# 4k+ n8n 工作流合集：无代码 AI Agent 编排与 ETL 管道实战 > 精选 4343 个 n8n 工作流资源库，支持在线搜索与 Docker 部署，实现 AI Agent 协调、ETL 数据管道的无代码落地。 ## 元数据 - 路径: /posts/2025/12/04/curated-4k-n8n-workflows-ai-agent-orchestration-etl/ - 发布时间: 2025-12-04T19:46:36+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在 AI 系统构建中，无代码工具如 n8n 正成为高效编排 Agent 和 ETL 管道的核心选择。通过 Zie619/n8n-workflows 资源库，用户可零门槛复用 4343 个生产级工作流，实现 LLM 集成与自动化协调，避免从零设计复杂逻辑。 n8n 本身支持可视化拖拽节点，连接 365+ 集成，包括 OpenAI、Claude 等 LLM，以及数据库、API 等服务。该 repo 按 15 类组织工作流，总节点数达 29,445，覆盖 Marketing、Sales、DevOps、AI 相关场景。“仓库包含 4,343 个生产就绪工作流，100% 导入成功率。” 这些工作流聚焦 AI Agent 编排，如多模型路由、工具调用链；ETL 管道示例包括数据清洗、转换、加载，支持 RSS 抓取、向量存储等。 实际验证中，该库搜索响应 <100ms，SQLite FTS5 索引确保高效过滤类别、复杂度、触发类型。类别如 “AI & ML” 包含 Agent 协调示例：触发 Webhook → LLM 分析 → 分支决策 → 输出 Notion/Slack。ETL 场景如 “Data Processing”：Google Sheets 读取 → 数据清洗 → PostgreSQL 写入，支持循环处理批量项。 落地部署只需 Docker：`docker run -p 8000:8000 zie619/n8n-workflows:latest`，访问 localhost:8000 即得智能搜索界面。下载 JSON 后，在 n8n 编辑器一键导入（n8n > Import from File）。关键参数配置： **AI Agent 编排清单：** - 触发节点：Webhook/Schedule，参数 `path: /agent-trigger`，`interval: cron(0 9 * * *)`（每日 9 点）。 - LLM 节点：OpenAI Chat，`model: gpt-4o-mini`，`temperature: 0.2`，Prompt 模板 `"分析 {{ $json.input }} 并调用工具：{{ $tools }}"`。 - 工具节点：HTTP Request，`method: POST`，`url: api.example.com/tool`，Headers `Authorization: Bearer {{ $credentials.apiKey }}`。 - 分支节点：IF，条件 `$json.priority > 7`，路由高优先 Agent。 - 内存：Simple Memory，`maxInteractions: 10`，防止上下文溢出。 **ETL 管道参数：** - 源节点：Google Sheets，`operation: Read`，`range: A:Z`，`options.limit: 1000`。 - 转换节点：Code (JS)，`items.map(item => ({...item.json, cleaned: item.json.value.trim()}))`，阈值 `if (length > 10000) split batches`。 - 加载节点：PostgreSQL，`operation: Insert`，`schema: public`，`table: etl_data`，Batch Size `100`。 - 错误处理：Error Trigger，`maxTries: 3`，`retryDelay: 5000ms`。 监控要点： - 执行日志：n8n Executions 页，阈值 `executionTime > 30s` 告警。 - 资源：Docker stats，CPU <80%，内存 <50MB（repo 优化后）。 - 指标：Success Rate >99%，Node Failures <1%，用 n8n Stats API `/api/stats`。 - 回滚：版本控制 JSON 文件，Git 仓库备份；测试环境导入前 dry-run。 自定义扩展：fork repo，添加本地节点如自定义 LLM Tool。风险控制：API 限流 `rateLimit: 60/min`，私有部署避免数据泄露。生产中，结合 n8n 队列模式处理高并发 ETL。 此合集极大加速 AI 系统原型到生产，适用于初创团队快速迭代 Agent 或企业 ETL 迁移。 **资料来源：** - [Zie619/n8n-workflows](https://github.com/Zie619/n8n-workflows) - n8n 官方文档与社区示例（2025 年搜索结果） ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。