企业官网建设流程全解析

1. 为什么要在 n8n 里接 FastGPT 知识库

如果你已经在用 n8n 做自动化，又刚好维护着一套 FastGPT 知识库，大概率会遇到一个尴尬的断层：n8n 的 AI Agent 节点能调模型、能跑工具，但它默认拿不到你 FastGPT 里那些已经清洗好的私有文档。想让 Agent 回答“我们产品的退款政策是什么”，它只能靠模型自己编，或者你手动把文档塞进 prompt——前者不靠谱，后者塞不下。

原生在 n8n 里搭 RAG 是可行的，但要拆成两条工作流：一条负责文件上传、切片、向量化、入库，另一条负责检索问答。维护成本不低，而且向量库、embedding 模型、召回参数都得自己调。FastGPT 本身就把这套 RAG 流程做完了，还带知识库搜索节点和引用返回，那更合理的做法是：让 FastGPT 当知识库服务端，n8n 当编排客户端，中间用 MCP 协议对接。

MCP 在这里的角色可以理解成一个“标准插座”。FastGPT 从 v4.9.6 起支持作为 MCP 服务端，把工作流、Bot 这些能力暴露出去；n8n 官方也提供了 MCP Client Tool 节点。两边一插，n8n 的 Agent 就能把 FastGPT 的知识库检索当成一个可调用的工具，和其他工具（HTTP 请求、数据库查询、日历）并列组合。这篇就按“已有 FastGPT + n8n 环境”的前提，把配置路径、节点参数、连通性验证和常见报错一次讲清楚。

适合谁看：手上已经有 FastGPT 实例（本地 Docker 或云服务器都行）、n8n 能正常跑工作流、想让 Agent 用上私有知识库的开发者。不需要你从零学 RAG，但需要你能改 docker-compose 和 config.json。

2. 前置准备：FastGPT 侧要满足的条件

先说版本。FastGPT 的 MCP 服务端能力从 v4.9.6 开始提供，建议直接上最新稳定版。低于这个版本，工作台里根本看不到“MCP 服务”入口，后面所有步骤都无从谈起。升级前务必备份旧的 docker-compose.yml 和数据卷，pgvector 的数据卷尤其别丢。

第二个条件是 config.json 里的 mcp.server.host。这个值决定 FastGPT 对外暴露 MCP 服务的地址，n8n 就是通过它来连的。如果你 FastGPT 和 n8n 都在同一台机器的 Docker 里，填本机局域网 IP（比如 192.168.1.20），端口默认 3005；如果 FastGPT 在云服务器上，填公网 IP 或域名。填 127.0.0.1 在跨容器场景下大概率连不通，这是第一个容易踩的坑。

第三个条件是网络可达。n8n 所在环境要能访问到 mcp.server.host:3005。本地 Docker 场景下，两个容器如果在不同 network，需要确认能互相解析；云服务器场景下，安全组要放行 3005 端口。这一步不确认，后面 n8n 里填完地址会一直转圈或直接超时。

如果你还没拿到可用的模型 API Key，或者想先验证模型对话链路是否通，可以先用 TaoToken 的模型对话能力做一次快速自测，确认 key 和网络没问题，再去折腾 MCP 配置，能省掉不少“到底是哪一层挂了”的排查时间。

3. 可复制配置：从 FastGPT 工作流到 MCP 服务

3.1 用工作流封装知识库搜索

FastGPT 的 MCP 服务目前不能直接把“知识库”本身当工具挂上去。如果你把一个接了知识库的 Bot 挂上去，n8n 拿到的可能是 Bot 内大模型总结、改写后的内容，而不是原始检索片段。需要精确引用原文的场景，这就跑偏了。

绕开的办法是建一个极简工作流，只做检索、不做生成：

1. 在 FastGPT 工作台新建一个工作流。
2. 拖入“知识库搜索”节点，选中目标知识库，设置最低相关度和引用数量上限。相关度别设太低，否则召回一堆无关片段；引用数量按你的上下文预算来，一般 3 到 5 条够用。
3. 接一个“指定回复”节点，把检索结果按原始文本块输出，不要接大模型节点。
4. 保存并发布。

工作流名称建议用英文，应用介绍一定要填。这两项会作为工具名和工具描述显示在 n8n 端，Agent 靠它们判断该不该调用这个工具。名字写成“workflow1”、介绍留空，Agent 基本不会选它。

3.2 创建 MCP 服务并挂载工具

回到工作台，进入“MCP 服务”，新建一个服务。点“管理”，把刚才发布的工作流添加为该服务下的一个工具。添加完点“开始使用”，在弹窗里找到 SSE 一栏，复制那个地址。这个地址就是 FastGPT MCP-Server 的接入点，形如：

http://192.168.1.20:3005/sse/your-service-id

注意复制的是 SSE 地址，不是别的。n8n 的 MCP Client Tool 目前走 SSE 传输，填错协议类型会连不上。

3.3 n8n 侧接入 MCP Client Tool

打开 n8n 工作流编辑界面，选一个 AI Agent 节点，在 Tool 配置区点加号，搜索并添加 MCP Client Tool 节点。配置项不多，但每一项都要对：

Tool Description 别偷懒。Agent 选工具靠的是语义匹配，描述写得越贴近真实使用场景，命中率越高。写“查询知识库”不如写“查询产品退款政策、功能说明等内部文档”。

4. 验证请求：确认端到端真的通了

配置完先别急着接复杂逻辑，用最小闭环验证。在 n8n 里给 Agent 挂一个 Chat Message 触发节点，手动发一条明确需要知识库的问题，比如“退款政策里关于七天无理由是怎么写的”。

如果链路正常，你能在 n8n 的执行记录里看到 Agent 调用了 FastGPT_KB 工具，返回的是知识库原始片段，然后 Agent 基于这些片段组织回答。重点看两处：一是工具调用是否发生，二是返回内容是不是原始文本块而非二次总结。前者说明 MCP 连通，后者说明工作流封装方式正确。

想更直接地验证 MCP 服务本身，可以先用 curl 探一下 SSE 端点是否活着：

curl -N http://192.168.1.20:3005/sse/your-service-id

正常会保持连接并陆续吐出事件流。如果直接报连接拒绝，问题在 FastGPT 侧或网络层，跟 n8n 无关，先回去查 mcp.server.host 和端口放行。

如果你后续要把这套 Agent 用于长期编码或自动化任务，建议把模型调用统一走 TaoToken 的 Coding Plan，key 和额度集中管理，n8n 里换模型时只改一处配置，不用每个节点翻一遍。

5. 本篇常见错排查

连不上 SSE，n8n 报 timeout。九成是 mcp.server.host 填了 127.0.0.1，或者 3005 端口没放行。跨容器场景填局域网 IP，云服务器填公网 IP 并检查安全组。

工具列表里看不到 FastGPT 的工具。检查工作流是否真的“发布”了，以及是否被添加进了 MCP 服务。只保存不发布，MCP 服务里挂不上。

Agent 不调用知识库工具。多半是工具名称和描述太模糊。改成英文名 + 具体场景描述，再测。也可以在 Agent 的 system prompt 里明确提示“涉及产品政策时优先查询知识库工具”。

返回的是总结而非原文。说明你把接了知识库的 Bot 挂上去了，而不是纯检索工作流。回到 3.1 重建一个只含知识库搜索和指定回复的工作流。

升级后 MCP 入口不见了。确认版本号确实到了 v4.9.6 以上，config.json 是否用了新版模板。旧 config.json 直接覆盖新版本，可能缺 mcp 字段。

Docker 拉镜像卡住。把 docker-compose.yml 里的官方镜像地址换成国内镜像仓库地址再拉，这是网络问题不是配置问题。

6. 接下来怎么走

MCP 这条路打通后，FastGPT 的知识库检索就成了 n8n Agent 手里的一个普通工具，可以和 HTTP 请求、数据库节点、定时触发自由组合。比如每天早上定时跑一遍知识库，把新增文档摘要推到群里；或者让 Agent 先查知识库、再查订单系统、最后生成回复。

如果你还想把 FastGPT 的 Bot 直接当模型用，另一条路是走它的 OpenAI 兼容 API：在 n8n 里加 OpenAI Compatible Chat Model，Base URL 填 FastGPT 的 API 地址，API Key 填应用密钥，Model Name 随便填（实际以 Bot 内配置为准）。这种方式配置更简单，但它在 n8n 里表现为“一个外部模型”，而不是可组合的工具，Agent 没法把它和其他工具并列调度。要组合能力选 MCP，要单一问答引擎选 API。

配置过程中如果卡在 key 或接入环节，可以直接去 TaoToken 的 API Keys 页面拿一套可用的凭证，再对照接入文档核对参数，比在多个平台之间来回切要快。整套流程跑通后，建议把 FastGPT 工作流的名称和介绍当成“工具说明书”来维护——Agent 选得准不准，很大程度上就靠这两行字。