N8n workflow patterns

＃ 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）。

1. 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。
2. 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。
3. 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）。
4. 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。
5. 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。
6. 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）：

1. Webhook 取不到数据：payload 嵌在 $json.body 下。

   ❌ {{$json.email}}
   ✅ {{$json.body.email}}
   

2. 多输入项只想要一条：用 "Execute Once" 模式，或 {{$json[0].field}} 取首项。
3. 认证 401/403：凭据填 Credentials 区而非参数，激活前先测凭据。
4. 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）。
5. 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）。