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。
油管技术视频批量自动化分析｜含n8n 中 http 请求节点 timeout 的处理方法
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！
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。
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
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！
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。