小白必看：3步搞定 AI 自动化办公，用本地大模型 + n8n 搭建专属"零代码"工作流

上周一个朋友发我一条消息，凌晨 11 点半：

"又在整理今天的会议纪要……这种事我已经做了三年了。"

我问他，三年里这件事有没有变得更快？他说没有。

这就是问题所在。麦肯锡的研究数据显示，知识工作者平均有 28% 的工作时间花在重复性任务上——整理会议记录、汇总邮件、归档数据、生成周报……这些事情不需要你的判断力，只需要你的时间。

更讽刺的是，AI 工具早就能做这些了，但大多数人还没用起来。原因无非两个：

1. 用云端 AI（ChatGPT/Claude）总觉得把公司数据上传到别人服务器不太安全

2. 自己搭系统？那不得写代码？我不会啊……

今天这篇文章就是为了彻底解决这两个顾虑。我们用 Ollama（本地大模型）+ n8n（零代码工作流），搭一套数据不出本机、不需要写任何代码的 AI 自动化系统。

读完这篇，今天就能跑起来你的第一条工作流。

---

搞清楚两个工具，你就赢了一半

在动手之前，先花 5 分钟搞懂这两个工具是什么——不然后面操作会懵。

本地大模型：把 ChatGPT 装进你自己的电脑

Ollama 是一个开源工具，它做的事情很简单：让你在自己的电脑上运行大语言模型。

你可以把它理解成"本地版 ChatGPT 运行环境"。安装 Ollama 之后，你可以拉取各种开源模型：Qwen2.5（阿里的通义千问）、DeepSeek R1/V3、Llama 等等。这些模型运行在你自己的机器上，数据全程不离开本地，永久免费，没有 API 调用费用。

对比一下成本：

硬件门槛方面：Qwen2.5:7b 需要约 8GB 显存，DeepSeek-R1:8b 需要约 6GB 显存。没有独立显卡也能跑，只是速度会慢一些——用来做自动化任务完全够用。

n8n：工作流界的乐高积木

n8n 是一个开源的可视化工作流自动化工具。如果你用过 Zapier 或者 Make（原 Integromat），n8n 做的是同一件事——但它可以自己部署在本地或服务器上，数据不经过第三方，而且完全免费。

操作逻辑非常直观：你在画布上拖拽"节点"，用线把它们连起来，就定义了一个自动化流程。每个节点代表一个动作：读邮件、调用 AI、写入表格、发送通知……

💡 小贴士：如果你的电脑配置暂时跑不动本地模型，或者某些任务需要更强的推理能力，也可以通过 API 调用云端模型。推荐 [api.884819.xyz](https://api.884819.xyz)，支持 GPT、Claude、DeepSeek 等主流模型，国内直连无障碍，按量计费无月租——和 n8n 的 HTTP Request 节点搭配使用，配置方式和本文完全一致，只需改一个 URL。

两者如何联动？

架构一句话说清楚：

n8n 负责"指挥调度"（什么时候触发、从哪里取数据、结果写到哪里），本地大模型负责"AI 思考"（理解内容、生成摘要、做判断），两者通过 HTTP API 握手，构成完整的自动化大脑。

---

3步实操：从零搭建你的第一条 AI 工作流

我们以一个真实场景为例：自动读取邮件 → AI 提炼摘要 → 写入飞书多维表格。

Step 1 — 环境准备（约 15 分钟）

安装 Ollama 并拉取模型：

# 安装 Ollama（macOS/Linux）
curl -fsSL https://ollama.com/install.sh | sh

拉取 Qwen2.5 7B 模型（约 4.7GB，需要等待下载）
ollama pull qwen2.5:7b

验证是否成功
ollama run qwen2.5:7b "你好，请用一句话介绍自己"

看到模型回复之后，说明本地 AI 已经跑起来了。Ollama 默认在 http://localhost:11434 暴露 API，后面 n8n 会通过这个地址调用它。

启动 n8n（Docker 一键启动）：

docker run -it --rm \
--name n8n \
-p 5678:5678 \
-v ~/.n8n:/home/node/.n8n \
n8nio/n8n

启动成功后，打开浏览器访问 http://localhost:5678，完成初始账号注册，就能看到 n8n 的工作台了。

⚠️ 注意：如果你用的是 Windows，建议先安装 WSL2，然后在 WSL2 环境里执行上述命令，兼容性更好。

---

Step 2 — 连接节点，搭出骨架（约 20 分钟）

在 n8n 中新建一个工作流，按以下顺序添加节点：

节点 1：Gmail / IMAP 触发器

选择 Email Trigger (IMAP) 节点
填入你的邮箱账号和授权码
设置轮询间隔（比如每 5 分钟检查一次新邮件）

节点 2：HTTP Request（调用本地大模型）

这是整个工作流的核心节点，配置如下：

{
"method": "POST",
"url": "http://localhost:11434/api/chat",
"headers": {
"Content-Type": "application/json"
},
"body": {
"model": "qwen2.5:7b",
"messages": [
{
"role": "system",
"content": "你是一个邮件助理，请将邮件内容提炼成3-5条关键信息，用中文输出。"
},
{
"role": "user",
"content": "{{ $json.text }}"
}
],
"stream": false
}
}

📌 进阶提示：示例中用的是本地 Ollama 地址。如果你想切换到云端模型处理复杂推理任务，只需把 URL 换成 https://api.884819.xyz/v1/chat/completions，其余参数格式完全兼容 OpenAI 标准，n8n 节点一行不用改，Header 里加上你的 API Key 即可。

节点 3：飞书多维表格写入

选择 HTTP Request 节点，调用飞书开放平台 API
或者使用 n8n 社区节点库里的飞书插件（搜索 Feishu）
将 AI 输出的摘要文本映射到对应字段

三个节点连起来，一条完整的工作流骨架就搭好了。

---

Step 3 — 调试上线，让它自己跑（约 10 分钟）

点击右上角的 "Test Workflow" 按钮，n8n 会实际执行一次流程，每个节点旁边会显示绿色✅或红色❌。

常见的调试步骤：

1. 逐节点点击查看输入输出数据，确认数据格式正确传递

2. 检查 HTTP Request 节点的响应，确认本地模型有正常返回

3. 调试通过后，点击 "Active" 开关，工作流正式上线

当你看到工作流第一次自动运行完成，绿色的成功标记亮起来的那一刻——恭喜你，你正式拥有了第一个 AI 员工。

从现在开始，它会在你睡觉的时候帮你处理邮件，在你开会的时候帮你整理信息，全年无休，不需要工资。

---

3个拿来即用的进阶工作流模板

基础工作流跑通之后，直接套用这三个模板，每个都能立刻产生价值。

模板① 每日简报机器人

预计每周节省时间：3-4 小时 流程： RSS 节点抓取行业资讯 → HTTP Request 调用本地模型总结 → 企业微信/飞书 Bot 推送

核心节点配置要点：

RSS 节点设置你关注的行业媒体 Feed（36Kr、虎嗅、少数派等都有 RSS）
定时触发器设置为每天早上 8:00
Prompt 模板："请从以下文章中提炼3条今日行业要点，每条不超过50字，附上原文链接"

模板② 智能客服预处理

预计减少人工介入：约 80% 流程： Webhook 接收用户提问 → 本地模型判断意图分类 → Switch 节点路由到不同处理分支

意图分类 Prompt 示例：

将以下用户问题分类为：[退款、物流查询、产品咨询、投诉、其他]
只输出分类标签，不要解释。
用户问题：{{ $json.question }}

Switch 节点根据返回的标签，自动路由到对应的回复模板或人工队列。

模板③ 会议纪要自动化

预计每周节省时间：5-8 小时 流程： 监听指定文件夹（录音上传）→ Whisper API 转文字 → 本地模型提炼行动项 → 自动生成飞书文档

这个模板是三个里面最有冲击力的。一次 1 小时的会议，以前整理纪要需要 30-60 分钟，现在上传录音，5 分钟内自动生成结构化文档，包含：会议摘要、决策事项、行动项（含负责人和截止日期）。

---

避坑指南：新手最容易踩的 5 个坑

坑 1：模型跑起来但响应极慢

→ 原因是 CPU 推理，给 Ollama 设置 OLLAMA_NUM_GPU=0 以外的参数，或换用更小的模型（如 qwen2.5:3b）。

坑 2：n8n 调用本地模型返回连接拒绝

→ Docker 容器内无法直接访问宿主机的 localhost，把 URL 改为 http://host.docker.internal:11434/api/chat（Mac/Windows）或宿主机实际 IP（Linux）。

坑 3：中文内容出现乱码

→ HTTP Request 节点的 Content-Type Header 确认设置为 application/json; charset=utf-8。

坑 4：n8n 凭证配置后还是报 401 错误

→ 部分服务（如飞书）的 Token 有时效，检查是否过期，重新获取后在 n8n Credentials 里更新。

坑 5：工作流卡住不动也不报错

→ 检查触发器节点是否处于 Active 状态，以及 n8n 进程是否因为内存不足被系统杀掉（建议给 Docker 容器设置至少 2GB 内存限制）。

Q&A 快速答疑

Q：电脑最低配置要求是什么？

A：运行 7B 模型建议 16GB 内存 + 8GB 显存，没有独显也能跑但速度慢。n8n 本身只需 2GB 内存。

Q：可以部署在云服务器上吗？

A：完全可以，阿里云/腾讯云的 4 核 8G 实例可以流畅运行 n8n，模型推荐选 3B 以下参数量。

Q：工作流里的数据安全吗？

A：本地部署方案数据全程不离开你的机器。n8n 的执行日志存储在本地数据库，可以随时清除。

---

写在最后

自动化不是偷懒，是把自己从执行者变成设计者。

当你第一次看着工作流在凌晨 2 点自动处理完一批邮件、生成好报告等你早上来看，你会突然理解什么叫"杠杆思维"——同样的时间，你设计了一个系统，这个系统在帮你工作。

这才是 AI 时代真正的效率红利，不是用 ChatGPT 帮你写几句话，而是让 AI 替你运转一套流程。

你的第一条工作流，准备用来干什么？

---

学会了搭工作流，你可能很快会遇到下一个问题：

"怎么让 AI 真正'理解'我公司的业务知识，而不是每次都要重新解释背景？"

这就涉及到一个更强大的技术——RAG（检索增强生成）：把你的内部文档、产品手册、历史数据"喂"给 AI，让它变成真正懂你业务的专属顾问。

下一篇，我们手把手搭建一个本地知识库 + AI 问答系统，同样零代码，同样数据不外泄。

👉 关注 8848AI，下篇更新第一时间通知你。

评论区告诉我：你最想用 AI 自动化处理的工作是什么？

---

🔗 本文配套资源

三个工作流模板 JSON 文件：关注公众号回复 "n8n模板" 获取
国内可用大模型 API（支持 GPT / Claude / DeepSeek）：[api.884819.xyz](https://api.884819.xyz) ← 新用户注册即送体验额度，适合本文工作流测试使用，用户名+密码即可注册，无需邮箱验证

---

本文由8848AI原创，转载请注明出处。关注8848AI，带你从零开始学AI。

#AI自动化 #n8n #本地大模型 #Ollama #零代码工作流 #AI办公 #DeepSeek #8848AI