n8n 在 MCP（Model Context Protocol）上同时支持两个方向：
- MCP 服务端：用 MCP Server Trigger 节点把你的 n8n 工作流暴露成工具，让 Claude Desktop、Claude Code、Cursor 直接调用
- MCP 客户端：在 AI Agent 里挂 MCP Client Tool 节点，连接外部 MCP 服务器（GitHub、Slack、数据库等）获取更多工具能力
这两个方向可以同时启用——你的 n8n 变成了一个 AI 工具集线器。
方向一：把 n8n 工作流变成 Claude 的工具
核心概念
MCP Server Trigger 是 n8n 的特殊触发节点，它不等 HTTP 请求或定时器，而是暴露一个持久连接端点（SSE 或 Streamable HTTP），让 MCP 客户端连进来，列出可用工具并主动调用。
每个挂在 MCP Server Trigger 后面的节点就是一个"工具"——Claude 能看到工具名、描述、参数，然后自主决定什么时候调用。
Step 1：在 n8n 里建 MCP Server 工作流
基本结构：
MCP Server Trigger
├── [Tool 1] Custom n8n Workflow Tool（调用另一个工作流）
├── [Tool 2] HTTP Request Tool（直接调外部 API）
└── [Tool 3] Code Tool（自定义逻辑）
新建工作流，搜索节点 "MCP Server Trigger"（在 Core Nodes → Trigger 下）：
节点配置：
Authentication: Bearer Token
（系统自动生成 token，记下来）
激活工作流后，节点面板会显示两个 URL：
- Test URL：工作流未激活时也可用，开发调试用
- Production URL：格式
https://你的域名/mcp/工作流ID，必须激活工作流才生效
Cloud 用户的 Production URL 格式：
https://<子域名>.app.n8n.cloud/mcp/<uuid>
Step 2：给工作流挂工具
以"查询课程信息"为例：
方案 A — Custom n8n Workflow Tool（推荐，可复用已有工作流）：
Tool Name: get_course_info
Description: 查询 JR Academy 课程详情、开课时间和价格。
当用户问课程相关问题时调用。
参数：course_name（课程名称，如 Full Stack / Data Analytics）
Workflow: 选择已有的「课程查询 workflow」
方案 B — Code Tool（快速原型）：
// Tool Name: list_available_courses
// Description: 列出所有可用课程名称和简介
const courses = [
{ name: "Full Stack", duration: "6个月", mode: "兼职" },
{ name: "Data Analytics", duration: "4个月", mode: "兼职" },
{ name: "AI Engineering", duration: "5个月", mode: "兼职" }
];
return courses;
关键：工具描述写好了，Claude 才会用对工具。描述要说清楚"什么情况下调用"和"参数含义"，不然 AI 要么不调、要么传错参数。
Step 3：在 Claude Desktop 里连接
编辑 Claude Desktop 配置文件（Mac：~/Library/Application Support/Claude/claude_desktop_config.json）：
{
"mcpServers": {
"n8n-workflows": {
"command": "npx",
"args": [
"-y",
"supergateway",
"--sse",
"https://你的n8n域名/mcp/你的工作流ID",
"--header",
"Authorization: Bearer 你的bearer-token"
]
}
}
}
supergateway是一个轻量代理，把 n8n 的 SSE 流转成 Claude Desktop 期望的 stdio 接口。
重启 Claude Desktop，在对话里输入"你有哪些工具？"——Claude 会列出所有从 n8n 暴露的工具。
Step 4：在 Claude Code 里连接
Claude Code 使用项目级 .claude/settings.json 或全局 ~/.claude/settings.json：
{
"mcpServers": {
"n8n": {
"type": "sse",
"url": "https://你的n8n域名/mcp/你的工作流ID",
"headers": {
"Authorization": "Bearer 你的bearer-token"
}
}
}
}
配置好后，在 Claude Code 会话里可以直接调用 n8n 工作流——比如让 Claude Code 把代码部署结果推送到 Slack、或查询线上数据库做调试分析，全部通过自然语言触发。
方向二：在 n8n 工作流内调外部 MCP 服务器
除了对外暴露工具，n8n AI Agent 自身也能作为 MCP 客户端，调用外部 MCP 服务器的工具。
配置 MCP Client Tool 节点
在 AI Agent 的 Tool 插槽点击 +，选 "MCP Client Tool"：
Transport: SSE（或 Streamable HTTP）
URL: https://mcp服务器地址/sse
Headers: Authorization: Bearer <token>（如果需要认证）
连好后，AI Agent 会自动发现该 MCP 服务器提供的所有工具，无需手动配置每个工具——工具列表由 MCP 服务器动态返回。
实际场景：让 n8n AI Agent 访问 GitHub MCP、Slack MCP、Notion MCP，实现跨平台的 AI 自动化，而不需要在 n8n 里配置每个平台的 Credential。
生产部署注意：Nginx 的 SSE 缓冲问题
MCP 协议基于 SSE（Server-Sent Events），SSE 是长连接，数据边产生边推送。Nginx 默认会把响应体缓冲到内存再一起发，这会导致 Claude 收不到流式数据，连接卡死。
必须在 Nginx 里对 /mcp/ 路径关闭缓冲：
location /mcp/ {
proxy_pass http://127.0.0.1:5678;
proxy_http_version 1.1;
proxy_set_header Connection ""; # Keep-Alive，不升级到 WebSocket
# 关键：关闭缓冲
proxy_buffering off;
proxy_cache off;
# 关闭 gzip 压缩（压缩也会缓冲）
gzip off;
proxy_set_header Host $host;
proxy_set_header X-Forwarded-Proto https;
proxy_read_timeout 3600s; # SSE 长连接，超时设长
}
Cloudflare Tunnel 用户：在 Cloudflare 后台对 /mcp/* 路径开启 Disable Response Buffering 规则。
一个完整的实战例子
假设你是运营，想让 Claude 直接帮你管理内容发布：
n8n MCP Server 暴露 3 个工具：
Tool 1: check_pending_content
描述：列出所有草稿状态的内容，包含标题、作者、创建时间
实现：HTTP Request → 内容管理 API
Tool 2: publish_content
描述：把指定内容从草稿发布到线上。需要 content_id 参数。
实现：HTTP Request Tool（启用 Human Approval——发布前让人确认）
Tool 3: get_publish_stats
描述：获取最近7天的发布数量、阅读量、互动数据
实现：Code Tool（从数据库查询并格式化）
配好后，在 Claude Desktop 里说：
"帮我看看有哪些内容等待发布，把阅读量预期最高的两篇发出去。"
Claude 会先调 check_pending_content 看列表，分析后调 publish_content（触发人工审批），等你确认后执行，最后用 get_publish_stats 确认发布成功。
整个过程不需要打开 n8n 界面，也不需要登录内容管理后台。
两个方向的对比
| n8n 作 MCP 服务端 | n8n 作 MCP 客户端 | |
|---|---|---|
| 目的 | 让 Claude / Cursor 调用 n8n 工作流 | 让 n8n Agent 使用外部 MCP 工具 |
| 关键节点 | MCP Server Trigger | MCP Client Tool |
| 适合场景 | 运营工具化、AI 操控业务流程 | Agent 需要跨平台工具集成 |
| 认证方式 | Bearer Token（n8n 生成） | 按各 MCP 服务器要求 |
