比 n8n 更 AI Native？用 Activepieces 搭一套自己的 MCP 工作流

去年把 n8n 搭起来之后，确实省了不少重复劳动。但用久了会发现，n8n 的 AI 集成总有种"后来补课"的感觉——节点是拼接上去的，和真正的 AI 工作流之间总是隔着一层。

最近发现一个工具叫 Activepieces，定位很有意思：它直接把自己定位成"AI 工作流自动化平台"，不只是"支持 AI 的自动化工具"，而是从架构层就往 AI Native 方向靠。Star 数现在 22436，不算小众了，但对比 n8n 的 9w+，还有不少人不了解它。

背景：自动化工具的那条进化链

说 Activepieces 之前，先快速过一下整个赛道。

最早是 IFTTT、Zapier 那个时代，拖拽式，门槛低，但深度有限。后来出了 n8n 和 Make (Integromat)，把自托管+代码级能力补上，开发者开始愿意用。再往后，随着大模型火起来，大家发现自动化场景里 AI 决策、AI 生成、AI 理解的内容越来越多，光有"触发→动作"不够用了，需要"触发→AI判断→动作"这种链路。

n8n 是这个趋势里跑得最快的，功能迭代很勤快。但 n8n 的问题在于，它本质是个通用自动化平台，AI 只是它支持的一种节点类型。Activepieces 的策略不太一样，它把 MCP（Model Context Protocol） 当成一等公民，从产品设计层面就围绕 AI Agents 来构建。

Activepieces 能做什么？

官方的定位话术就不重复了，说人话就是：一个可以自己托管的可视化工作流编辑器，支持 AI Agents、MCP 工具、以及常规的 app 集成。

几个我认为是亮点的点：

1. MCP 原生支持

这是它和其他自动化平台拉开差距最明显的地方。Activepieces 内置了对 MCP 协议的支持，目前已支持约 400+ MCP 服务器，基本上主流的 AI 工具和平台都能找到对应的 MCP 连接器。

什么是 MCP？简单理解就是 AI 模型和外部工具之间的"通用接口协议"。你不需要自己写 API 对接，工具通过 MCP 注册，AI Agent 直接调用。Activepieces 把这个能力直接做成开箱即用的节点。

Activepieces MCP 支持

2. 工作流画布体验

拖拽式编辑器，节点类型分得很清楚：触发器、动作、AI 步骤、Condition 分支等。和 n8n 的节点树逻辑有些像，但 Activepieces 的 UI 设计更偏现代感，颜色区分度更高，第一次用会感觉上手很顺。

3. 源代码级别的扩展

如果你需要的功能现有节点不支持，可以写 JS/Python 代码片段嵌入到工作流里。这点比 Zapier 强，和 n8n 持平。

4. 支持多租户

n8n 开源版是单用户的（专业版才有多用户），Activepieces 从开源版就支持多租户，适合小团队或公司内部自己搭一套给多个业务线用。

为什么值得跑一套？

回到最初的问题：n8n 已经挺好用了，为什么要再折腾一个？

几个比较实际的场景，Activepieces 比 n8n 用起来更顺手：

需要 AI Agent 自己做判断和执行：比如自动读取邮件，用 AI 判断意图，然后调用对应工具完成操作。这在 n8n 里要自己拼好几个节点，Activepieces 里一个 AI Agent 节点就涵盖了。
团队协作场景：多租户+团队概念，不需要额外出钱买专业版 license。
想快速落地 MCP：400+ MCP 服务器直接连接，不需要自己写 MCP server，省不少功夫。

如果你的需求只是"每天自动同步一下数据"，n8n 完全够用。但如果你正在搭 AI Agent 应用，或者想让 AI 有更强的工具调用能力，Activepieces 值得你花半小时跑起来试试。

快速上手（Docker）

Activepieces 推荐用 Docker Compose 部署，最快 5 分钟跑起来。

第一步：创建目录

mkdir activepieces && cd activepieces

第二步：创建 docker-compose.yml

version: '3.8'

services:
  activepieces:
    image: activepieces/activepieces:latest
    ports:
      - "8080:80"
    environment:
      - AP_JWT_SECRET=your-super-secret-key-change-this
      - AP_DB_TYPE=postgres
      - AP_POSTGRES_DB_URL=postgresql://postgres:postgresql@postgres:5432/activepieces
    depends_on:
      postgres:
        condition: service_healthy

  postgres:
    image: postgres:16-alpine
    environment:
      - POSTGRES_DB=activepieces
      - POSTGRES_USER=postgres
      - POSTGRES_PASSWORD=postgresql
    volumes:
      - postgres_data:/var/lib/postgresql/data
    health_check:
      test: ["CMD-SHELL", "pg_isready -U postgres"]
      interval: 10s
      timeout: 5s
      retries: 5

volumes:
  postgres_data:

第三步：启动

docker-compose up -d

然后访问 http://localhost:8080，第一次会引导你创建管理员账号。

如果想初始化 MCP，在「Pieces」商店里搜索 MCP，找到需要的 MCP 服务器，安装后就可以在工作流里直接调用。

适合谁用？

推荐跑 Activepieces 的场景：

正在开发 AI Agent 应用，需要一个可视化编排层
团队需要多人使用自动化工作流（n8n 开源版不支持多用户）
想快速接入各种 AI 工具（MCP），不想自己写对接代码
技术团队内部工具链需要平台化

不太适合的场景：

个人日常简单自动化（Zapier、n8n 其实更快）
需要大量复杂的企业级流程（还是上商业平台吧）

链接

GitHub：https://github.com/activepieces/activepieces
官网：https://www.activepieces.com
文档：https://www.activepieces.com/docs

今天先到这里。工作流自动化这个赛道，现在越来越卷了，但 Activepieces 靠 MCP 原生支持这条路走得挺有意思。如果你最近在考虑搭 AI Agent 或者想给团队内部做一个自动化平台，可以先跑一个实例感受一下。