n8n-MCP 是一个 MCP server，给 Claude Desktop/Code、Cursor、Windsurf 等 AI 助手提供对 n8n 1650 个工作流节点（820 核心 + 830 社区）的文档、属性和操作的结构化访问，外加 2352 个工作流模板库，让 AI 能理解 n8n 节点并据此正确地帮你搭工作流——节点属性 99% 覆盖、文档 87% 覆盖、含 265 个 AI 工具变体。
来源：README Overview + 节点/模板统计 查看 GitHub 仓库 →n8n 是流行的工作流自动化平台，但它有 1650 个节点、每个节点一堆属性和操作，让 AI 凭空生成 n8n 工作流 JSON 几乎必错（节点名/属性/连接对不上）。n8n-MCP 解决的是「让 AI 真懂 n8n」：把 1650 个节点的文档（87% 覆盖）、属性（99% 覆盖）、操作（63.6% 覆盖）和 2352 个模板（99.96% 带 AI 元数据）都索引好，经 MCP 暴露给 AI 助手，AI 据此构造合法的工作流并能多级校验。它还把工程纪律做进 core principles：Templates First（先找模板）、Multi-Level Validation（建前/建后/部署后四级校验）、Never Trust Defaults（不信默认值），并能经 n8n API 管理工作流。5418 个测试、跟 n8n 2.18.4、Docker/Railway/npm 多种部署。21K★ 反映「用 AI 搭 n8n 工作流」的庞大需求——它几乎是这件事的事实标准 MCP。
来源：README Overview / Core Principles / Validation Strategy覆盖 n8n 1650 个节点（820 核心 + 830 社区，741 verified）：节点属性 99% 覆盖（带详细 schema）、操作 63.6% 覆盖、文档 87% 覆盖（含 AI 节点）、检测出 265 个 AI 能力工具变体并附完整文档。经 MCP 让 AI 精确知道每个节点怎么配。
来源：README Overview（节点/属性/操作/文档覆盖率）内置 2352 个工作流模板，99.96% 带 AI 元数据。core principle「Templates First」要求 AI 先找现成模板再从零搭，提高生成工作流的正确率和质量；社区节点可用 source filter 搜已验证集成。
来源：README Overview（template library）/ Core Principles（Templates First）Multi-Level Validation：Level 1 建前快速检查、Level 2 建前全面检查、Level 3 建后完整校验、Level 4 部署后验证。配合「Never Trust Defaults」（不信节点默认值，显式验证每个配置），最大限度避免 AI 生成出无效或行为错误的工作流。
来源：README Core Principles / Validation Strategy（Level 1-4）支持 Claude Desktop、Claude Code、Cursor、Windsurf 等 MCP 客户端接入；可选连 n8n 实例的 API 直接管理（创建/更新/部署）工作流。配可选 Claude Skills 和 Claude Project Setup。Silent + Parallel Execution 等原则优化 AI 的工具调用效率。
来源：README Connect your IDE / n8n Integration / Core Principlesnpm（n8n-mcp）、Docker（ghcr.io/czlonkowski/n8n-mcp）、Railway 一键部署，几分钟上手；5418 个测试通过、codecov 覆盖、跟随 n8n 版本（当前 2.18.4）。安全上明确警告：永远别用 AI 直接改生产工作流。
来源：README Quick Start / 徽章（5418 tests）/ Safety Warningn8n-MCP 是 TypeScript 写的 MCP server，核心是「把 n8n 的全部节点知识索引成可被 AI 查询的数据库」。src/（246 文件）实现 MCP server 与查询逻辑，data/（50 文件）是节点知识库（1650 节点的属性 schema、操作、文档 + 2352 模板的元数据），通过解析 n8n 官方节点定义和文档构建。运行模型：AI 助手（Claude/Cursor 等）经 MCP 连到 n8n-MCP → 用工具查某节点的属性/操作/文档、搜模板、做工作流校验 → 据此构造合法的 n8n 工作流 JSON → 可选经 n8n API 部署。四级验证（建前快速/全面、建后完整、部署后）在不同阶段拦截错误，Templates First 优先复用模板，Never Trust Defaults 显式验证配置。dist/（775，构建产物）、tests/（355 文件、5418 测试）、scripts/、docker/、ui-apps/。设计判断：它解决的是一个非常具体且真实的问题——AI 不懂 n8n 的 1650 节点细节就生成不出能跑的工作流，n8n-MCP 用「结构化知识库 + MCP 暴露 + 多级校验」把这件事做到事实标准级别（21K★、5418 测试、跟 n8n 版本）。价值上限是知识库的覆盖率和新鲜度——节点属性 99%、操作 63.6%、文档 87%，操作覆盖偏低说明部分节点的动作 AI 仍可能不完全了解；且强依赖跟随 n8n 上游版本，n8n 一更新节点就要重新索引。
来源：tree（src/data/tests）+ README Overview / Validation中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
n8n 节点定义与官方文档节点属性/操作 schema 数据库（data/）2352 工作流模板库n8n APIMCP 客户端：Claude Desktop/Code、Cursor、W…1. 用 AI 搭 n8n 工作流：在 Claude/Cursor 里描述需求，AI 借 n8n-MCP 的节点知识和模板构造出能跑的工作流，而非凭空乱编 JSON；2. 学/查 n8n 节点：让 AI 查某节点的属性、操作、文档，快速搞懂怎么配；3. 模板复用：从 2352 模板库找接近的起点再改；4. 工作流校验：用四级验证在建前/建后/部署后检查工作流合法性，减少线上出错；5. 管理 n8n 实例：连 n8n API 让 AI 创建/更新工作流（先测试环境）；6. 社区节点集成：用 source filter 搜已验证的社区节点接进工作流。
来源：README Overview / Core Principles / Validationv2.54.0（2026-05-18），同日有 v2.53.1/v2.53.2，发版频繁。跟随 n8n 2.18.4。仓库 2025-06-07 创建，已积累到 2.54.x 的成熟版本，5418 测试通过。npm 包 n8n-mcp + Docker 镜像持续更新以跟 n8n 上游。
来源：GitHub Releases API（v2.53-54）+ README 徽章如果你想用 AI（Claude/Cursor 等）搭 n8n 工作流，n8n-MCP 几乎是必装的事实标准 MCP：把 1650 节点的知识 + 2352 模板喂给 AI，让它搭出能跑的工作流而非乱编 JSON，还有四级校验兜底。务实建议：1) 几分钟用 npm/Docker/Railway 部署、接进你的 AI 客户端，描述需求让它「Templates First」地搭；2) 操作覆盖只 63.6%，复杂节点的工作流 AI 可能配不全，建后跑完整校验、自己核对关键节点；3) 严守 README 安全警告——别用 AI 直接改生产工作流，先测试环境验证，连 n8n API 时尤其小心；4) 它跟随 n8n 版本，n8n 升级后注意知识库是否同步（用最新镜像）；5) 它给的是「节点知识 + 校验」，工作流的业务逻辑对不对仍靠你和模型，校验查合法性不查意图；6) 社区节点优先用 verified 的。
来源：综合分析n8n-MCP 是一个 MCP server，给 Claude Desktop/Code、Cursor、Windsurf 等 AI 助手提供对 n8n 1650 个工作流节点（820 核心 + 830 社区）的文档、属性和操作的结构化访问，外加 2352 个工作流模板库，让 AI 能理解 n8n 节点并据此正确地帮你搭工作流——节点属性 99% 覆盖、文档 87% 覆盖、含 265 个 AI 工具变体。
n8n-mcp 的核心功能包括：1650 节点的结构化知识（属性/操作/文档）、2352 模板库（Templates First）、四级验证策略、多 IDE/客户端接入 + n8n API 集成、多种部署 + 高测试覆盖。
n8n 是流行的工作流自动化平台，但它有 1650 个节点、每个节点一堆属性和操作，让 AI 凭空生成 n8n 工作流 JSON 几乎必错（节点名/属性/连接对不上）。n8n-MCP 解决的是「让 AI 真懂 n8n」：把 1650 个节点的文档（87% 覆盖）、属性（99% 覆盖）、操作（63.6% 覆盖）和 2352 个模板（99.96% 带 AI 元数据）都索引好，经 MCP 暴露给 AI 助手，AI…
1. 用 AI 搭 n8n 工作流：在 Claude/Cursor 里描述需求，AI 借 n8n-MCP 的节点知识和模板构造出能跑的工作流，而非凭空乱编 JSON；2. 学/查 n8n 节点：让 AI 查某节点的属性、操作、文档，快速搞懂怎么配；3. 模板复用：从 2352 模板库找接近的起点再改；4. 工作流校验：用四级验证在建前/建后/部署后检查工作流合法性，减少线上出错；5.