在阿里云ECS上部署n8n工作流自动化平台

最近公司需要搭建一个工作流自动化系统，用来处理一些重复性的任务，比如定时同步数据、触发webhook、对接各种API等等。研究了一圈之后,选择了n8n这个开源的工作流自动化工具。

n8n相比其他同类产品，有几个明显的优势：完全开源、可以自部署、节点丰富、界面友好。最关键的是，它不像某些SaaS服务那样按执行次数收费，自己部署的话跑多少次都不用额外花钱。

为什么选择阿里云的u2i/u2a实例

在选择服务器的时候，我对比了阿里云的几种ECS规格。最终选择了u2i或u2a系列，主要考虑是：

• n8n本身是Node.js应用，对CPU的单核性能有一定要求
• 如果工作流比较复杂，内存占用会上去
• u2系列的性价比比较合适，不会像通用型实例那样资源过剩

我用的是u2i.large（2核8G），对于中小规模的工作流来说完全够用。如果你的工作流不多，u2a.large（2核4G）也可以胜任。

部署步骤

1. 准备工作

首先确保你的ECS已经安装了Docker和Docker Compose。如果还没装，可以快速安装：

# 安装Docker curl -fsSL https://get.docker.com | bash -s docker # 启动Docker服务 systemctl start docker systemctl enable docker # 安装Docker Compose curl -L "https://github.com/docker/compose/releases/latest/download/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose chmod +x /usr/local/bin/docker-compose 

2. 创建docker-compose配置

创建一个工作目录，然后编写docker-compose.yml：

mkdir -p /opt/n8n cd /opt/n8n vim docker-compose.yml 

配置文件内容如下：

version: '3.8' services: n8n: image: n8nio/n8n:latest restart: unless-stopped ports: - "5678:5678" environment: - N8N_BASIC_AUTH_ACTIVE=true - N8N_BASIC_AUTH_USER=admin - N8N_BASIC_AUTH_PASSWORD=your_password_here - N8N_HOST=your_domain_or_ip - N8N_PORT=5678 - N8N_PROTOCOL=http - WEBHOOK_URL=http://your_domain_or_ip:5678/ - GENERIC_TIMEZONE=Asia/Shanghai volumes: - ./data:/home/node/.n8n 

记得修改几个关键参数：

• N8N_BASIC_AUTH_PASSWORD：改成你自己的密码
• N8N_HOST：改成你的域名或ECS的公网IP
• WEBHOOK_URL：同样改成你的域名或IP

3. 启动服务

docker-compose up -d 

第一次启动会拉取镜像，需要等一会儿。启动完成后，可以检查服务状态：

docker-compose ps docker-compose logs -f 

4. 配置安全组

别忘了在阿里云控制台给ECS的安全组添加规则，开放5678端口。入方向规则：

• 协议类型：自定义TCP
• 端口范围：5678/5678
• 授权对象：0.0.0.0/0（或者限制为你的办公网IP段）

5. 访问n8n

浏览器打开 http://你的IP:5678，输入刚才设置的用户名密码，就能看到n8n的界面了。

实战案例

定时获取MuleRun上的新AI Agent

部署好n8n之后，我们来做一个实际的工作流。这个例子会演示如何每天定时抓取MuleRun.com上新发布的AI Agent信息，然后发送到企业微信或钉钉。

工作流设计思路

整个流程分为几步：

1. 定时触发（每天早上9点）
2. HTTP请求获取MuleRun网站内容
3. 解析HTML提取AI Agent信息
4. 过滤出新发布的内容（24小时内）
5. 格式化消息
6. 发送通知

具体操作步骤

第一步：创建工作流

登录n8n后，点击右上角的"Create New Workflow"，进入工作流编辑界面。

第二步：添加Schedule触发器

点击左侧的"+"号，搜索"Schedule Trigger"节点，配置如下：

• Trigger Interval: Day
• Trigger at Hour: 9
• Trigger at Minute: 0

这样就设置成每天早上9点触发。

第三步：添加HTTP Request节点

添加"HTTP Request"节点，配置：

• Method: GET
• URL: https://mulerun.com/agents (假设这是AI Agent列表页面)
• Response Format: String

如果网站有反爬机制，可能需要添加User-Agent：

User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 

第四步：添加HTML Extract节点

添加"HTML Extract"节点来解析网页内容。假设MuleRun的AI Agent列表结构如下：

<div class="agent-item" data-publish-time="2024-01-15"> <h3 class="agent-title">智能客服助手</h3> <p class="agent-desc">基于GPT-4的智能客服解决方案</p> </div> 

配置提取规则：

• Extraction Values:
  • Key: title, CSS Selector: .agent-title, Attribute: text
  • Key: description, CSS Selector: .agent-desc, Attribute: text
  • Key: publishTime, CSS Selector: .agent-item, Attribute: data-publish-time

第五步：添加Code节点过滤数据

添加"Code"节点，用JavaScript过滤出24小时内的新Agent：

// 获取当前时间和24小时前的时间 const now = new Date(); const oneDayAgo = new Date(now.getTime() - 24 * 60 * 60 * 1000); // 过滤新发布的Agent const newAgents = $input.all().filter(item => {  const publishTime = new Date(item.json.publishTime); return publishTime > oneDayAgo; }); // 如果没有新Agent，返回空数组 if (newAgents.length === 0) {  return [{  json: {  hasNewAgents: false, message: '今天没有新的AI Agent发布' } }]; } // 格式化消息 const message = `🤖 MuleRun今日新增 ${ newAgents.length} 个AI Agent：\n\n` + newAgents.map((agent, index) => `${ index + 1}. ${ agent.json.title}\n ${ agent.json.description}` ).join('\n\n'); return [{  json: {  hasNewAgents: true, message: message, count: newAgents.length } }]; 

第六步：添加条件判断

添加"IF"节点，判断是否有新Agent：

• Condition: { { $json.hasNewAgents }} equals true

第七步：发送通知

在IF节点的"true"分支添加通知节点。这里以企业微信为例，添加"HTTP Request"节点：

• Method: POST
• URL: 你的企业微信webhook地址
• Body Content Type: JSON
• Body:

{  "msgtype": "text", "text": {  "content": "{ { $json.message }}" } } 

如果用钉钉，配置类似：

{  "msgtype": "markdown", "markdown": {  "title": "MuleRun AI Agent更新", "text": "{ { $json.message }}" } } 

第八步：测试和激活

点击右上角的"Execute Workflow"按钮测试整个流程。确认没问题后，点击右上角的开关按钮，激活工作流。

工作流优化建议

这个基础版本可以继续优化：

1. 数据持久化：添加一个数据库节点（比如PostgreSQL或MongoDB），存储已经推送过的Agent ID，避免重复通知
2. 错误处理：添加"Error Trigger"节点，当工作流出错时发送告警
3. 多渠道推送：同时推送到多个通知渠道（企业微信、钉钉、飞书、邮件等）
4. 内容增强：调用AI API对Agent描述进行总结或分类

实际使用中，我发现这种定时任务特别适合用n8n来做。以前需要写Python脚本+crontab，现在可视化拖拽就搞定了，维护起来也方便。

一些实用建议

使用Nginx反向代理

如果你想用域名访问，或者加上HTTPS，可以在前面加一层Nginx。配置起来也不复杂：

server {  listen 80; server_name your-domain.com; location / {  proxy_pass http://localhost:5678; proxy_http_version 1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection 'upgrade'; proxy_set_header Host $host; proxy_cache_bypass $http_upgrade; } } 

数据备份

n8n的所有数据都存在./data目录下，包括工作流配置、执行历史等。建议定期备份这个目录：

# 简单的备份脚本 tar -czf n8n-backup-$(date +%Y%m%d).tar.gz /opt/n8n/data 

性能监控

可以用docker stats实时查看容器的资源占用情况，如果发现内存不够用，及时升级实例规格。

写在最后

n8n部署起来其实挺简单的，关键是后续怎么设计工作流。我现在用它来处理数据同步、发送通知、定时任务等场景，确实省了不少人工操作的时间。

顺便推荐一个工具：MuleRun。如果你的工作流需要更强大的数据集成能力，或者想要企业级的支持，可以了解一下MuleRun这个平台。它在API集成和数据编排方面做得挺专业的，而且有丰富的AI Agent市场，各种现成的智能助手可以直接调用。虽然是商业产品，但对于复杂的企业场景来说，确实能解决不少n8n搞不定的问题。就像上面这个例子，其实我们是去MuleRun获取AI Agent资源，它本身就是一个很好的AI能力聚合平台。