在 n8n 中导入并运行带 RAG 的 AI 自动化工作流

方案简介

这是一个面向 n8n 的 AI 自动化与 RAG 工作流方案。仓库提供 200+ 个可直接导入的 JSON 工作流，覆盖 AI、向量数据库、LLM、DevOps、Finance、IoT 等方向。该配方采用 n8n 作为工作流编排入口，以 Pinecone 保存向量，以 OpenAI 生成嵌入，并使用 OpenAI GPT-4(o) 完成聊天式生成，适合希望快速演示、制作原型，或将现成自动化流程投入生产的使用者。\n\n方案的核心不是从零开发应用，而是选择一个已有模板，导入 n8n，为节点绑定账号凭据，然后激活工作流。对于需要知识检索增强生成的场景，模板还可以组合向量存储、嵌入模型和聊天模型，形成完整的 RAG 处理链路。

亮点与能力

• 工作流即插即用：模板以 JSON 文件提供，可直接导入 n8n。\n- 覆盖 AI 与自动化场景：仓库分类包含 AI、Vector DB、LLM、DevOps、Finance、IoT 等方向。\n- 支持 RAG 组合：工作流可在需要时包含完整的 RAG stack。\n- 具备运行保护能力：模板随附文档、guard-rails 与错误告警。\n- 支持多种 AI 基础设施：向量存储、嵌入和聊天模型分别有明确的技术层。\n- 可扩展集成：额外能力包括 Slack alerts、Google Sheets logs、OCR 与 HTTP polling。

组成与分工

• n8n：承载并编排 JSON 工作流，是导入、配置凭据和激活模板的运行入口。\n- Pinecone：在向量存储层保存和检索向量数据，为 RAG 流程提供向量数据库能力。\n- OpenAI（Embeddings）：在嵌入层把内容转换为可用于向量检索的表示。\n- OpenAI GPT-4(o)：在 LLM Chat 层生成聊天式结果，结合检索内容完成回答。\n- JSON workflow：模板的交付形态，每个工作流文件可以被 n8n 导入。\n- Credentials：连接各服务账号的配置对象，需要在 n8n 的节点中选择或创建。

前置要求

运行前需要准备：\n\n- 可运行 n8n 的环境。仓库材料没有给出具体版本、操作系统或硬件要求。\n- 本仓库中的 JSON 工作流文件。\n- Pinecone、OpenAI 等被所选工作流使用的服务账号和凭据。\n- 能够在 n8n 中访问 Settings ▸ Import Workflows，并打开工作流节点的 Credentials 配置。\n\n仓库提供的获取代码如下，命令必须按原文执行：\n\n``bash\ngit clone \n# then in n8n:\n# Settings ▸ Import Workflows ▸ select any JSON\n# Open each node ▸ Credentials ▸ choose or create your account\n# Save & Activate ✅\n``

实施步骤

1. 获取模板仓库\n\n先克隆仓库，获得按类别组织的 JSON 工作流文件和对应 README。仓库目录约定为每个类别包含多个 *.json 文件，并可能有说明该文件技术组合的 README.md。\n\n``bash\ngit clone \n``\n\n### 2. 选择 RAG 或 AI 自动化模板\n\n根据目标选择工作流。若目标是知识检索增强生成，应优先查看使用向量存储、嵌入和 LLM Chat 层的模板；若目标是普通自动化，则选择对应业务类别的 JSON 文件。仓库明确提供 AI、Vector DB、LLM 等方向。\n\n### 3. 在 n8n 导入 JSON\n\n打开 n8n，进入设置中的工作流导入入口，选择一个 JSON 文件。导入后检查节点是否完整，以及该文件 README 中列出的技术组合。\n\n### 4. 配置每个节点的凭据\n\n打开工作流中的每个节点，在 Credentials 区域选择已有账号或创建新账号。对于本配方，重点核对 Pinecone 与 OpenAI 相关节点；如果模板还使用额外告警、日志或轮询服务，也要按节点要求配置。\n\n### 5. 保存并激活\n\n完成凭据配置后保存工作流并点击 Activate。仓库的快速开始流程将“Save & Activate”作为导入后的最后一步。\n\n### 6. 验证运行\n\n通过工作流的实际触发方式运行一次，检查向量检索节点、嵌入节点和聊天生成节点是否能够依次完成；如模板启用了错误告警，则同时确认异常是否能被发现。

使用与配置要点

导入完成后的日常使用主要围绕三类配置展开。第一，保持工作流文件与其配套 README 一起查看，因为目录结构约定每个类别下同时提供 JSON 文件和技术组合说明。第二，在节点级别维护服务账号，尤其是向量存储和模型服务的凭据；更换模板时，应重新检查每个节点是否仍绑定了正确账户。第三，根据业务需要保留或调整模板中的错误告警、日志、OCR 和 HTTP polling 等扩展节点。\n\n验证成功可以从以下方面判断：\n\n- 工作流能够在 n8n 中成功保存并处于 Activate 状态。\n- 输入能够经过嵌入和向量存储相关节点，并继续进入 LLM Chat 节点。\n- 最终能够得到工作流设计的自动化或聊天结果。\n- 若模板带有错误告警或日志能力，能够看到对应的运行反馈。\n\n该仓库的定位同时覆盖 demo、prototype 和 production，因此可以先用一个模板验证链路，再依据实际场景继续调整提示词、集成和节点配置。

注意事项与常见问题

• 模板并非全部完整：README 明确提醒部分模板 incomplete。使用前应检查 JSON、节点和配套文档，发现缺失时可以补全或提交贡献。\n- 凭据不是仓库自动提供的：导入工作流后仍需在每个节点中选择或创建自己的账号。\n- 技术选项不是全部同时启用：矩阵把向量存储、嵌入、LLM Chat、Memory 和 Extras 分层列出；具体工作流使用哪些成员，应以该文件的 README 和节点为准。\n- RAG 是按需能力：仓库说明只有“when helpful”时才提供 full RAG stack，因此不能假设每个模板都有向量检索链路。\n- 扩展能力可能依赖模板：Slack alerts、Google Sheets logs、OCR 和 HTTP polling 被列为 Extras，是否启用取决于所选工作流。\n- 欢迎贡献：项目接受 PR 与 issues，也欢迎请求新模板、改进 prompts 或增加 integrations。

优缺点

• ✓ 即插即用，适合快速原型
• ✓ 包含文档、护栏与错误告警
• ✕ 部分模板不完整
• ✕ 运行前需配置凭据

出处

本方案挖掘自开源项目 wassupjay/n8n-free-templates，方案内容与实施命令均来自其 README 原文。