Claude Code完整技术栈都被扒出来了，Multi-Agent架构~
最近用 n8n 搭建自动化流程，结合 AI 编程，有一种指哪打哪儿的快感。
我可以用一条工作流完成油管或者 B 站上一个复杂教学视频的结构化拆解。
从这种需要逐帧学习的多模态视频：
变成这样的待学习指南：
但对于国内的开发者和玩家来说，n8n总有一个不大不小的痛。国产模型节点，只支持 DeepSeek！
想用其他懂中文、响应更快、成本更低的国产大模型（比如 Kimi、通义千问），却发现 n8n 里没有现成的节点！
别急！如果我告诉你，有一把“万能钥匙”可以轻松打开几乎所有主流国产大模型接入 n8n 的大门，整个过程甚至不需要你写一行代码，你信吗？
这把钥匙，就是 “兼容OpenAI接口规范”。
这听起来可能有点技术，但别担心，这篇指南会把这个概念彻底掰开揉碎，变成你动动鼠标就能完成的简单操作。准备好，我们要开始给你的 n8n换上强大的“中国芯”了！
1-成果演示
看一下我的成果：我配置了哪些中国模型：魔塔、kimi、腾讯混元。
接下来，我们就可以kimi-k2模型的配置方式，给大家做示范，教大家如何一步一步完成中国模型配置。
2-配置 Kimi - k2 大模型。
先到kimi的开发者平台申请 APIkey。
地址如下：https://platform.moonshot.cn/console/api-keys
拷贝 api 请求地址：如下图，只需要 v1 及之前这一段就好了。https://api.moonshot.cn/v1
相关文档地址如下：https://platform.moonshot.cn/docs/api/chat#chat-completion
3-N8N 配置
老样子，请出我们的 AIAgent 节点。
触发节点：Chat，配置 AIAgent 节点。
点击 ChatModel，拉到最后，选择：OpenAI Chat Model。只要兼容OpenAI接口规范的模型，都可以用这个大模型节点来做配置。
然后，到n8n配置权限，分别填入apikey 和 baseURL。
注意，kimi的 baseURL 应该填我们刚才记录的：https://api.moonshot.cn/v1
当你看到上面的 Connection tested successfully，就代表认证成功了！
好的，接下来，选择模型。
然后，返回 OpenAI Chat Model 节点，在 From list 节点选择模型。我们这次要体验的是 kimi-k2。
OK，返回测试：
好的，配置完成了！
4-如何判断一个模型是否兼容 openai 规范？
判断一个模型或服务是否兼容OpenAI的API规范，是能否将其作为“平替”或“drop-in replacement”接入n8n model节点工具的关键。
你可以通过这个最简单的方法来判断：查阅官方文档 (最直接、最可靠的方法)
在模型提供方（无论是云服务商还是本地模型工具）的官方文档中，寻找以下关键词或描述：
* “OpenAI-Compatible” / “与OpenAI兼容”: 这是最直接的信号。很多服务会明确以此为卖点。
* “Drop-in Replacement”: 意为“直接替换”，说明你可以几乎不改代码就换掉OpenAI的接口。
python 调用的方式有 from openai import OpenAI
检查核心API技术规范 (技术细节核对)
一个API要与OpenAI兼容，必须在以下几个核心方面保持一致：
a. Endpoint (接口路径)
最核心的聊天接口路径必须匹配。标准的路径是：
POST /v1/chat/completions
如果一个服务的接口是 POST /api/v1/generate 或者其他自定义路径，那它就不是OpenAI兼容的。
b. Authentication (认证方式)
认证信息通常通过HTTP请求头传递，格式必须是：
Authorization: Bearer YOUR_API_KEY
YOUR_API_KEY 是服务提供方给你的密钥。
c. Request Body (请求体JSON结构)
发送给接口的JSON数据结构必须与OpenAI的规范一致。对于聊天模型，关键字段包括：
- model (string): 你要使用的模型名称（这个值会因服务商而异）。
- messages (array): 一个包含对话历史的数组。
- 每个元素都是一个对象，包含 role (“user”, “assistant”, “system”) 和 content (string)。
- stream (boolean, optional): 是否使用流式传输。
- 其他可选参数如 temperature, max_tokens, top_p 等。
一个兼容的请求体示例：
client = OpenAI(
api_key = "$MOONSHOT_API_KEY",
base_url = "https://api.moonshot.cn/v1",)
completion = client.chat.completions.create(
model = "kimi-k2-0711-preview",
messages = [ {"role": "system", "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。"}, {"role": "user", "content": "你好，我叫李雷，1+1等于多少？"} ],
temperature = 0.6,)
d. Response Body (响应体JSON结构)
模型返回的JSON数据结构也必须一致，这样你的代码才能正确解析。
* 非流式 (Non-streaming): 关键是 choices 数组，其中包含了 message 对象。
* 流式 (Streaming): 必须遵循Server-Sent Events (SSE) 格式，每一条消息都是一个以 data: 开头的JSON块。
一个兼容的响应体示例-非 Streaming 的返回内容：
{"id":"cmpl-04ea926191a14749b7f2c7a48a68abc6",
"object":"chat.completion",
"created":1698999496,
"model":"kimi-k2-0711-preview",
"choices":[{
"index":0,
"message":{
"role":"assistant",
"content":" 你好，李雷！1+1等于2。如果你有其他问题，请随时提问！"},"finish_reason":"stop"}],
"usage":{
"prompt_tokens":19,
"completion_tokens":21,
"total_tokens":40}}
以上就是一个非常简单的n8n国产大模型配置指南了。关于n8n还有哪些想学习和了解的，欢迎评论区留言。
大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？
答案当然是这样，大模型必然是新风口！
那如何学习大模型 ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：
最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！
在这个版本当中：
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、大模型经典书籍（免费分享）
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套大模型报告（免费分享）
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、大模型系列视频教程（免费分享）
四、2025最新大模型学习路线（免费分享）
我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取
Agent 垂直技术社区，欢迎活跃、内容共建。
更多推荐
10
0- 0
已为社区贡献131条内容
所有评论(0)