n8n 自建部署走 Docker 是官方推荐的方式，一条命令能起来，但生产环境建议上 Docker Compose 配数据库。起来之后最实用的场景是接国内大模型 API 做自动化：DeepSeek、通义千问、Kimi 都提供 OpenAI 兼容接口，n8n 内置的 OpenAI 节点不用改代码，换几个参数就能直接用。
一、Docker 部署 n8n
官方镜像地址是 docker.n8n.io/n8nio/n8n，最简单的启动方式：
docker volume create n8n_data
docker run -it --rm \
--name n8n \
-p 5678:5678 \
-e GENERIC_TIMEZONE="Asia/Shanghai" \
-e TZ="Asia/Shanghai" \
-e N8N_ENFORCE_SETTINGS_FILE_PERMISSIONS=true \
-e N8N_RUNNERS_ENABLED=true \
-v n8n_data:/home/node/.n8n \
docker.n8n.io/n8nio/n8n
启动后访问 http://localhost:5678 完成初始账号设置。数据卷 n8n_data 挂载在容器外，容器重建或更新镜像都不会丢工作流。
生产环境建议用 Docker Compose 加一个 PostgreSQL 容器，n8n 默认用 SQLite，工作流量大起来之后并发写入会成为瓶颈。硬件方面，2GB 内存的 Linux VPS 能跑基础工作流，如果计划跑 AI 相关或数据量较大的分析类工作流，建议把 4GB 内存、2 vCPU 当成起步配置而不是天花板。
二、接三个国内模型: OpenAI 兼容参数对照
三家都实现了 OpenAI 兼容层，意味着不用专门的自定义节点，n8n 内置的 OpenAI 凭据类型改三个参数就能直接连：
| 模型 | Base URL | 说明 |
|---|---|---|
| DeepSeek V4 | https://api.deepseek.com | 模型名填 deepseek-v4-flash 或 deepseek-v4-pro，旧的 deepseek-chat/deepseek-reasoner 别名已在 2026-07-24 弃用 |
| 通义千问 (百炼/DashScope) | https://dashscope.aliyuncs.com/compatible-mode/v1 | 部分区域账号的 base_url 会带 WorkspaceId 前缀，以百炼控制台给出的地址为准 |
| Kimi K2.6 (Moonshot) | 国内账号用 https://api.moonshot.cn/v1，国际账号用 https://api.moonshot.ai/v1 | 两个域名指向同一套 API，账号注册地决定用哪个 |
在 n8n 里配置步骤：Credentials 新建 OpenAI 类型凭据，Base URL 填上表对应地址，API Key 填各平台申请的密钥，节点里的 Model 字段手动填厂商文档给出的具体模型名（不是下拉选择，因为下拉列表默认只认 OpenAI 官方模型）。
三、跑通第一条工作流：定时抓取 + AI 摘要
一个最基础但实用的例子：定时触发器 + HTTP Request 抓取内容 + OpenAI 节点做摘要 + 发送到目标渠道。
- Schedule Trigger 节点，设置每天固定时间触发
- HTTP Request 节点，抓取目标网页或调用某个数据源 API
- OpenAI 节点（Base URL 换成上表任一家），Prompt 写"把以下内容总结成三句话"，把上一节点输出接进去
- 发送节点（邮件/Webhook/IM 机器人都行），把摘要结果发出去
四个节点连起来就是一条能跑的自动化，比自己写脚本管定时任务和错误重试省事，n8n 自带的执行日志能直接看到每一步的输入输出，调试起来比裸脚本直观。
四、价格量级对比（截至 2026-08-16）
- DeepSeek V4-Flash：输入 $0.14/M token（缓存未命中）、输出 $0.28/M token，是三家里最便宜的档位，官方还有峰谷时段价格调整机制，具体以当天定价页为准。
- Kimi K2.6：输入约 $0.95/M token、输出约 $4/M token，比 DeepSeek 贵一个数量级，适合对输出质量要求更高、调用量不算特别大的场景。
- 通义千问：官方给出的说法是 Plus 档位价格约为 Max 档位的五分之一，具体到每千 token 的人民币单价，本文没有查到一个能直接引用的最新官方数字，建议动手前去百炼控制台的计费页面核实当天价格，这里不替你编一个数字。
我的判断
三家都做了 OpenAI 兼容层，这件事本身比谁便宜几分钱更值得记：意味着换模型的成本几乎为零，n8n 里改一个 Base URL 字段就行，不用重新学一套 SDK。实际用起来的选择建议是先用 DeepSeek 跑通流程（便宜，能试错），质量要求高的关键节点再换成 Kimi 或通义的高档位模型，混着用比锁死一家更划算。