在昨天的文章中，我們使用 Pydantic 定義了嚴謹的美食推薦資料模型，並在 FastAPI 中實作了具備預算、料理分類與地區篩選邏輯的推薦端點（POST /api/v1/recommend/）。

現在，我們的後端微服務已經具備運算能力，但真實世界的使用情境通常不是由使用者手動去發 cURL 或開 Swagger 文件，而是透過對話介面或排程觸發。

今天的核心任務，就是讓 n8n 扮演智慧排程與自動化神經中樞的角色：學習如何在 n8n 中使用 HTTP Request 節點呼叫本地運行的 FastAPI，並完成資料格式的提取與動態映射！

一、架構連線觀念：Docker 容器如何連到本地端 FastAPI？

在開始配置節點之前，必須先釐清一個最容易踩雷的網路觀念：

• FastAPI 運行位置：直接運行在 Windows 本機（或 WSL 2 終端機）的 http://localhost:8000。
• n8n 運行位置：運行在 Docker 容器 內部。

⚠️ 關鍵注意：
如果你在 n8n 容器內部的 HTTP Request 節點填寫 http://localhost:8000，n8n 會以為你要連的是「n8n 容器自己本身」，進而拋出 ECONNREFUSED 連線拒絕錯誤！

解法：在 Docker 容器內部要存取宿主主機（Windows 本機）的連接埠時，必須將網址換成：

[http://host.docker.internal:8000](http://host.docker.internal:8000)

這是 Docker 內建專門用來解析宿主主機 IP 的特殊網域名稱。

二、建立 n8n 推薦串接工作流

打開瀏覽器進入 n8n 介面（http://localhost:5678），點擊右上角 Add workflow 建立一個新流程。

Step 1：新增手動觸發節點（When clicking 'Test workflow'）

為了方便開發與除錯，我們先使用手動觸發節點：

1. 點擊 Add first step。
2. 搜尋並選擇 When clicking 'Test workflow'（或 Manual Trigger）。

Step 2：新增 Edit Fields (Set) 節點模擬使用者輸入

在真實場景中，這一步通常來自 LINE Bot 的訊息解析，這裡我們先用 Set 節點模擬傳入的參數：

1. 點擊 + 新增節點，搜尋並選擇 Edit Fields (Set)。
2. 命名為 Mock User Input。
3. 新增以下欄位（Values to Set）：
   • user_id（String）：user_ironman_06
   • cuisine（String）：甜點/下午茶
   • budget_max（Number）：350
   • location（String）：板橋
   • notes（String）：想吃草莓戚風蛋糕

Step 3：新增 HTTP Request 節點呼叫 FastAPI

這是今天最關鍵的一步，讓 n8n 將上一節點的資料打包發送給 FastAPI：

1. 點擊 + 新增節點，搜尋並選擇 HTTP Request。
2. 節點參數設定如下：
   • Method：POST
   • URL：http://host.docker.internal:8000/api/v1/recommend/
   • Send Body：開啟（Toggle On）
   • Body Content Type：選擇 JSON
   • Specify Body：選擇 Using Fields Below（或切換至 JSON 模式）
3. 在 Body 欄位中，使用 n8n 的運算式（Expression）將 Mock User Input 的欄位動態綁定進來：
   • user_id：{{ $json.user_id }}
   • cuisine：{{ $json.cuisine }}
   • budget_max：{{ $json.budget_max }}
   • location：{{ $json.location }}
   • notes：{{ $json.notes }}

💡 提示：直接從左側拖曳變數標籤到右側欄位，n8n 就會自動生成 {{ $json.xxx }} 運算式！

Step 4：新增 Code / Markdown 節點格式化推薦結果

FastAPI 回傳的資料是標準的 JSON 陣列，我們加上一個簡單的文字格式化節點，把餐廳資訊組合成適合發給使用者的親切訊息：

1. 點擊 + 新增 Edit Fields (Set) 或 Code 節點。
2. 設定一個輸出變數 reply_message，填入以下表達式：

   🎉 為您精選的美食推薦清單來囉！
   
   【推薦店家】：{{ $json.recommendations[0].name }}
   【分類】：{{ $json.recommendations[0].cuisine }}
   【平均消費】：約 {{ $json.recommendations[0].price_avg }} 元
   【所在位置】：{{ $json.recommendations[0].location }}
   【Google 評分】：⭐️ {{ $json.recommendations[0].rating }}
   【招牌必點】：{{ $json.recommendations[0].signature_dish }}
   【小編短評】：{{ $json.recommendations[0].reason }}
   

三、端到端執行與驗收測試

Step 1：確認 FastAPI 伺服器仍在運作

請確認你的 PowerShell 終端機中，FastAPI 仍然處於熱重載運作中：

uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload

確保 --host 設定為 0.0.0.0，這樣才能接收來自 Docker 容器內部的連線請求。

Step 2：在 n8n 點擊「Test workflow」

回到 n8n 畫布，點擊下方的 Test workflow 按鈕：

1.連線狀態：所有節點依序亮起綠色勾勾。
2.FastAPI 終端機日誌：會立即印出一行成功連線的請求日誌：

INFO:     172.18.0.1:xxxxx - "POST /api/v1/recommend/ HTTP/1.1" 200 OK

3.輸出檢查：點開最後一個節點的 Output 面板，確認 reply_message 成功解析出「恬淡日常法式甜點」的精美格式化排版！

今天我們打通了自動化架構中最關鍵的一環：使用 n8n 作為橋樑，跨越容器與本地宿主機的網路邊界，精準調用 FastAPI 微服務！

現在我們的資料鏈路是：
輸入參數 ➜ n8n 流程排程 ➜ FastAPI 核心演算法/資料庫 ➜ 格式化輸出

明天 Day 07，我們將把前幾天在 Dify 設定好的 Google Gemini 大腦整合進來：在 n8n 中串接 Dify API，讓 AI 大腦自動解析使用者的自然語言對話，並動態提取出推薦參數！ 敬請期待！