🔍
“当低代码遇上知识库，工作流从此拥有大脑”

一、痛点：为什么n8n需要知识库？

n8n作为开源工作流自动化平台，擅长连接应用（如邮件、数据库、API），但其原生AI能力仅限于基础模型调用，存在两大短板：
缺乏专业知识库支持：处理行业问题时（如教育、医疗），通用模型易产生“幻觉”，输出不专业；

上下文记忆薄弱：无法动态检索历史数据（如产品文档、政策文件），导致决策依据不足。

💡 解决方案：通过FastGPT的RAG（检索增强生成）能力，为n8n注入“行业知识大脑”。

二、关键技术：RAG与MCP协议
RAG（检索增强生成）

原理：用户提问 → 从知识库检索相关段落 → 将段落+问题喂给大模型生成答案；

优势：答案准确率提升40%+，规避模型幻觉。
MCP（元组件协议）

角色：FastGPT与n8n之间的“万能插座”；

作用：将FastGPT知识库封装成n8n可直接调用的工具节点（无需写API代码）。

三、四步实现无缝集成

🔧 步骤1：部署支持MCP的FastGPT

使用docker-compose部署（需v4.9.11+）

git clone https://github.com/labring/FastGPT
cd FastGPT/deploy/docker
docker-compose -f docker-compose-pgvector.yml up -d

关键配置：
修改config.json → 设置mcp.server.host为服务器IP；

开放端口3005（MCP默认端口）。

⚙️ 步骤2：在FastGPT创建MCP服务
进入FastGPT工作台 → MCP服务 → 新建服务；

添加知识库作为“工具”（需提前上传行业文档如PDF/Word）；

获取SSE Endpoint（如http://your_ip:3005/api/v1/mcp/run）。

🤖 步骤3：n8n工作流配置MCP调用
添加 AI Agent节点 → 选择MCPClientTool（需n8n v1.94.1+）；

填写SSE Endpoint，并设置工具调用参数：

// 调用参数示例
“input”: “用户问题”,

“knowledge_id”: “你的知识库ID”, // 在FastGPT后台查看
“top_k”: 3 // 检索最相关的3个段落

🔄 步骤4：构建知识增强型工作流

graph LR
A[定时触发器] --> B[爬取行业新闻]
–> C[MCP调用知识库]

–> D{是否需人工审核？}

– 置信度>90% --> E[自动生成分析报告]

– 置信度≤90% --> F[邮件通知人工核查]

–> G[发布到飞某书+微某信]

关键节点说明：
置信度判断：用IF节点检查MCP返回结果的confidence_score；

自动发布：用“飞某书多维表格”节点直接写入内容。

四、实战案例：教培行业热点追踪

📚 场景

自动抓取教育政策新闻 → 结合知识库生成解读 → 发布到社交媒体。

⚡️ 效果对比
方案 内容准确率 人工干预频率
纯n8n+GPT-4 68% 40%
n8n+FastGPT RAG 92% 5%

💡 优化技巧
知识库冷启动：

用Crawler节点抓取官网政策→Text Splitter节点切片→存入FastGPT；
多模型校验：

调用DeepSeek和GPT-4同时审核MCP结果，用投票节点选择最佳答案。

五、避坑指南
MCP连接失败

检查FastGPT的config.json中IP/端口是否正确；

在n8n的表达式中打印$node[“MCP”].json查看原始错误。
知识检索不准

调整top_k参数（建议3-5）；

在FastGPT知识库设置中添加关键词标签（如“#双减政策”）。
工作流超时

复杂任务拆解为子工作流（Sub-workflow），用错误触发重试；

启用队列执行避免并发拥堵。

六、结语：新范式价值

n8n × FastGPT = 自动化 × 专业化：
“当你用定时爬虫抓取数据时，n8n是手；当你为它接入RAG知识库，n8n便拥有了眼和脑。”

此方案特别适合法律咨询、医疗问答、电商客服等强知识依赖场景，将人工从重复性决策中解放，聚焦创造力工作。