本文提供：
- 在n8n中构建一个agent工作流
- 在n8n中添加自定义mcp client
- 使用python构建mcp server并在n8n工作流中连接
0. 背景
本文读者一般对MCP有一定了解，这里不进行解释。如果你需要知道背景知识，请看：
LastWhisper：MCP (Model Context Protocol)，一篇就够了。
本文使用n8n构建一个完整的agent工作流，需要你在本机或服务器上部署一个n8n实例，当然如果你使用其他flow工具，可以参考本文章的mcp server构建部分。本文不提供n8n部署相关知识。
注意，最好使用高于1.88版本的n8n，否则使用deepseek作为LLM时可能会有422报错。
GeGarron：n8n 全方位安装指南：从本地部署到云端运行
1. 在n8n中构建一个agent工作流
1.1 创建一个工作流
在n8n中通常是以工作流为单位进行工作的，在本例中，一个完整的聊天agent即为一个工作流。 在overview界面点击右上角的Create Workflow创建一个工作流。 在n8n中，一个工作流的开始一般是一个触发器，点击中间的 + 图标，有很多触发器可供选择，这里选择On chat message触发器即可，这个触发器在聊天框输入语句进行触发。
1.2 创建agent
在创建完一个最基础的工作流之后，需要丰富这个工作流的内容，特别是加入LLM进行工具调用指导。
点击第一个trigger节点的加号，创建第二个节点，输入agent，选择AI Agent，之后点击左上角退回画布，可以发现多了一个Agent节点。
可以发现，在Agent节点中，我们可以自定义的子节点（这玩意儿在n8n中叫sub-node）有：Chat Model、Memory和Tool。这几个子节点分别表示：
- Chat Model 接入的大语言模型，输入用户输入后输出工具调用信息，输入工具返回信息输出加工后的信息
- Memory 记录对话内容，提供上下文功能
- Tool 工具，agent"调用"的过程（mcp client、n8n节点或者n8n工作流）
下面我们将逐项配置这三项：
Chat Model
起手式点击 + 号，可以看到n8n提供了一系列的聊天模型节点供使用，比如DeepSeek和OpenAI。由于DeepSeek提供的API和OpenAI的API形式上相同，所以如果你选择DeepSeek模型，这两种节点都可以使用，本例使用OpenAI节点接入DeepSeek API。
国内使用"SuckDick"模型非常方便，在DeepSeek开放平台注册后获取一个API key即可。
双击加入的OpenAI节点，在Credential下拉菜单中选择创建新的凭证，填入获取到的API key，并按照DeepSeek文档中提示的修改Base URL即可。
![](image-4.png “只需要修改API Key和Base URL，成功后会有绿色提示"Connection tested successfully”")
添加凭证后，在Open AI节点中可以选择聊天模型，选择deepseek-chat就OK，你也可以试试另一个是什么效果。
至此，一个最简单的没什么精用的Agent就整好了，你可以在聊天栏中愉快地和记忆为0的大模型聊天了。
Memory
很显然，如果你用过deepseek官网“受过良好调教”的大模型的话，你的agent就像一个没有记忆的大傻子。
我们可以通过添加记忆模块为大模型添加上下文功能，这就是第二个子节点Memory的作用。
这里点击Memory相应的 + 号，选择Simple Memory节点即可，这个节点配置最简单，不需要额外的组件，而且效果还行，在配置中，你可以设置上下文长度。推荐玩一下，如果你很急，保持默认的5就行。
你也可以试一下没有Memory功能的Agent。
Tool
Tool用来实际执行一些准确性要求高、运算密集或者时效性强的操作。它被Agent节点由LLM指导调用。
Tool可以添加很多个，这里先添加一个简单的http请求节点试试水，想实现的最简单的从当前互联网获取信息的操作。思路是这样的，这个Tool可以通过必应搜索获取某个关键词的搜索结果，之后返回页面信息。LLM接收返回的页面信息，告诉我们页面上的内容有什么。
n8n中有个http请求节点，可以发送GET、POST等请求并获取返回数据（response data），可以使用这个东西来发送构造好的URL以及Query参数，并获取页面html。
思路成立，实验开始：在Tool子节点处添加HTTP Request Tool节点，并填入下面图片中的参数。
之后在聊天中发出请求，可以发现LLM被调用了两次，工具HTTP Request节点被调用了一次，而左侧的聊天框中实际上只显示了一次对话。
如果你尝试的次数很多，你会发现token消耗得挺快，效果还不好。这是因为HTTP Request返回的是一个HTML网页，很多没用的信息会输入给LLM。所以如果你需要一个高质量的Agent，一些数据处理是有必要的。
至此，一个勉强能用的Agent堂堂面世。回顾一下，我们首先添加了Agent节点，构成了Agent的骨架，之后添加了它的大脑让它产生思维，为了让它有记忆，又加入了Memory，最后让它有力量，添加了一个工具。
2. 在n8n中添加自定义mcp client
Agent的智能来源于大语言模型，能力来源于提供的工具。通常为了完成一些特定的工作，需要自行编写工具。
自己编写的工具可以通过mcp协议作为mcp server提供，在n8n中通过mcp client连接它。
上面的这个图估计都被复制烂了，但是很重要。client和server是两部分，server如何与数据资源交互与client无关，而且client和server可以不在一个设备上。
添加mcp client节点
n8n在1.88版本添加了官方的mcp client节点，在Agent节点的Tool子节点处点击加号（你可以把之前的HTTP请求节点删除掉），选择MCP Client Tool节点即可。
之后你可以点击这个节点的设置，可以发现三个选项，对于一个MCP Client来说，第一个SSE Endpoint是必填的，后面的取决于需求，SSE Endpoint告诉了MCP Client MCP Server在哪里。
将它们比作小人是这样的：
Agent是一个小组，LLM是指挥，它收到外部请求（人类的输入）后，思考了一阵得出了需要Client干活儿的结论，于是它说：“Client，你去做xxx”。Client收到消息后，将指挥提供的信息传给Server，之后等待Server的结果，有结果后把结果告诉指挥LLM。
这样看起来挺好的，但是LLM事先并不知道Client能干什么活儿，也不知到Client需要什么消息。这就需要MCP协议了，Server会告诉Client它能做什么工作，之后Client将这样的信息告诉LLM，已完成消息的传递。第3节将更清晰地看到这个过程。
这一节几乎没什么实质性地内容，但似乎是必不可少的。
3. 使用python构建mcp server并在n8n工作流中连接
根据前一节，我们要开发自己的特有Tool，关键在于给MCP Client提供MCP server。本节将通过Python实现。
MCP提供了很多个语言的SDK，这里选择Python，别问我为啥，我也不知道为啥啊！！！
3.1 环境配置
用uv管理环境就OK，主要用到的是mcp包
uv add mcp3.2 开发简单的Server
之后写个这样的简单server脚本：
# server.py
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("test")
mcp.settings.port = 9000
mcp.settings.host = "0.0.0.0"
async def calculate(expression: str) -> float:
"""计算一个数学表达式
Args:
expression: 要计算的数学表达式
Returns:
float: 计算结果
"""
try:
return eval(expression)
except Exception as e:
return f"计算错误 {str(e)}"
mcp.add_tool(calculate, "Calculator", "Calculate an expression")
if __name__ == "__main__":
mcp.run("sse")大概是这样的：
- 导包起手式
- 定义一个mcp server并设置IP和端口
- 定义一个函数用于计算表达式，这个函数是脱裤子放屁：接收表达式，并传给eval函数，返回结果
- 在mcp中添加这个函数作为tool
- 使用sse方式运行mcp server
看起来挺简单的，对吧？大概要注意这么几点：
- 函数的名字要简明，行内的注释要尽量有
- 可以使用装饰器添加这个函数，效果和add_tool方法是一样的
- 这里的运行方式是sse，是因为n8n中的Client节点只认这个
3.3 测试一下
想要看看这个server在client眼里长什么样子，可以在vscode中加一个这个拓展，可以非常方便地测试自己的Server，你也可以使用Claude Desktop等其他Client。
首先将MCP Server运行起来
uv run server.py在MCP Inspector窗口中填入Server URL即可点击Connect尝试连接。
可以看到可用的工具有之前定义的计算器，点击RUN，即可输入表达式：
至此，一个简单的server就创建并部署好了。
3.4 使用n8n中的Client连接它
最终目的是要将这个Server提供给n8n，所以需要在n8n的MCP Client节点上连接这个MCP Server，方法非常简单：在Client节点的SSE Endpoint一栏中填入Server URL（本例为http://0.0.0.0:9000/sse，实际地址和端口需要按需填写）即可。
退出编辑界面，Ctrl + S保存工作流，点击AI Agent的运行按钮，如果可以正常连接的话，不会产生提示，否则会有报错信息。报错大概率是网络连接问题。
3.5 使用这个Server
本节使用python编写了MCP server 并使用n8n中的MCP Client节点连接，如果你有更加复杂的节点需求，只需要更改Server中的工具即可。