首页
/ 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?

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?

2026-09-08 16:29:14作者:幸俭卉

《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。

Docker 官网客户端下载页面

第一步:安装 Docker 客户端并设置镜像存放路径

  1. 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。
  2. 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--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:

  1. 打开 Docker,能看到 n8n 容器处于运行状态:

Docker 中 n8n 容器运行中

  1. 点击 5678:5678 的端口入口,即可进入 n8n 的启动界面:

通过 5678 端口进入 n8n 启动界面

  1. 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:

  1. 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;
  2. 5.5.3 构建 Agent 的私有知识库:用 CodeEmbeddingsSimple Vector Store 节点加载知识;
  3. 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 MemorySimple 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。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
33
18
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.14 K
2.75 K
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
857
1.35 K
docsdocs
暂无描述
Markdown
898
5.82 K
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
921
1.84 K
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.8 K
1.02 K
kernelkernel
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
531
596
cann-learning-hubcann-learning-hub
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
1.02 K
519
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.36 K
1.46 K
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
548
391