n8n MCP Server × Claude Code：AI 直接操控工作流

n8n v2.13.2 加了一個不起眼的環境變數：N8N_MCP_ENABLED=true。這行設定背後的意義，遠比它看起來的要大。

開啟後，n8n 會在 /mcp-server/http 暴露一個 MCP（Model Context Protocol）endpoint。Claude Code 連上去，就能直接問 n8n「你有哪些節點可以用」、「幫我驗證這個 workflow JSON 對不對」、「根據這段描述建立一個工作流」。

這是典範的轉移：AI 從工作流的執行者，變成工作流的作者。

什麼是 MCP（Model Context Protocol）

MCP 是 Anthropic 在 2024 年末提出的開放協定，讓 AI 模型和外部工具之間有一套標準化的溝通介面。

傳統的 AI + 工具整合方式是：你在 AI 裡寫「請呼叫這個 API」，AI 輸出程式碼或 curl 指令，然後你手動執行。MCP 讓 AI 直接持有工具的「能力清單」，可以直接呼叫，不需要人在中間轉譯。

graph LR
    A["傳統方式\nAI 輸出指令\n人工執行"] --> B["MCP 方式\nAI 直接呼叫工具\n結果回到 AI"]
    style A fill:#f5f5f5,stroke:#999
    style B fill:#e8f4e8,stroke:#4a9

MCP 的幾個核心概念：

SuperPortia 目前在 Claude Code 連接的 MCP server 包括：Cloud UB（知識庫）、Obsidian（vault 筆記）、Cloudflare（部署操作）、Chrome DevTools（瀏覽器控制）——以及現在的 n8n。

n8n 的 Instance-level MCP Server

n8n v2.13 引入的「Instance-level MCP Server」不同於之前的「MCP Server node」（那個是讓 n8n workflow 本身成為 MCP server，服務其他工具）。

Instance-level MCP 是 n8n 平台本身 暴露為 MCP server，提供管理 n8n 的工具給外部 AI。

架構圖

graph TB
    Claude["Claude Code\n(SS1 本機)"] -->|MCP HTTP| MCP["n8n Instance MCP\nlocalhost:5678/mcp-server/http"]
    MCP --> NodeSearch["search_nodes\n搜尋可用節點"]
    MCP --> NodeTypes["get_node_types\n取得節點完整設定"]
    MCP --> Validate["validate_workflow\n驗證 workflow JSON"]
    MCP --> Create["create_workflow_from_code\n從程式碼建立工作流"]
    MCP --> Execute["execute_workflow\n觸發工作流執行"]
    MCP --> List["list_workflows\n列出所有工作流"]
    NodeSearch --> DB["n8n SQLite\n工作流資料庫"]
    Create --> DB
    Execute --> DB

啟用方式

如果你按照上一篇部署，N8N_MCP_ENABLED=true 已經設好了。接下來是 Claude Code 端的設定。

Step 1：在 n8n 啟用 Instance-level MCP 並取得 JWT Token

1. 開啟 https://n8n.superportia.dev（或 http://localhost:5678）
2. 右上角 → Settings → Instance-level MCP
3. 點 Enable 啟用（如果你已設 N8N_MCP_ENABLED=true，這裡應該已是啟用狀態）
4. 切到 Connection details 分頁，複製 JWT Access Token

Step 2：在 Claude Code 加入 MCP server

找到或建立 ~/.claude.json，加入 n8n server 設定：

{
  "mcpServers": {
    "n8n": {
      "type": "http",
      "url": "http://localhost:5678/mcp-server/http",
      "headers": {
        "Authorization": "Bearer <你的-JWT-token>"
      }
    }
  }
}

或用 CLI 方式：

claude mcp add --transport http --scope user n8n \
  http://localhost:5678/mcp-server/http \
  --header "Authorization: Bearer <你的 JWT token>"

Step 3：重啟 Claude Code，驗證連線

/mcp

應該看到 n8n server 出現在清單中，狀態為 connected。如果顯示 disconnected：

# 確認 n8n 在跑
curl -s http://localhost:5678/healthz

# 確認 MCP endpoint 可達（JWT token 驗證）
curl -s -H "Authorization: Bearer <JWT-token>" http://localhost:5678/mcp-server/http

可用的 MCP 工具

連上 n8n MCP 後，Claude Code 取得這些工具（以 n8n v2.13.2 為準）：

實際展示：Claude Code 建立工作流

以下是 SuperPortia 測試 MCP 整合的一個真實範例：讓 Claude Code 建立一個「RSS 監控 → 過濾關鍵字 → 寫入 UB」的工作流。

對話過程

夏哥：幫我在 n8n 建一個工作流：每小時抓 https://feeds.feedburner.com/sspai 的 RSS，過濾包含「AI」的文章，把標題和 URL 存到 Google Sheets。

Claude Code（使用 search_nodes 工具）：

> search_nodes: {"query": "RSS"}
結果：找到 "RSS Feed Read" 節點（@n8n/n8n-nodes-base.rssFeedRead）

> search_nodes: {"query": "Google Sheets"}
結果：找到 "Google Sheets" 節點（@n8n/n8n-nodes-base.googleSheets）

> search_nodes: {"query": "filter"}
結果：找到 "Filter" 節點（@n8n/n8n-nodes-base.filter）

Claude Code 產出的 workflow JSON 片段：

{
  "name": "RSS AI Filter → Google Sheets",
  "nodes": [
    {
      "id": "trigger",
      "name": "Schedule Trigger",
      "type": "n8n-nodes-base.scheduleTrigger",
      "parameters": {
        "rule": { "interval": [{"field": "hours", "hoursInterval": 1}] }
      },
      "position": [250, 300]
    },
    {
      "id": "rss",
      "name": "RSS Feed Read",
      "type": "n8n-nodes-base.rssFeedRead",
      "parameters": {
        "url": "https://feeds.feedburner.com/sspai"
      },
      "position": [450, 300]
    },
    {
      "id": "filter",
      "name": "Filter AI Articles",
      "type": "n8n-nodes-base.filter",
      "parameters": {
        "conditions": {
          "string": [{
            "value1": "={{$json.title}}",
            "operation": "contains",
            "value2": "AI"
          }]
        }
      },
      "position": [650, 300]
    }
  ],
  "connections": {
    "Schedule Trigger": {"main": [[{"node": "RSS Feed Read", "type": "main", "index": 0}]]},
    "RSS Feed Read": {"main": [[{"node": "Filter AI Articles", "type": "main", "index": 0}]]}
  }
}

Claude Code（使用 validate_workflow 工具）：

> validate_workflow: {workflow JSON}
結果：{"valid": true, "warnings": []}

Claude Code（使用 create_workflow_from_code 工具）：

> create_workflow_from_code: {完整 workflow JSON}
結果：{"id": "wf_abc123", "name": "RSS AI Filter → Google Sheets", "active": false}

整個過程沒有人工點擊 n8n UI，Claude Code 直接完成節點搜尋 → JSON 建構 → 驗證 → 部署。

典範轉移：describe → deploy

傳統的工作流建立過程：

1. 打開 n8n UI
2. 拖拉節點到畫布
3. 點擊每個節點設定參數
4. 設定節點之間的連線
5. 測試執行
6. 修正錯誤

有了 MCP 整合：

1. 用自然語言描述你要做什麼
2. Claude Code 搜尋節點、建構 JSON、驗證、部署

這不只是「更快」，是誰在設計工作流這件事本身發生了變化。

安全考量

MCP server 連到 n8n，等於 AI 有能力新增、修改、執行你所有的工作流。幾個安全原則：

MCP Access Token 隔離：為 Claude Code MCP 建立專用的 n8n MCP Access Token，不要用主帳號的 token。這樣如果需要撤銷，只撤銷這個 token，不影響其他整合。

MCP 只走 localhost：如前所述，~/.claude.json 裡 n8n 的 URL 用 localhost:5678，不是外部 URL。MCP 連線不經過 Cloudflare Tunnel，不暴露在網路上。

工作流執行審查：目前 Claude Code 可以直接觸發 execute_workflow。如果你的工作流有對外影響（發推文、寄信、操作資料庫），建議在 AI session 裡設定限制，不要讓 AI 自主執行生產工作流。

和其他 MCP server 的組合威力

n8n MCP 本身的威力來自和其他 MCP server 的組合。SuperPortia 的一個規劃場景：

Claude Code 呼叫 UB MCP → 搜尋知識庫裡的相關文章
  → 呼叫 n8n MCP → 建立一個工作流，把這些文章格式化後發到 LINE Messaging API
  → 呼叫 Cloudflare MCP → 確認 Worker 的 KV 快取已更新

三個 MCP server，一個 Claude Code session，沒有人工切換頁面。這是 AI-native 工作流的樣貌：AI 作為協調者，跨系統完成任務。

本系列的下一步

現在你知道 n8n 怎麼設定（教學篇）、為什麼選它（比較篇）、以及 AI 如何控制它（本篇）。

最後一篇看具體場景：SuperPortia 正在規劃哪五個自動化工作流，以及 n8n + Claude Code MCP 如何改變設計方式 → n8n 實戰應用：5 個我們正在規劃的自動化場景。