成）作为大模型落地的关键技术，长期受限于预加载显存压力、静态检索信息滞后及多工具协同低效等问题。MCP（Model Communication Protocol）通过定义标准化JSON-RPC接口，实现LLM与检索、计算等外部工具的解耦式通信，使AI具备‘边想边查’的动态上下文获取能力。其核心价值在于重构资源调度逻辑——按需调用、线性执行、可观测容错，显著提升长文档问答、实时政策分析、工业诊断等场景的响应速度与答案准确性。本文深入解析MCP-RAG的设计原理、可运行部署及生产级避坑实践，覆
【嵌入式软件AI编程】05. 安装STM32CubeMX
最新发布
youcans的博客
09-09 200
《嵌入式系统AI编程》本节介绍STM32 VS Code开发环境中基础工具的安装，说明STM32CubeMX的获取、安装及配置要点。安装完成后需通过固件支持包管理器在线或离线安装目标芯片对应的HAL库，以保障工程代码生成。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值