2026 年了，本地 AI 工具越来越多，但也越来越重。

我之前装了 OpenClaw，功能确实强——智能体、多平台接入、插件系统、定时任务样样有。但问题是，它对低配机器不太友好。跑起来吃资源不说，光是依赖就装了一大堆。

如果你只是想让 AI 帮你干点日常活儿（新闻摘要、邮件分类、服务器巡检、定时提醒），而不是搞什么复杂的智能体编排，那 n8n + Ollama 可能更合适。

轻量、简单、够用。

先对比一下

OpenClaw

优点：

• 功能全：多平台接入（Telegram/微信/Discord）、智能体系统、插件生态
• 支持多种 LLM 后端（本地 Ollama / OpenAI / Claude）
• 定时任务、心跳检查、工作流编排
• 社区活跃，更新快

缺点：

• 依赖多：Node.js + 各种 npm 包 + 浏览器 + 缓存
• 资源占用：跑起来轻松 500MB~1GB
• 学习曲线：配置文件多，概念也多（Agent/Skill/Memory/Heartbeat）
• 小机器上可能跑不动，或者跑起来了没剩多少资源干别的

n8n + Ollama

优点：

• 轻量：n8n 自身 300MB 左右，Ollama 看模型大小
• 画布式界面，拖拽连线，直观
• 内置 300+ 集成节点（Telegram/邮件/Slack/HTTP/GitHub…）
• 工作流可视化管理，执行记录一目了然
• Docker 一键部署，升级方便

缺点：

• 没有智能体系统——得自己搭逻辑
• 没有多平台统一接入——每个平台得单独配
• 没有内置插件生态——得靠 HTTP/脚本自己接
• 复杂任务（多步决策、动态路由）不如 OpenClaw 灵活

---

什么时候该选 n8n + Ollama？

如果你符合以下情况：

• 机器内存 ≤ 4G
• 主要需求是”定时跑任务 + AI 处理 + 通知结果”
• 不想花太多时间学配置和概念
• 工作流数量不多（5 个以内）

那 n8n + Ollama 够用。

如果你有这些需求：

• 多平台统一消息接入（一个 Agent 同时管 Telegram/微信/飞书）
• 智能体自主决策（根据情况动态选择下一步）
• 复杂的技能系统（几十上百个技能按需加载）
• 需要浏览器自动化（自动打开网页、点击、截图）

那还是 OpenClaw 更合适，或者两者配合用——OpenClaw 管接入和智能体，n8n 管具体的工作流。

---

部署

1. 装 Ollama

curl -fsSL https://ollama.com/install.sh | sh

拉个小模型：

ollama pull qwen2.5:3b

2. 装 n8n

mkdir -p /opt/n8n && cd /opt/n8n
cat > docker-compose.yml << 'EOF'
version: "3.8"
services:
  n8n:
    image: docker.n8n.io/n8nio/n8n:latest
    container_name: n8n
    restart: unless-stopped
    ports:
      - "5678:5678"
    volumes:
      - n8n-data:/home/node/.n8n
    environment:
      - GENERIC_TIMEZONE=Asia/Shanghai
      - TZ=Asia/Shanghai
      - EXECUTIONS_MODE=queue
      - QUEUE_BULL_REDIS_URL=redis://redis:6379
      - N8N_CONCURRENCY_PRODUCTION_LIMIT=1
    depends_on:
      - redis
    deploy:
      resources:
        limits:
          memory: 512M
  
  redis:
    image: redis:7-alpine
    container_name: n8n-redis
    restart: unless-stopped
    command: redis-server --maxmemory 64mb --maxmemory-policy allkeys-lru
    deploy:
      resources:
        limits:
          memory: 64M
volumes:
  n8n-data:
EOF
docker compose up -d

3. 让 n8n 能访问 Ollama

mkdir -p /etc/systemd/system/ollama.service.d
cat > /etc/systemd/system/ollama.service.d/override.conf << 'EOF'
[Service]
Environment="OLLAMA_HOST=0.0.0.0"
Environment="OLLAMA_CONTEXT_LENGTH=2048"
Environment="OLLAMA_KEEP_ALIVE=1m"
EOF
systemctl daemon-reload && systemctl restart ollama

n8n 里 Ollama 的 URL 填 http://172.17.0.1:11434（Docker 网关）。

---

快速搭建 3 个实用工作流

工作流 1：每日新闻摘要

Schedule (每天 8:00)
  → RSS Feed Read (3 个源)
    → Ollama Chat (总结 + 分类)
      → Telegram Bot (发送)

Ollama 的 System Prompt：

你是一个新闻摘要助手。以下是今天的新闻列表，请用简洁的中文总结每条的核心内容，
按类别分组，每条一句话。总字数控制在 500 字以内。

工作流 2：邮件智能分类

IMAP Trigger (收到新邮件)
  → Ollama Chat (判断：重要/一般/垃圾)
    → IF (重要？)
      / 
    是   否
    ↓     ↓
  Telegram  归档到文件夹

Ollama 的 System Prompt：

你是一封邮件的分类助手。判断这封邮件是：重要 / 一般 / 垃圾。
重要的标准：工作相关、含截止日期、需要你回复。
只输出一个词：重要/一般/垃圾

工作流 3：服务器巡检

Schedule (每天 18:00)
  → Execute Command (df -h, free -m, systemctl status)
    → Ollama Chat (分析状态)
      → IF (有异常？)
        / 
      是   否
      ↓     ↓
    Telegram  结束（不打扰）

---

进阶：加个 Webhook 接口

想让外部服务触发工作流？加一个 Webhook 节点：

Webhook (POST /webhook/check)
  → 接收 JSON 数据
    → Ollama Chat (处理)
      → 返回结果

然后任何服务都能调：

curl -X POST http://your-server:5678/webhook/check 
  -H "Content-Type: application/json" 
  -d '{"text": "帮我分析一下这段日志..."}'

---

和 OpenClaw 配合用

如果你已经有 OpenClaw，也不用二选一。可以配合：

• OpenClaw 管消息接入和智能体对话
• n8n 管定时工作流和数据处理
• 两者通过 Webhook 通信

比如：OpenClaw 收到用户的”帮我看看服务器状态”，通过 Webhook 触发 n8n 的巡检工作流，拿到结果后 OpenClaw 再把结果发回给用户。

用户 → Telegram → OpenClaw → Webhook → n8n 工作流 → 结果返回 → OpenClaw → Telegram

总结

n8n + Ollama 不是 OpenClaw 的”降级版”，而是一个不同定位的选择。

OpenClaw 是一个完整的 AI 助手框架，适合想要多平台接入、智能体系统、复杂任务编排的人。

n8n + Ollama 是一个轻量工作流方案，适合只想”让 AI 帮我跑几个定时任务”的人。

资源有限、需求简单的情况下，轻量方案反而更舒服。不用学一堆概念，打开 n8n 画布，拖几个节点连起来，就能跑。

等哪天你觉得不够用了，再迁移到 OpenClaw 也不迟。n8n 的 Webhook 接口是开放的，工作流逻辑也能复用。

先跑起来，再考虑升级。别一上来就搞太重的东西。

这篇不讲故事，直接上干货。把一个完整的工作流从 0 搭到能用的状态，每一步的命令和配置都列出来。

最终效果

跑起来之后，这个工作流会：

1. 定时抓取你指定的网页/RSS
2. AI 自动总结内容
3. 判断内容分类（科技/财经/工具/其他）
4. 存档到 SQLite 数据库
5. 如果命中你关心的关键词，额外推送通知

全程本地，不依赖任何云端 API。

前置环境

已经装好的：

• Ollama（qwen2.5:7b）
• n8n（Docker）

还需要加两个服务：

mkdir -p /opt/n8n-services && cd /opt/n8n-services
cat > docker-compose.yml << 'EOF'
version: "3.8"
services:
  # SQLite 不需要单独容器，n8n 内置支持
  # 但如果想外部访问数据，可以加一个 sqlite-web
  sqlite-web:
    image: coleifer/sqlite-web
    container_name: sqlite-web
    restart: unless-stopped
    ports:
      - "8002:8080"
    volumes:
      - n8n-data:/data
    environment:
      - SQLITE_DATABASE=/data/n8n-sqlite.db
volumes:
  n8n-data:
    external: true
EOF
docker compose up -d

SQLite Web 只是方便查看数据，不是必须的。

---

第 1 步：创建数据库表

在 n8n 里加一个 Execute Command 节点，初始化数据库：

sqlite3 /home/node/.n8n/database.sqlite << 'SQL'
CREATE TABLE IF NOT EXISTS content_archive (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    title TEXT NOT NULL,
    summary TEXT,
    category TEXT,
    source_url TEXT,
    keywords_matched INTEGER DEFAULT 0,
    created_at DATETIME DEFAULT CURRENT_TIMESTAMP
);
CREATE INDEX IF NOT EXISTS idx_category ON content_archive(category);
CREATE INDEX IF NOT EXISTS idx_created ON content_archive(created_at);
SQL

或者直接在 n8n 里用 SQLite 节点的 “Execute Query” 功能创建。

---

第 2 步：搭建工作流

打开 n8n，新建 Workflow，按顺序添加节点。

节点 1：Schedule（定时触发）

• 触发模式：Every Day
• 时间：09:00（或者你喜欢的时间）

节点 2：RSS Feed Read（抓取内容）

添加 3~5 个你常看的源。我用的几个：

https://feeds.feedburner.com/36kr/news
https://rsshub.app/36kr/news/latest
https://rsshub.app/ithome/news

RSSHub 可以自己部署，docker run -d -p 1200:1200 diygod/rsshub

节点 3：Code（数据清洗）

RSS 抓回来的数据需要整理：

// 合并所有 RSS 条目，去重
const items = $input.all();
const seen = new Set();
const unique = items.filter(item => {
  const url = item.json.link || item.json.guid || '';
  if (seen.has(url)) return false;
  seen.add(url);
  return true;
});
// 每条提取关键字段
const articles = unique.map(item => ({
  title: item.json.title || '无标题',
  content: item.json.contentSnippet || item.json.content || '',
  link: item.json.link || item.json.guid || '',
  date: item.json.pubDate || item.json.isoDate || ''
}));
return [{ json: { articles, count: articles.length } }];

节点 4：Ollama Chat（AI 处理）

这是核心节点。System Prompt：

你是一个内容处理助手。请对以下文章列表进行处理：
1. 为每篇文章生成 50 字以内的中文摘要
2. 判断分类：科技/财经/工具/其他
3. 提取 3 个关键词
输出格式为 JSON 数组，不要其他内容：
[
  {
    "title": "文章标题",
    "summary": "摘要",
    "category": "分类",
    "keywords": ["关键词1", "关键词2", "关键词3"],
    "link": "原文链接"
  }
]

User Message：

以下是需要处理的文章列表：
{{ JSON.stringify($node["Code"].json.articles) }}

注意： 如果文章太多，一次性处理可能会超时。建议在 Code 节点里限制数量（比如取最新的 10 条）。

节点 5：Code（解析 AI 输出）

AI 返回的是 JSON 字符串，需要解析成 n8n 能处理的格式：

const raw = $input.first().json.content || $input.first().json.message?.content;
let articles;
try {
  // 有时候 AI 会在 JSON 外面包一些废话，用正则提取
  const jsonMatch = raw.match(/[[sS]*]/);
  articles = jsonMatch ? JSON.parse(jsonMatch[0]) : [];
} catch (e) {
  articles = [];
}
// 拆分成多条，每条是一个文章
return articles.map(a => ({
  json: {
    title: a.title || '',
    summary: a.summary || '',
    category: a.category || '其他',
    keywords: a.keywords || [],
    link: a.link || ''
  }
}));

节点 6：IF（关键词匹配）

检查文章是否包含你关心的关键词：

条件：keywords 数组包含以下任意一个
  - "AI" 或 "人工智能" 或 "Ollama" 或 "Docker" 或 "Linux"

匹配到的文章走”是”分支，否则走”否”分支。

节点 7：SQLite（存档 – 所有文章）

“否”分支和”是”分支都连一个 SQLite 插入：

INSERT INTO content_archive (title, summary, category, source_url, keywords_matched)
VALUES ('{{ $json.title }}', '{{ $json.summary }}', '{{ $json.category }}', '{{ $json.link }}', 0);

“是”分支的 keywords_matched 设为 1。

节点 8：Telegram Bot（推送 – 仅命中关键词的文章）

只有命中关键词的文章才推送：

📌 关键词命中提醒
标题：{{ $json.title }}
分类：{{ $json.category }}
摘要：{{ $json.summary }}
{{ $json.link }}

---

完整工作流结构

Schedule (每天 9:00)
  ↓
RSS Feed Read (3~5 个源)
  ↓
Code (去重 + 提取字段)
  ↓
Ollama Chat (总结 + 分类 + 关键词)
  ↓
Code (解析 JSON 输出)
  ↓
     IF (关键词匹配?)
    / 
  是   否
  ↓     ↓
SQLite  SQLite
(标记1) (标记0)
  ↓
Telegram 推送

---

优化点

1. 分页处理

如果 RSS 源很多（20+ 条），建议分批处理：

// Code 节点里加一个分页器
const articles = $input.first().json.articles;
const PAGE_SIZE = 5;
const page = $execution.resumeData?.page || 0;
const slice = articles.slice(page * PAGE_SIZE, (page + 1) * PAGE_SIZE);
if (slice.length === 0) {
  return []; // 处理完毕
}
// 设置下次继续
$execution.resumeData = { page: page + 1 };
return [{ json: { articles: slice, hasMore: (page + 1) * PAGE_SIZE < articles.length } }];

2. 错误重试

n8n 支持节点级别的错误重试。在 Ollama Chat 节点设置里：

• On Error → Retry
• Max Retries → 3
• Retry Interval → 30s

模型加载慢或者超时时自动重试，不用手动重跑。

3. 导出工作流

搭好的工作流可以导出备份：

n8n → Workflow → 右上角三点 → Download

导出的 JSON 文件就是你的工作流模板，换机器直接导入。

---

验证

跑完之后，打开 SQLite Web（http://IP:8002），应该能看到 content_archive 表里有记录了。

每条记录包含：

• 标题、摘要、分类
• 是否命中关键词
• 抓取时间

可以按分类筛选，看看 AI 分得准不准。

---

资源占用

一次完整执行（10 篇文章）：

• Ollama 推理：约 30~60 秒
• n8n 内存峰值：约 400MB
• 磁盘占用：每天 10 条约 50KB（纯文本）

如果是 8G 内存的机器，建议：

• 文章数量限制在 5 条以内
• 模型换成 qwen2.5:3b
• 执行间隔拉到 12 小时一次

扩展方向

这个工作流是基础版，后续可以：

1. 加去重逻辑——用 SQLite 的 title 做 UNIQUE 约束，避免重复存档
2. 加 Webhook 触发——不只是定时，有新内容时通过 Webhook 立即触发
3. 加邮件摘要——每周日把当周存档汇总成一封邮件
4. 接入多模态——用 LLaVA 模型处理网页里的截图/图片

工作流 JSON 模板就不贴了（太长），有需要的可以自己按上面的节点配置搭。每一步都不难，主要是把流程想清楚再动手。

这周一我盯着满屏幕的 RSS 订阅源和一堆没看的新闻，突然冒出一个想法：能不能让 AI 帮我把这些消化掉，早上起来只看一份整理好的摘要？

于是折腾了几天。中间踩了不少坑，但最后效果确实不错。记录一下整个过程。

周一：装 n8n

之前已经装过 Ollama，模型用的 qwen2.5:7b，跑起来没问题。这次就差一个工作流引擎。

mkdir -p /opt/n8n && cd /opt/n8n
cat > docker-compose.yml << 'EOF'
version: "3.8"
services:
  n8n:
    image: docker.n8n.io/n8nio/n8n:latest
    container_name: n8n
    restart: unless-stopped
    ports:
      - "5678:5678"
    volumes:
      - n8n-data:/home/node/.n8n
    environment:
      - GENERIC_TIMEZONE=Asia/Shanghai
      - TZ=Asia/Shanghai
volumes:
  n8n-data:
EOF
docker compose up -d

装完打开 http://IP:5678，注册账号，进去了。界面长这样——左边一堆节点，右边画布，跟搭积木差不多。

第一个想法很简单：每天早上 8 点，抓几条新闻，让 AI 总结一下发给我。

周二：踩坑——n8n 连不上 Ollama

我加了个 Ollama 节点，填了 http://localhost:11434，一点测试——连不上。

折腾了半天才想起来：n8n 跑在 Docker 里，localhost 指向的是容器自己，不是宿主机。

解决：

# 查看 Docker 网关地址
docker network inspect bridge --format='{{range .IPAM.Config}}{{.Gateway}}{{end}}'
# 输出：172.17.0.1

然后 n8n 里 Ollama 的 URL 改成 http://172.17.0.1:11434。

但还连不上。又查了一下——Ollama 默认只监听 127.0.0.1，外面访问不到。

# 改 Ollama 配置，监听所有接口
mkdir -p /etc/systemd/system/ollama.service.d
cat > /etc/systemd/system/ollama.service.d/override.conf << 'EOF'
[Service]
Environment="OLLAMA_HOST=0.0.0.0"
EOF
systemctl daemon-reload && systemctl restart ollama

这下通了。测试一下：

curl http://172.17.0.1:11434/api/generate -d '{"model":"qwen2.5:7b","prompt":"你好","stream":false}'

返回了正常响应。踩了两个坑，浪费半天。

周三：搭第一个工作流——新闻摘要

思路：Schedule 定时 → RSS 抓取 → AI 总结 → 通知。

具体节点：

1. Schedule 触发器

• 时间：每天早上 8:00
• 时区：Asia/Shanghai

2. RSS Feed Read 节点

• 填入几个常看的 RSS 地址
• 每条取标题和摘要

3. Code 节点（数据预处理）

RSS 抓回来是列表，需要拼成一段话给 AI：

// 把多条 RSS 合并成一段文本
const items = $input.all();
const text = items.map(item => {
  return 标题：${item.json.title}n摘要：${item.json.contentSnippet || ''};
}).join('nn
nn');
return [{ json: { combined_text: text, count: items.length } }];

4. Ollama Chat 节点

System Prompt：

你是一个新闻摘要助手。以下是今天的几条新闻，请用简洁的中文总结每条的核心内容，
按类别分组（科技/财经/国际/其他），每条一句话。总字数控制在 500 字以内。

User Message 填上一步的 {{ $json.combined_text }}。

5. Telegram Bot 通知

用 Telegram Bot 发给我（飞书/邮件/钉钉都行）。消息内容填 AI 的回复。

完整流程：

Schedule (8:00)
  → RSS Feed Read (3个源)
    → Code (合并文本)
      → Ollama Chat (总结)
        → Telegram Bot (发送)

第一次跑的时候，等了大概 15 秒，手机收到消息了。AI 把 10 条新闻分成了 4 类，每条一句话，看起来清爽多了。

---

周四：第二个——服务器日志分析

每天看日志太烦了。干脆让 AI 帮我看。

先写个脚本提取关键信息：

cat > /opt/n8n/log-analyzer.sh << 'SCRIPT'
#!/bin/bash
# 提取昨天的关键日志
echo "=== Nginx 错误 (昨天) ==="
yesterday=$(date -d "yesterday" +%Y/%m/%d)
grep "$yesterday" /var/log/nginx/error.log | tail -20
echo ""
echo "=== 系统异常 ==="
grep -i "error|fail|kill|oom" /var/log/syslog | tail -20
echo ""
echo "=== 磁盘 ==="
df -h / | tail -1
echo ""
echo "=== 内存峰值 ==="
echo "昨日最高内存使用: $(cat /proc/meminfo | grep MemTotal)"
SCRIPT
chmod +x /opt/n8n/log-analyzer.sh

n8n 里加一个工作流：

• Schedule：每天 22:00
• Execute Command：跑上面的脚本
• Ollama Chat：分析日志，找出需要关注的问题
• 通知：有异常才发，没问题就不打扰

Ollama 的 System Prompt：

你是运维助手。分析以下日志，如果有异常（服务崩溃、磁盘不足、OOM 等），
列出问题和修复建议。如果一切正常，回复"今日日志正常"，不需要展开。

跑了两天，第一天确实抓到了一个 Nginx 的 upstream 超时问题，AI 建议检查后端服务的响应时间，顺藤摸瓜找到了一个慢查询。

---

周五：踩坑——n8n 自己占了太多内存

周五早上看服务器，发现 n8n 占了 800MB 内存。我一共就 24G，倒是不紧张，但跑在 8G 机器上就够呛了。

查了一下，n8n 默认把所有执行记录都存在内存里。改一下：

# docker-compose.yml 里加环境变量
environment:
  - EXECUTIONS_MODE=database
  - DB_TYPE=sqlite
  - GENERIC_TIMEZONE=Asia/Shanghai
  - TZ=Asia/Shanghai

再加上资源限制：

deploy:
  resources:
    limits:
      memory: 512M

改完重启，内存降到 300MB 左右。

另外，工作流如果设置了”保存执行记录”，数据会越积越多。建议在 n8n 设置里把 保存天数 改成 3~7 天，自动清理。

---

周末：把几个工作流串起来

有了新闻和日志两个工作流，周末又把之前做的服务器监控工作流也加进来了。现在每天的时间线是这样的：

| 时间 | 工作流 | 作用 |
|

---

---

|

---

---

–|

---

---

|
| 8:00 | 新闻摘要 | 抓 RSS，AI 总结，发我手机 |
| 12:00 | 邮件检查 | 有新邮件自动分类摘要 |
| 18:00 | 服务器巡检 | CPU/内存/磁盘/服务状态 |
| 22:00 | 日志分析 | 分析当天日志 |

四个工作流，全部跑在本地。

---

给小内存机器的建议

如果你跑在 8G 或更小的机器上：

• 模型用 phi3:3.8b 或 qwen2.5:3b，内存占用 2~3G
• n8n 限制 512MB 内存，执行记录保存天数设短一点
• 工作流别设太频繁，新闻摘要每天 1~2 次就够了
• Ollama 和 n8n 分开部署的话，可以放在不同机器上

总结

折腾了一周，几个感受：

1. n8n 上手不难，画布式的界面比写代码直观，但第一次连本地 Ollama 确实会踩坑
2. 本地 AI 够用——qwen2.5:7b 做摘要、分类、简单分析完全没问题，就是速度慢点（5~15 秒一次）
3. 自动化这东西，一旦跑起来就停不下来了——我现在已经开始想把 RSS 换成微信公众号了……

下一篇打算写写沙箱和长期记忆的方案。AI 光会总结还不够，得能”记住”之前的事，并且安全地执行一些操作。到时候再聊。