使用n8n搭建基于Ollama本地模型的工作流—搭建天气邮件助手

关于Ollama

安装就不说了，直接快进到拉取模型这步骤

Ollama上拉取本地模型

Ollama上可以拉取的模型在官网就能看

https://ollama.com/search

我的笔记本是 4060 RAM是48G 的，所以我直接拉取 qwen3：4b 规模的模型就可以

下载略慢，耐心一些

byd 这个Ollama拉取模型貌似非要在 C盘中

我改那个环境变量貌似没好使

位置在

n8n搭建工作流

我们搭建一个基于 Ollama 本地 qwen3 的工作流，目的是能够结合今日的实时天气，去发送对应的请求然后给出出行和穿衣的建议

高德地图的 api 自己去看吧，是需要自己申请 key 的，比和风好搞多了，我这边也不是很明白，我只知道一些比较简单的

https://console.amap.com/dev/index 高德开放平台

认识n8n的请求入口—Webhook

它的核心作用是作为 “触发器” 来接收外部系统的 HTTP 请求，从而启动你的自动化工作流。

简单来说，它就像一个 “监听端口”：你把它提供的 URL 配置给外部系统（比如其他应用、自定义脚本、甚至是手动发送的 HTTP 请求），当外部系统向这个 URL 发送请求时，Webhook 节点会捕获这个请求，并将请求中的数据传递给后续节点，进而触发整个工作流的执行。

获取 Webhook URL

节点中显示的 http://localhost:5678/webhook-test/... 就是用于测试的 Webhook 地址。如果要用于生产环境，可切换到 “生产 URL” 标签获取对外可访问的地址（需确保 n8n 服务可被外部访问）。
配置请求方式

目前节点的 HTTP Method 是 GET，意味着它会监听GET 请求。你也可以根据需求改为 POST、PUT 等其他 HTTP 方法，以匹配外部系统的请求类型。
触发工作流
- 测试阶段：点击 “监听测试事件” 按钮，然后用工具（如浏览器、Postman、curl 命令）向这个 Webhook URL 发送请求，即可触发工作流执行。
- 生产阶段：将 Webhook URL 配置到外部系统（比如让某个应用在特定事件发生时，自动向这个 URL 发送请求），当外部系统发送请求时，工作流就会自动启动。
处理请求数据

当 Webhook 接收到请求后，会将请求的参数、头信息、请求体等数据作为输出，传递给下一个节点（比如 HTTP Request 节点、数据处理节点等），你可以基于这些数据继续构建自动化逻辑（比如调用 API、处理数据、发送通知等）。

引入 Ollama 模型

如果出现这种情况

本地发送请求能获得 Ollama 的模型，说明本地 Ollama 是没有任何问题的，当然你也可以使用ollama run 模型名 来测试你的本地对话是否正常

但是 n8n 这边却检索不到模型，请求发不过去

我猜测，你可能跟我一样，使用的是 nodejs 部署的 n8n，这种情况会出现n8n 以 “隔离模式” 运行，这样配置的 localhost” 解析就会出问题

尝试将 n8n 中 Ollama 的 Base URL 从 http://localhost:11434 改为 http://127.0.0.1:11434（直接使用本地回环 IP）。

因为部分程序对 localhost 的解析可能存在延迟或异常，而 127.0.0.1 是更直接的本地地址。

我们可以看到 n8n 把我们本地的模型直接拉下来了

添加高德的天气请求

高德获取某个城市的今日天气情况的请求前缀就是这个

1	https://restapi.amap.com/v3/weather/weatherInfo?key=你的API Key&city=城市编码&extensions=气象类型

key：必填，填写你申请的 API Key。
city：必填，可填城市编码（如石家庄的编码是 130100）或城市名称（如 石家庄）。
extensions：可选，base 表示实况天气，all 表示未来预报（默认 base）

申请 API

访问高德开放平台官网，注册并登录账号。
进入控制台 → 应用管理 → 创建新应用，填写应用名称和类型。
为应用添加 Key，服务平台选择 “Web 服务”（只有该类型支持天气 API 调用）。
复制生成的 API Key，这是调用接口的身份凭

你需要添加两个字段，一个 key，一个 city，这个 city 有对应的代码，直接打拼音也行

我也不太情况 AI 怎么结合实际情况为我能够不止查询出来我URL里面写死的地区信息，我这个后面寻思再修改一下，感觉这样确实有些死板了，但是别的我还不会

因为我们这里使用到了 AI Agent 的 Tool 工具中的 HTTP Request

你需要在提示词中向 AI 告诉它，你需要调用这个工具来返回真实的信息，这就涉及到提示词如何传入

上述是一个简单的测试你的高德天气请求情况的小工作流，js美化输出代码如下

// 从 HTTP 请求节点获取天气数据（假设前一个节点是 HTTP Request1）
const weatherData = $node["HTTP Request1"].json;

// 初始化结果对象
let result = {
  status: "获取失败",
  message: "未获取到有效天气数据"
};

// 检查数据是否有效
if (weatherData && weatherData.status === "1" && weatherData.lives && weatherData.lives.length > 0) {
  const live = weatherData.lives[0];
  
  // 格式化天气信息
  result = {
    status: "成功",
    城市信息: {
      省份: live.province,
      城市: live.city,
      行政区划代码: live.adcode
    },
    实时天气: {
      天气状况: live.weather,
      温度: `${live.temperature}°C`,
      体感温度: `${live.temperature_float}°C`,
      风向: live.winddirection,
      风力: live.windpower,
      湿度: `${live.humidity}%`,
      湿度值: `${live.humidity_float}%`
    },
    数据更新时间: live.reporttime,
    原始状态码: {
      状态: weatherData.status,
      信息: weatherData.info,
      信息码: weatherData.infocode
    }
  };
}

// 返回格式化后的结果
return [
  {
    json: {
      天气查询结果: result
    }
  }
];

为模型添加提示词

首先，为模型添加提示词，我们就需要知道前面 AI Agent 它是使用的什么变量来载入我们的信息

也就是说，要在 Set 节点中添加初始提示词，需通过手动映射字段来拼接 “提示词 + 用户输入”。

在 Set 节点的 “Fields to Set” 区域，点击 “添加字段”，输入字段名称（例如combinedPrompt，用于存储拼接后的提示词），前面那个{{ $json.chatInput }}是你可以设置用户输入的字段名，需确保与实际字段一致

也就是说，如果你使用的是 Webhook，就需要在请求体中携带 chatInput 这个字段，如果你使用的是 Chat Message，就需要在对话中添加 chatInput 这个字段

这样变量才能够被识别，被继续传递下去，连接 Set 节点的输出到 AI Agent 节点的输入。

测试一下这一小段

发送天气情况到我们的邮箱

看到上面的邮箱节点了吗，其实我们再编辑一下，我们可以让 AI 为我们发送今日天气的情况到我们邮箱

只需要拼接 AI 输出的内容，再配置邮箱的情况就可以了

邮箱节点是这样的

其中需填写你使用的邮箱服务商的 SMTP 服务器信息。

User（用户名）
- 填写你的邮箱地址（例如 your@email.com）。
Password（密码）
- 这里不是邮箱的登录密码，而是需要填写 SMTP 授权码（需在邮箱服务商处开启并生成）：
- QQ 邮箱：登录后进入「设置 → 账户 → 生成授权码」。
- 网易邮箱（163/126）：登录后进入「设置 → POP3/SMTP/IMAP → 开启 SMTP 并生成授权码」。
Host（服务器地址）
- 根据邮箱服务商填写：
  - QQ 邮箱：smtp.qq.com
  - 网易 163 邮箱：smtp.163.com
  - 网易 126 邮箱：smtp.126.com
  - Gmail（需科学上网）：smtp.gmail.com
Port（端口）
- 通常选择加密端口：
  - 开启 SSL/TLS 时，端口填 465（如截图中已填，保持即可）。
  - 若关闭 SSL/TLS，可填 587（但建议开启加密）。
SSL/TLS

保持开启（绿色开关），确保传输加密。
Client Host Name（可选）

一般留空即可，部分服务商要求时可填邮箱域名（如 qq.com、163.com）。

配置好了我们就进入到编辑页面

还记得我们之前传递的变量 chatInput 吗

我们使用这个，确保工作流中 AI Agent 节点的输出已连接到 Send email 节点（通过连线将 AI Agent 的输出端口与 Send email 的输入端口关联）。

在 Send email 节点的 HTML 输入框 中，使用 n8n 的变量引用语法，将 AI 的回复插入邮件内容。示例代码如下：

1
2
3

<p>以下是 AI 为您生成的天气出行建议：</p>
<p style="color: #333; font-size: 14px;">{{ $node["AI Agent"].json.output }}</p>
<p>—— 自动化天气助手</p>

{{ $node["AI Agent"].json.output }} 表示引用 AI Agent 节点 的输出字段 output（即 AI 的回复内容）。
可根据需要添加 HTML 样式（如颜色、字体大小），或补充其他文本说明。

通过这种方式，即可实现将 AI 的智能回复自动写入邮件并发送，完成从 “AI 生成建议” 到 “邮件通知” 的自动化流程。

我们进行测试

我草了我这边好慢，趁着这段时间，我修改了一下输出

大功告成哩，我们接上邮箱试试看

好慢啊我超

刚刚怎么没有成果调用 Request 工具，再试一下‘

我去我去，n8n 给我来邮件了，接一下（（

一个简单有趣的工作流就这样搭建好了