三步搭建MCP服務器，讓AI工具直接調用n8n工作流
今天我們將視角轉向服務端實現。n8n 自 1.88.0 版本起，引入了一個革命性特性——MCP Server Trigger 節點。這一創新讓開發者能夠將復雜的工作流包裝成標準化的 MCP 服務，通過 SSE（Server-Sent Events）協議對外發布。
圖片
為什么這很重要？
想象一下，你精心設計的自動化工作流不再局限于 n8n 內部使用，而是可以作為服務向任何 MCP 客戶端提供能力。這種轉變意味著工作流從內部工具升級為可復用的服務組件。
從觸發器開始：搭建MCP服務基礎架構
核心節點配置
整個 MCP 服務器的構建過程出乎意料地簡潔。首先添加一個MCP Server Trigger節點——這就是我們的服務入口點。
圖片
打開節點面板，你會發現一個預生成的 SSE 訪問地址。這個 URL 就是外部系統調用你服務的通道。為了演示便利，我們暫時禁用身份驗證（生產環境中務必啟用安全措施）。
圖片
構建服務能力矩陣
接下來的步驟體現了 n8n 的模塊化哲學。你可以在 MCP Server Trigger 后連接任意數量的工具節點，每個節點都會成為 MCP 服務的一個可調用功能。
圖片
我們有兩種方式來擴展 MCP 服務的能力：
- 復用現有工作流 - 通過 Call n8n Workflow Tool 節點引入已驗證的自動化流程
- 直接添加工具節點 - 將單個功能節點（如 Gmail、Slack 等）直接連接到 MCP 服務器
實戰演練：構建多功能MCP服務
復用現有工作流
既然我們在上一篇文章中已經構建了高德地圖查詢和 flomo 筆記的工作流，為什么不直接復用這些成果？這就是Call n8n Workflow Tool節點的價值所在。
配置步驟：
- 在 MCP Server Trigger 中 Tools 里，添加 Call n8n Workflow Tool 節點
- 在節點配置中選擇要調用的目標工作流
- 設置參數映射，確保MCP請求能正確傳遞給子工作流
圖片
圖片
重要技術細節： 被調用的子工作流（如MCP with n8n工作流）必須以 Execute Sub-workflow 觸發器開始，而不是其他觸發器類型。這是因為它現在扮演的是"工具組件"角色，需要接收外部傳入的參數。
圖片
工作流能力整合
通過這種混合方式，我們為 MCP 服務構建了三個核心能力：
- 地理位置查詢 - 通過 Call n8n Workflow Tool 調用高德地圖
- 筆記管理 - 通過 Call n8n Workflow Tool 集成 flomo 筆記服務
- 郵件發送 - 直接添加 Gmail 節點到 MCP Server，采用 AI 自動識別配置
前兩個能力復用了我們已有的工作流成果，而郵件功能則是直接在 MCP 服務器中添加 Gmail 工具節點。對于 Gmail 節點，我們將收件人、主題、正文全部設置為 AI 自動識別模式，讓 AI Agent 能根據用戶輸入自動填充郵件內容。
圖片
完整服務架構
回到 n8n 畫板，我們可以看到最終構建完成的 MCP 服務器架構如下所示：
圖片
這個架構清晰地展現了 MCP Server Trigger 作為服務入口，連接著多個工具組件的完整拓撲結構。
AI Agent提示詞優化
在 MCP with n8n 子工作流中，AI Agent 的提示詞需要精確調整：
{{ "Choose proper tool for user input:" + $json.query }}這個看似簡單的提示詞包含了重要的上下文傳遞機制。$json.query承載著來自 MCP 客戶端的原始請求，AI Agent 據此選擇最合適的工具。
服務發布與激活
一鍵發布流程
MCP 服務的發布過程體現了 n8n "簡單即強大"的設計理念。保存工作流后，點擊Active按鈕將其激活為綠色狀態。此時，服務端已準備好接收外部請求。
圖片
復制 MCP Server Trigger 節點的 Production URL——這就是你的服務訪問端點。
客戶端連接方案
n8n內部調用
最直接的驗證方式是在 n8n 內部創建 MCP 客戶端。我們可以構建一個 AI Agent，通過 MCP Client Tool 連接剛才創建的服務器。
為了演示方便，我將 MCP AI Agent 和 n8n MCP Server 放在了同一個工作流中。這個 AI Agent 和上一篇文章分享的基本類似，唯一不同的是這里使用的 MCP Client Tool。
圖片
MCP Client Tool配置
雙擊打開 MCP Client Tool 查看配置，可以看到其中的 SSE Endpoint 就是我們剛剛創建的 MCP Server Trigger 提供的 Production URL。
圖片
AI Agent系統提示詞設置
AI Agent 的系統提示詞需要精心設計，讓它了解可用的工具能力和使用場景：
## Context
- 今天是 {{ $now.format('dd LLL yyyy') }}。
- 當前時間：{{ $now.format('hh:mm a') }} 。
- 你是一個運行在 n8n 工作流中的 AI Agent，擁有多種工具能力
## Available Tools
你可以使用以下工具來幫助用戶：
**高德地圖工具**：
- 通過專門的工作流提供地理位置查詢、路線規劃、周邊搜索功能
- 提供天氣信息查詢，包括當前天氣和天氣預報
- 當用戶詢問位置、導航、距離、天氣等問題時使用
**Flomo 筆記工具**：
- 通過專門的工作流提供筆記記錄和管理功能
- 用于記錄想法、保存信息、查找歷史筆記
- 當用戶需要記錄筆記時使用
**郵件工具**：
- 直接發送郵件功能
- 當用戶需要發送郵件時使用
## Response Guidelines
- 保持回答簡短明了，適合語音傳遞
- 使用簡體中文回復
- 不要編造信息，不確定時明確說明
- 根據用戶需求選擇合適的工具或服務
- 在使用工具前，簡要說明你將要做什么同時，我們需要設置 Max Iterations 參數為 10，確保 AI Agent 有足夠的迭代次數來完成復雜任務。
圖片
執行流程解析
這種設計形成了一個有趣的循環：AI Agent 解析用戶指令 → MCP Client 發送請求 → MCP Server 執行工具 → 返回結果給 AI Agent → 轉化為自然語言輸出。
實際執行過程展示
讓我們看看這個流程的實際運行效果。當我們輸入演示指令后，可以觀察到大模型會將我們的自然語言指令智能轉化成相應工具的結構化參數，并自動選擇最合適的工具組合。
圖片
整個執行過程分為幾個關鍵步驟：
- 指令解析 - AI Agent 理解用戶意圖，識別需要調用的工具
- 參數轉化 - 將自然語言轉換為工具可接受的結構化參數
- 工具調用 - MCP Client 將請求提交給 MCP Server 執行
- 結果處理 - MCP Server 返回執行結果
- 自然語言輸出 - AI Agent 將技術性的返回結果轉化為易懂的自然語言呈現給用戶
圖片
整個流程在 n8n 環境內完成，但通過 MCP 協議實現了清晰的職責分離。用戶只需要用自然語言表達需求，剩下的技術細節全部由系統自動處理。
外部系統集成
Claude Desktop配置
對于 Claude Desktop 用戶，配置文件如下：
{
"mcpServers": {
"n8n": {
"command": "npx",
"args": [
"-y",
"supergateway",
"--sse",
"YOUR_SSE_URL_HERE"
]
}
}
}
Cherry Studio快速接入
Cherry Studio 提供了更直觀的配置界面。在 MCP 服務器配置中添加你的 SSE 端點，即可立即使用所有工作流功能。
架構優勢分析
服務化轉型
MCP Server Trigger 的出現標志著 n8n 從"工作流平臺"向"服務化平臺"的進化。你的自動化邏輯不再是孤立的腳本，而是可復用的服務組件。
生態系統擴展
這種架構設計打破了平臺邊界。無論是 Claude、Cherry Studio，還是任何支持 MCP 協議的客戶端，都能無縫調用你的 n8n 服務。這種互操作性為企業級集成提供了無限可能。
寫在最后
MCP Server Trigger 和 MCP Client Tool 的組合拳，讓 n8n 工作流具備了前所未有的靈活性。這不僅簡化了外部程序調用 n8n 工具的復雜度，更為構建分布式自動化生態奠定了基礎。
當工作流變成服務，當自動化成為基礎設施，我們正在見證一個新時代的到來——每個人都能構建和分享自己的 AI 工具箱。
