MCP 服务器

Self-hosted AI starter kit (by the n8n team)

Okay, here's a translation of "pydantic agent workflow using mcp servers to test out advanced retrieval of linked data" into Chinese, along with some nuances and considerations: **Option 1 (More Literal, Emphasizing Technical Aspects):** 使用 Pydantic 代理工作流，通过 MCP 服务器测试链接数据的高级检索 * **使用 (shǐyòng):** Using, employing * **Pydantic 代理工作流 (Pydantic dàilǐ gōngzuòliú):** Pydantic agent workflow (This is a direct transliteration, common in technical contexts) * **通过 (tōngguò):** Through, via * **MCP 服务器 (MCP fúwùqì):** MCP servers (Again, direct transliteration) * **测试 (cèshì):** To test, testing * **链接数据 (liànjiē shùjù):** Linked data * **高级检索 (gāojí jiǎnsuǒ):** Advanced retrieval **Option 2 (Slightly More Natural, Still Technical):** 利用 Pydantic 代理工作流，借助 MCP 服务器探索链接数据的高级检索 * **利用 (lìyòng):** Utilizing, leveraging * **借助 (jièzhù):** With the help of, by means of * **探索 (tànsuǒ):** To explore, to investigate **Option 3 (More Descriptive, Less Literal):** 构建基于 Pydantic 的代理工作流，并使用 MCP 服务器来验证链接数据的高级检索能力 * **构建 (gòujiàn):** To build, to construct * **基于 (jīyú):** Based on * **验证 (yànzhèng):** To verify, to validate * **能力 (nénglì):** Capability, ability **Explanation of Choices and Considerations:** * **"Pydantic agent workflow" and "MCP servers":** In technical contexts, it's often acceptable (and even preferred) to directly transliterate these terms. If the audience is familiar with these technologies, transliteration is the clearest option. If you *need* to explain them, you could add a brief explanation in parentheses after the transliteration the first time they appear. * **"Test out":** The English phrase "test out" can be translated in several ways. "测试 (cèshì)" is the most direct translation of "test." "探索 (tànsuǒ)" implies a more exploratory testing process. "验证 (yànzhèng)" implies a more formal validation of capabilities. * **"Advanced retrieval of linked data":** "高级检索 (gāojí jiǎnsuǒ)" is a good, general translation of "advanced retrieval." The key is to ensure the audience understands what "linked data" means. **Which option is best depends on the context:** * **For a highly technical audience already familiar with Pydantic and MCP:** Option 1 is likely the best. * **For a slightly less technical audience, or if you want to emphasize the exploratory nature of the testing:** Option 2 might be better. * **If you want to emphasize the building and validation aspects:** Option 3 is a good choice. **Recommendation:** I would recommend **Option 1** or **Option 2** as a starting point, and then adjust based on your specific audience and the purpose of the translation. If you provide more context about where this translation will be used, I can refine it further.

cedricdcc

研究与数据

访问服务器

README

自托管 AI 启动套件 (由 n8n 团队提供)

自托管 AI 启动套件 是一个开放的 Docker Compose 模板，可以快速启动一个功能齐全的本地 AI 和低代码开发环境，包括 Open WebUI，它提供了一个与您的 N8N 代理聊天的界面。

这是 Cole 的版本，它进行了一些改进，并添加了 Open WebUI 和 Flowise！此外，如果您使用此设置而不是 n8n 提供的基本设置，视频中的本地 RAG AI 代理工作流将自动出现在您的 n8n 实例中！

原始本地 AI 启动套件

直接在 Open WebUI 网站上下载我的 N8N + OpenWebUI 集成 directly on the Open WebUI site. (更多说明见下文)

n8n.io - 截图

由 https://github.com/n8n-io 和 https://github.com/coleam00 精心策划，它将自托管的 n8n 平台与精选的兼容 AI 产品和组件相结合，以快速开始构建自托管 AI 工作流。

包含内容

✅ 自托管 n8n - 具有 400 多个集成和高级 AI 组件的低代码平台

✅ Ollama - 跨平台 LLM 平台，用于安装和运行最新的本地 LLM

✅ Open WebUI - 类似 ChatGPT 的界面，用于与您的本地模型和 N8N 代理进行私密交互

✅ Flowise - 无/低代码 AI 代理构建器，与 n8n 配合使用效果很好

✅ Qdrant - 具有全面 API 的开源、高性能向量存储

✅ PostgreSQL - 数据工程领域的主力军，安全地处理大量数据。

安装

对于 Nvidia GPU 用户

git clone https://github.com/coleam00/ai-agents-masterclass.git
cd ai-agents-masterclass/local-ai-packaged
docker compose --profile gpu-nvidia up

[!NOTE] 如果您以前没有将 Nvidia GPU 与 Docker 一起使用，请按照 Ollama Docker 说明进行操作。

对于 Mac / Apple Silicon 用户

如果您使用的是带有 M1 或更新处理器的 Mac，则很遗憾，您无法将 GPU 暴露给 Docker 实例。在这种情况下，有两种选择：

像下面的“对于其他人”部分一样，完全在 CPU 上运行启动套件
在 Mac 上运行 Ollama 以获得更快的推理速度，并从 n8n 实例连接到它

如果您想在 Mac 上运行 Ollama，请查看 Ollama 主页获取安装说明，并按如下方式运行启动套件：

git clone https://github.com/coleam00/ai-agents-masterclass.git
cd ai-agents-masterclass/local-ai-packaged
docker compose up

在您按照下面的快速入门设置进行操作后，通过使用 http://host.docker.internal:11434/ 作为主机来更改 Ollama 凭据。

对于其他人

git clone https://github.com/coleam00/ai-agents-masterclass.git
cd ai-agents-masterclass/local-ai-packaged
docker compose --profile cpu up

⚡️ 快速入门和使用

自托管 AI 启动套件的主要组件是一个 Docker Compose 文件，该文件已预先配置了网络和磁盘，因此您无需安装太多其他内容。完成上述安装步骤后，请按照以下步骤开始操作。

在浏览器中打开 http://localhost:5678/ 以设置 n8n。您只需执行一次此操作。您不是在此设置中创建 n8n 帐户，它只是您实例的本地帐户！
打开包含的工作流： http://localhost:5678/workflow/vTN9y2dLXqTiDfPT
为每个服务创建凭据：

Ollama URL: http://ollama:11434

Postgres: 使用来自 .env 的 DB、用户名和密码。主机是 postgres

Qdrant URL: http://qdrant:6333 (API 密钥可以是任何内容，因为这是在本地运行)

Google Drive: 按照 n8n 的本指南进行操作。不要对重定向 URI 使用 localhost，只需使用您拥有的另一个域，它仍然有效！或者，您可以设置本地文件触发器。
选择 测试工作流 以开始运行工作流。
如果这是您第一次运行工作流，您可能需要等待直到 Ollama 完成下载 Llama3.1。您可以检查 Docker 控制台日志以检查进度。
确保将工作流切换为活动状态并复制“生产”Webhook URL！
在浏览器中打开 http://localhost:3000/ 以设置 Open WebUI。您只需执行一次此操作。您不是在此设置中创建 Open WebUI 帐户，它只是您实例的本地帐户！
转到工作区 -> 函数 -> 添加函数 -> 提供名称 + 描述，然后粘贴来自 n8n_pipe.py 的代码

该函数也 published here on Open WebUI's site.
单击齿轮图标并将 n8n_url 设置为上一步中复制的 Webhook 的生产 URL。
切换函数，现在它将在左上角的模型下拉列表中可用！

要随时打开 n8n，请在浏览器中访问 http://localhost:5678/。要随时打开 Open WebUI，请访问 http://localhost:3000/。

通过您的 n8n 实例，您将可以访问 400 多个集成和一套基本和高级 AI 节点，例如 AI 代理、文本分类器和信息提取器节点。为了保持一切本地化，只需记住使用 Ollama 节点作为您的语言模型和 Qdrant 作为您的向量存储。

[!NOTE] 此启动套件旨在帮助您开始使用自托管 AI 工作流。虽然它没有针对生产环境进行完全优化，但它结合了强大的组件，这些组件可以很好地协同工作以进行概念验证项目。您可以自定义它以满足您的特定需求

升级

对于 Nvidia GPU 用户

docker compose --profile gpu-nvidia pull
docker compose create && docker compose --profile gpu-nvidia up

对于 Mac / Apple Silicon 用户

docker compose pull
docker compose create && docker compose up

对于其他人

docker compose --profile cpu pull
docker compose create && docker compose up

👓 推荐阅读

n8n 包含大量有用的内容，可帮助您快速入门其 AI 概念和节点。如果您遇到问题，请转到支持。

🎥 视频演练

Cole 的本地 AI 启动套件指南

🛍️ 更多 AI 模板

有关更多 AI 工作流创意，请访问 官方 n8n AI 模板画廊。从每个工作流中，选择 使用工作流 按钮以自动将工作流导入到您的本地 n8n 实例。

学习 AI 关键概念

本地 AI 模板

提示和技巧

访问本地文件

自托管 AI 启动套件将创建一个共享文件夹（默认情况下，位于同一目录中），该文件夹已挂载到 n8n 容器，并且允许 n8n 访问磁盘上的文件。 n8n 容器中的此文件夹是位于 /data/shared -- 这是您需要在节点中使用的路径与本地文件系统交互。

与本地文件系统交互的节点

推荐服务器

Crypto Price & Market Analysis MCP Server

一个模型上下文协议 (MCP) 服务器，它使用 CoinCap API 提供全面的加密货币分析。该服务器通过一个易于使用的界面提供实时价格数据、市场分析和历史趋势。 (Alternative, slightly more formal and technical translation): 一个模型上下文协议 (MCP) 服务器，利用 CoinCap API 提供全面的加密货币分析服务。该服务器通过用户友好的界面，提供实时价格数据、市场分析以及历史趋势数据。

精选

TypeScript