如何在 Hello-Agents 低代码平台学习前用 Docker 本地部署 n8n 并访问 5678 端口控制台?
《从零开始构建智能体》(hello-agents)在 第五章 基于低代码平台的智能体搭建 中专门用 n8n 搭建了“智能邮件助手”案例,而这个案例需要一个本地部署的 n8n 实例。在动手跟做之前,你需要先在本机用 Docker 把 n8n 跑起来,并确认能访问 5678 端口的控制台。本文按项目 Additional-Chapter 中的 n8n 安装指南 完成这一前置步骤:安装 Docker 客户端、用两条命令启动 n8n 容器,最后验证 n8n 正在运行并进入启动界面。指南的截图演示环境是 Windows,其他系统下载 Docker 时选对应版本即可。
为什么本地部署选 Docker
安装指南只介绍了 Docker 这一种本地安装方式,给出的理由是这种方式“最稳定,并且最利于持续探索 n8n 的使用”。对准备跟随第五章持续搭建 n8n 工作流的读者来说,这就是默认路径。
第一步:安装 Docker 客户端并设置镜像存放路径
- 进入 Docker 官网,选择你的终端设备进行下载,指南以 Windows 作为演示。
- 下载后切换 Docker 的磁盘存放路径。指南提醒镜像一般很大,尽量不要存放在 C 盘。
第二步:用两条命令启动 n8n 容器
打开命令行,依次执行:
docker volume create n8n_data
docker run -d --restart unless-stopped --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n n8nio/n8n
第一条命令创建名为 n8n_data 的 Docker 卷,用于保存 n8n 的数据。第二条命令在后台启动 n8n 镜像 n8nio/n8n,首次执行时如本机没有该镜像,Docker 会先拉取,这也是上一步要把存放路径挪出 C 盘的原因。其中影响后续操作的参数:
-p 5678:5678:把容器的 5678 端口映射到宿主机的 5678 端口,后面就是从这个端口进入 n8n 控制台;-v n8n_data:/home/node/.n8n:把刚创建的卷挂载到容器内 n8n 的数据目录;--name n8n:给容器命名,Docker 列表里看到的名称就是它;-d与--restart unless-stopped:后台运行并设置容器的重启策略。
第三步:验证 n8n 正在运行并访问 5678 控制台
指南不依赖命令行输出来判断结果,而是通过 Docker 界面验证:
- 打开 Docker,能看到 n8n 容器处于运行状态:
- 点击
5678:5678的端口入口,即可进入 n8n 的启动界面:
- 进入页面后能看到“打开新项目”的按钮,说明控制台已可用。后续编排工作流时,通过添加新节点的按钮搜索并添加所需节点即可。
到这里,标题对应的任务完成:n8n 已在本地 Docker 中运行,5678 端口控制台可以访问。
部署完成后:衔接第五章的 n8n 案例
第五章 5.5.2 节 明确写道:“关于 n8n 的环境配置和最基础的使用,在项目的 Additional-Chapter 文件夹下制作了文档,这里就不过多介绍。”也就是说,本文搭好的环境正是教程 n8n 部分的起点。验证通过后按以下顺序阅读:
- 5.5.1 n8n 的节点与工作流:触发节点与常规节点的基本概念;
- 5.5.3 构建 Agent 的私有知识库:用
Code、Embeddings、Simple Vector Store节点加载知识; - 5.5.4 创建 Agent 主工作流:
Gmail触发器加AI Agent节点,构建完整的智能邮件助手。
需要注意的一个限制:案例中用到的 Simple Memory 与 Simple Vector Store 都是基于内存的存储,n8n 服务一旦重启,所有对话历史和知识库都会丢失。第五章 5.5.5 节指出,实际部署时应将其替换为 Redis、Pinecone 等外部持久化数据库。因此在本地跟做案例时,重启 n8n 后需要重新执行知识库加载流程。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0629
MiniCPM5-2BMiniCPM5-2B 是一款面向端侧、本地部署和资源受限场景的 2B 稠密 Transformer,能够达到同尺寸开源模型 SOTA 水平。Markdown00
GLM-5.3GLM-5.3 与 GLM-5.2 使用相同的基座模型——所有提升均来自后训练。与 GLM-5.2 相比,它在复杂编程和长程任务上的表现显著提升。Jinja00
HivisionIDPhotos⚡️HivisionIDPhotos: a lightweight and efficient AI ID photos tools. 一个轻量级的AI证件照制作算法。Python07
DragonOSDragonOS is an operating system developed from scratch using Rust, with Linux compatibility. It is designed for **Serverless** scenarios. 使用Rust从0自研内核,具有Linux兼容性的操作系统,面向云计算Serverless场景而设计。Rust00
Spark-X2.5-1.7BSpark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色,涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流,并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00


