还在为云端AI费用发愁？把大模型搬回家自己用！
各位 N8N 大学的同学们，大家好，我是你们的学长。最近 AI 圈子里最火的词是什么？肯定是“本地部署大模型”。
说实话，看着云端 API 的账单每天都在跳动，确实肉疼。而且有些数据上云，总感觉不放心。作为一名折腾了 8 年自动化的老司机，我一直在思考：能不能把 n8n 强大的工作流能力，和本地跑的 Ollama 大模型结合起来？
答案是：完全可以！而且配置起来比你想象的要简单。
今天，这篇硬核教程就带大家实操一把，把 n8n 的 AI 节点直接指向你电脑或服务器上的本地模型。全程大白话，拒绝废话，直接上手。
准备工作：磨刀不误砍柴工
在开始搭建工作流之前，我们需要确保环境就位。这就像做饭前得先买好菜一样。
你需要具备以下条件：
- n8n 环境：无论是 Docker 部署的、云服务器上的，还是本地安装的 n8n 均可。
- 本地大模型运行环境：目前最推荐的依然是 Ollama。如果你还没安装，请先去安装并拉取一个模型（比如
qwen2:7b或llama3.1:8b）。 - 一点点耐心：跟着步骤走，不要跳步。
笔者提示： 本地部署对硬件有一定要求，建议显存至少 8GB 以上。如果显存不够，跑小参数模型也能凑合，但速度会慢一些。
核心实操：三步搞定本地模型调用
很多同学以为 n8n 的 AI 节点只能接 OpenAI 或官方的大模型。其实，n8n 的设计非常灵活，只要遵循 OpenAI 兼容的协议，就能无缝接入本地模型。
第一步：确认 Ollama 服务正常运行
首先，打开你的终端（Terminal 或 CMD），输入以下命令，确保 Ollama 正在监听本地端口：
ollama serve
通常情况下，Ollama 默认运行在 11434 端口。你可以通过浏览器访问 http://localhost:11434，如果看到 "Ollama is running" 的字样，说明服务正常。
关键点： 如果你是用 Docker 部署的 n8n，且 Ollama 也在另一个容器中，你需要确保这两个容器在同一个网络下，或者 Ollama 暴露了端口给宿主机。
第二步：配置 n8n 的 Chat Model 节点
现在，进入 n8n 的工作流编辑界面：
- 新建一个工作流，添加一个 Start 节点作为触发器。
- 在节点库中搜索 "AI"，找到并添加 Chat Model (聊天模型) 节点。
- 点击节点，在右侧的配置面板中，Credentials（凭证）部分，点击下拉菜单选择 "Create New"。
这里是最关键的一步。在选择凭证类型时，不要只盯着 OpenAI，我们需要利用 n8n 的兼容性：
- Credential Type: 选择 OpenAI API。是的，你没看错，Ollama 也是兼容 OpenAI 格式的。
- Base URL: 填入
http://localhost:11434/v1。注意，必须加上/v1后缀，这是 OpenAI 兼容接口的标准路径。 - API Key: 这里是个坑点。Ollama 默认不需要 API Key，但 n8n 这个字段是必填的。你可以随意填入一个字符串，比如
ollama，只要格式对就行。 - Model: 填入你本地安装的模型名称，例如
qwen2:7b。
保存凭证后，回到节点配置，选择刚才创建的凭证，你会发现模型列表可能没有自动刷新，但没关系，手动输入模型名称即可。
第三步：连接测试与工作流验证
为了验证是否配置成功，我们需要一个输入和一个输出。
- 添加一个 Chat Trigger (聊天触发器) 节点，连接到 Chat Model 节点。
- 添加一个 Response (响应) 节点，连接到 Chat Model 的输出。
- 点击 Chat Trigger 节点，点击 "Chat" 按钮打开测试聊天窗口。
- 输入 "你好，你是谁？" 并发送。
如果你看到回复框里出现了本地模型的响应，恭喜你，你已经成功打通了 n8n 与本地大模型的链路！
避坑指南：实测中遇到的拦路虎
虽然配置过程看起来简单，但在实际操作中，尤其是涉及 Docker 环境时，很容易踩坑。
1. Docker 网络隔离问题
如果你的 n8n 跑在 Docker 容器里，而 Ollama 跑在宿主机上（或者另一个容器里），直接填 localhost:11434 是无法访问的。
解决方案：
- 方案 A（宿主机网络）：启动 n8n 容器时，加上参数
--network host，让容器共享宿主机的网络栈。 - 方案 B（IP 直连）：如果是跨容器，使用 docker 网桥的 IP 地址（通常是 172.x.x.x）代替 localhost。
2. 模型名称拼写错误
n8n 节点里的 Model 字段必须与 Ollama 中的模型标签完全一致。大小写敏感！
查看本地模型列表的命令：
ollama list
复制输出中的 NAME 列，不要带版本号（除非你特意指定了版本）。
3. 温度参数 (Temperature) 的设置
在 Chat Model 节点设置中，有一个 Temperature 参数。默认可能是 0.7 或 1.0。
对于本地模型，特别是参数量较小的模型，如果温度太高，容易出现胡言乱语（幻觉）。建议在测试阶段将其调低至 0.1 - 0.3，以获得更稳定的输出。
进阶应用：不仅仅是聊天
打通了基础链路，我们就能做很多更有意思的自动化了。
比如，你可以将 HTTP Request 节点或 Google Sheets 节点连接到这个 AI 模型。
场景示例：
- 从 Google Sheets 读取一行客户反馈。
- 发送给本地 Ollama 模型，要求以 JSON 格式总结情绪（正向/负向）。
- 将结果写回表格的另一列。
这完全是在本地完成的，既保护了隐私，又节省了 Token 费用。
FAQ 常见问题解答
Q1: 为什么我填了 Base URL 还是报 Connection Refused？
A: 大概率是网络问题。如果是 Docker 部署，请检查容器网络；如果是本地部署，检查 Ollama 是否真的在运行（ps aux | grep ollama）。另外，确保端口没有被防火墙拦截。
Q2: 能否使用其他本地模型框架，比如 LM Studio？
A: 可以！只要 LM Studio 开启了 "Local Server" 模式，并且提供了 OpenAI 兼容的 API 地址（通常是 http://localhost:1234/v1），配置方法与 Ollama 完全一致。
Q3: 本地模型推理速度慢，导致 n8n 工作流超时怎么办？
A: 在 n8n 的 AI 节点设置中，可以尝试调整 Timeout（超时时间），将其设置得更长一些（如 60000ms）。同时，尽量优化本地模型的参数，使用较小的上下文窗口。
总结与资源
将 n8n 与本地大模型结合，是构建私有化、低成本自动化流程的绝佳方案。通过简单的 OpenAI 兼容配置，我们打破了云端与本地的壁垒。
作为 N8N 大学的首席主编，我建议大家先在测试环境中跑通这个流程，再逐步应用到生产环境。毕竟，本地模型的稳定性还需要时间来打磨。
相关资源推荐：
- Ollama 官方文档：ollama.com
- N8N 官方 GitHub：n8n-io/n8n
如果你在配置过程中遇到了其他奇怪的报错，欢迎在 N8N 大学的评论区留言，学长会第一时间帮你分析解决！
