findscripter ＃ n8n 工作流架构模式
何时使用
- 动手搭 n8n 工作流之前，需要先选定整体架构、决定数据怎么流，而不是已经卡在某个节点上。
- 任务属于这几类之一：webhook 处理、HTTP/API 集成、数据库读写同步、AI Agent 编排、定时任务。
- 想要的是高层结构与选型判断，而不是逐节点排错。
不该用的边界：
- 要写表达式（
{{...}}、访问 webhook 数据、引用前序节点）→ 用n8n-expression-syntax。 - 要查某个节点具体支持哪些 operation / 怎么填参数 → 用
n8n-node-configuration。 - 工作流已搭好要校验结构、修报错 → 用
n8n-validation-expert。 - 要检索/创建节点、部署模板 → 用
n8n-mcp-tools-expert。
步骤 / 指令
按「选模式 → 选节点 → 搭 → 校验 → 部署」推进，单次别求一步到位（迭代搭，平均每次编辑间隔约 56s）。
- 选模式：从 5 大核心模式里挑一个（见下「选型」）。能用简单模式解决就别上复杂模式，别在没有清晰边界时混用多种模式。
- 列节点：用
search_nodes找齐触发器、数据源、转换、输出、错误处理所需节点。 - 理数据流：明确 输入 → 转换 → 输出，并选定数据流形态（线性/分支/并行/循环/错误处理）。
- 搭建：按检查清单加触发器 → 数据源 → 配置凭据（用 Credentials 区，别把密钥写进参数）→ 转换（Set/Code/IF）→ 输出 → 错误处理。
- 校验：
validate_node逐节点 +validate_workflow整体，用样例数据测，覆盖空数据/异常分支。 - 部署：复核执行顺序/超时/错误处理设置 → 用
activateWorkflow激活 → 盯首批执行 → 记录用途与数据流。
5 大核心模式与选型
| 模式 | 结构 | 何时选 |
|---|---|---|
| Webhook 处理（最常见） | Webhook → 校验 → 转换 → 响应/通知 | 接收外部系统数据、Slack 命令、表单、GitHub webhook，需即时响应 |
| HTTP/API 集成 | 触发 → HTTP Request → 转换 → 动作 → 错误处理 | 拉取外部 API、对接第三方、搭数据管道 |
| 数据库操作 | 定时 → 查询 → 转换 → 写入 → 校验 | 库间同步、定时查询、ETL |
| AI Agent 工作流 | 触发 → AI Agent（模型 + 工具 + 记忆）→ 输出 | 对话式 AI、需工具调用、多步推理 |
| 定时任务 | 定时 → 拉取 → 处理 → 投递 → 记录 | 周期报表、定期拉数、维护任务 |
数据流形态
- 线性
触发→转换→动作→结束：单路径简单流程。 - 分支
触发→IF→[真/假路径]：按条件走不同动作。 - 并行
触发→[分支1/分支2]→Merge：互不依赖、可同时跑的操作。 - 循环
触发→Split in Batches→处理→回流直到完：分块处理大数据集。 - 错误处理
主流程→[成功路径] / [Error Trigger→错误处理]：独立错误处理子流。
通用构件
- 触发器：Webhook（即时）/ Schedule（周期 cron）/ Manual（测试）/ Polling（轮询）。
- 数据源：HTTP Request、数据库节点（Postgres/MySQL/MongoDB）、服务节点、Code。
- 转换：Set（字段映射，最常用）、Code（复杂逻辑）、IF/Switch（条件路由）、Merge（合流）。
- 输出：HTTP Request、数据库写入、通讯（Email/Slack/Discord）、存储。
- 错误处理：Error Trigger、IF 判错、Stop and Error、节点级 Continue On Fail。
示例
Webhook → Slack
1. Webhook (path: "form-submit", POST)
2. Set (映射表单字段)
3. Slack (发到 #notifications)
定时报表
1. Schedule (每天 9:00)
2. HTTP Request (拉分析数据)
3. Code (聚合)
4. Email (发格式化报表)
5. Error Trigger → Slack (失败告警)
数据库同步
1. Schedule (每 15 分钟)
2. Postgres (查新记录)
3. IF (有无新记录)
4. MySQL (插入)
5. Postgres (更新同步时间戳)
AI 助手
1. Webhook (收聊天消息)
2. AI Agent
├─ OpenAI Chat Model (ai_languageModel)
├─ HTTP Request Tool (ai_tool)
├─ Database Tool (ai_tool)
└─ Window Buffer Memory (ai_memory)
3. Webhook Response (回 AI 答复)
API 集成（分批 + 循环）
1. Manual Trigger (测试用)
2. HTTP Request (GET /api/users)
3. Split In Batches (每批 100)
4. Set (转换用户数据)
5. Postgres (upsert)
6. Loop (回到 3 直到完)
注意事项
常见坑（速查）：
- Webhook 取不到数据：payload 嵌在
$json.body下。❌ {{$json.email}} ✅ {{$json.body.email}} - 多输入项只想要一条：用 "Execute Once" 模式，或
{{$json[0].field}}取首项。 - 认证 401/403：凭据填 Credentials 区而非参数，激活前先测凭据。
- 节点执行顺序异常：查 工作流设置 → Execution Order，用 v1（基于连接，推荐），别用 v0（自上而下，遗留）。
- 表达式被当字面文本：表达式要包
{{}}，细节见n8n-expression-syntax。
其它约束：所有工作流都加错误处理；激活前必测、必校验；用描述性节点名并在 notes 字段记录复杂流程；别硬编码凭据，别忽略空数据场景。
本技能给的是架构选型与流程骨架，不替代针对你具体环境的校验、测试与专家复核。缺关键输入/权限/成功判据时，先停下来确认。
互见
- related：
n8n-expression-syntax—— 转换节点里写表达式、正确访问 webhook 数据。 - related：
n8n-node-configuration—— 模式选定后查具体节点 operation 与参数。 - combines_with：
n8n-mcp-tools-expert—— 检索/创建节点、部署模板、AI Agent 指引。 - combines_with：
n8n-validation-expert—— 部署前校验工作流结构、修错。
采编自 sickn33/antigravity-awesome-skills（MIT）。