Back to blog

    n8n + 本地 LLM:构建符合 HIPAA 的自动化工作流

    如何使用自托管 n8n 和本地 LLM 推理构建符合 HIPAA 的自动化工作流——包含临床记录摘要和预约分诊的实际示例。

    A pale astronomical impression in graphite and copper, with a soft amber penumbra on warm paper.Two fine engraved orbital fields crossing in deep space, with cool cyan light and a warm distant seam.

    n8n 已成为需要自托管基础设施的代理机构首选的工作流自动化平台。当与本地运行的 LLM 结合时,它创建了一个完全自包含的自动化技术栈,数据不会离开组织的网络——这正是医疗客户所要求的。

    本指南详细介绍架构、具体集成模式,以及完整技术栈的 HIPAA 合规检查清单。

    架构

    核心架构很简单:

    Code example
    [EHR / 临床系统] → [n8n(自托管)] → [本地 LLM(Ollama/vLLM)] → [输出目标]
    

    每个组件都运行在医疗机构控制的基础设施上。n8n 编排工作流。本地 LLM 处理自然语言处理。AI 推理不需要外部 API 调用。

    组件技术栈

    组件角色部署方式
    n8n工作流编排组织服务器上的 Docker 容器
    Ollama 或 vLLMLLM 推理服务器同一服务器或专用 GPU 机器
    PostgreSQLn8n 工作流数据 + 执行日志本地数据库
    Redis(可选)高负载工作流的队列管理本地实例
    反向代理TLS 终止、访问控制同一网络上的 Nginx/Caddy

    硬件要求

    对于服务 20-50 个并发工作流执行的典型医疗部署:

    • CPU: 8 核以上(用于 n8n 和支持服务)
    • RAM: 最低 32 GB(16 GB 用于 n8n/服务,16 GB 用于模型加载)
    • GPU: RTX 5090(32 GB VRAM)或 RTX 4090(24 GB VRAM)
    • 存储: 500 GB SSD(模型、日志、工作流数据)

    总硬件成本:$4,000-6,000 用于完整服务器构建。与云 n8n + 云 AI API 的月费相比,回收期通常为 2-4 个月。

    将 n8n 连接到本地 LLM 端点

    n8n 通过 HTTP 请求节点或 OpenAI 兼容节点连接本地 LLM。Ollama 和 vLLM 都暴露 OpenAI 兼容的 API 端点,这使得集成非常简单。

    使用 Ollama

    Ollama 默认运行在 localhost:11434。在 n8n 中:

    1. 添加 HTTP 请求 节点
    2. 将 URL 设为 http://localhost:11434/api/chat
    3. 方法:POST
    4. 请求体(JSON):
    Code example
    {
      "model": "your-fine-tuned-model",
      "messages": [
        {"role": "system", "content": "You are a clinical note summariser..."},
        {"role": "user", "content": "{{$json.clinical_note}}"}
      ],
      "stream": false
    }

    或者,使用 Ollama 的 OpenAI 兼容端点 http://localhost:11434/v1/chat/completions,配合 n8n 内置的 OpenAI 节点——只需在凭据配置中更改基础 URL。

    使用 vLLM

    vLLM 为并发请求提供更高的吞吐量。它默认暴露 OpenAI 兼容的 API:

    Code example
    python -m vllm.entrypoints.openai.api_server \
      --model /path/to/your/model \
      --host 0.0.0.0 --port 8000

    在 n8n 中,配置 OpenAI 凭据,基础 URL 为 http://your-gpu-server:8000/v1,API 密钥可以是任意字符串(vLLM 默认不需要认证——通过反向代理添加)。

    示例工作流 1:临床记录摘要

    用例: 医生口述冗长的临床记录。工作流将其摘要为结构化的出院摘要。

    工作流步骤:

    1. 触发器: Webhook 从 EHR 系统接收临床记录(或 n8n 轮询共享文件夹)
    2. 预处理: 提取患者标识符,将元数据与记录正文分离
    3. LLM 推理: 将记录正文发送到本地 LLM,使用指定输出格式的系统提示(SOAP 记录结构)
    4. 后处理: 解析 LLM 输出,验证必填字段是否存在
    5. 质量检查: 如果置信度指标低于阈值,标记进行人工审核
    6. 输出: 通过 API 将结构化摘要写回 EHR,或存入审核队列

    n8n 节点链: Webhook → Function(预处理) → HTTP Request(LLM) → Function(验证) → IF(质量检查) → [EHR API / 审核队列]

    整个工作流根据记录长度在 3-8 秒内执行完毕。使用微调模型,摘要质量与医生花 15 分钟完成相同任务的质量相当。

    示例工作流 2:预约分诊

    用例: 患者请求预约的消息按紧急程度分类并路由到相应科室。

    工作流步骤:

    1. 触发器: n8n 从诊所管理系统轮询患者消息队列
    2. LLM 推理: 将患者消息发送到本地 LLM,使用分类提示(紧急/常规/非临床、科室分配)
    3. 解析响应: 提取分类结果和置信度评分
    4. 路由: 基于分类,在相应科室队列中创建预约请求
    5. 通知: 通过安全消息向患者发送确认

    微调的关键优势: 通用模型会出现分诊错误,因为它不了解特定诊所的科室结构、医生专业和分诊协议。使用该特定诊所 2,000-3,000 条历史分诊决策微调的模型可达到 95% 以上的准确率。

    示例工作流 3:先前授权文件组装

    用例: 通过提取相关临床信息并匹配保险公司要求来组装先前授权包。

    工作流步骤:

    1. 触发器: 在诊所管理系统中发起先前授权请求
    2. 收集数据: n8n 查询 EHR 获取相关临床记录、实验室结果、影像报告
    3. LLM 提取: 本地 LLM 提取与保险公司标准匹配的临床相关信息
    4. 文件组装: 用提取的数据填充先前授权模板
    5. 审核队列: 向工作人员展示组装好的包进行最终审核和提交

    此工作流将先前授权准备时间从 30-45 分钟减少到 5-10 分钟的审核时间。

    技术栈的 HIPAA 合规检查清单

    使用此检查清单验证你的 n8n + 本地 LLM 部署满足 HIPAA 要求:

    管理保障措施

    • 指定负责 AI 自动化系统的安全官
    • 关于 AI 系统使用和 PHI 处理的员工培训
    • 访问授权策略——谁可以创建/修改处理 PHI 的工作流
    • 针对 AI 工作流故障或意外输出的事件响应程序
    • 包含 AI 自动化组件的定期风险评估

    物理保障措施

    • 服务器硬件在物理安全位置(上锁的服务器室、数据中心)
    • 服务器物理访问的访问日志
    • 环境控制(电源、冷却、消防)

    技术保障措施

    • n8n 访问的唯一用户认证
    • n8n 中的基于角色的访问控制(管理员 vs 查看者 vs 编辑者)
    • 所有网络通信的 TLS 加密(n8n 与 LLM 之间、n8n 与 EHR 之间)
    • n8n 中启用审计日志(记录所有工作流执行)
    • LLM 推理日志的捕获和按策略保留
    • n8n 网页界面的自动会话超时
    • 存储工作流执行数据的数据库静态加密
    • 网络分段——AI 服务器在隔离 VLAN 上
    • AI 服务器无出站互联网访问(或仅限软件包更新)

    运维保障措施

    • n8n 工作流、LLM 模型和配置的备份程序
    • 包含 AI 自动化组件的灾难恢复计划
    • 工作流修改的变更管理流程
    • 定期的备份恢复测试
    • 模型版本控制——跟踪哪个模型版本产生了哪些输出

    入门

    最快的部署路径:

    1. 在配有 GPU 的服务器上通过 Docker 设置 n8n(n8n 自托管文档)
    2. 在同一服务器上安装 Ollama 并加载基础模型
    3. 使用 Ertas Studio 在任务特定数据上微调模型
    4. 构建一个简单的概念验证工作流(临床记录摘要是最简单的起点)
    5. 运行上述合规检查清单
    6. 在连接到生产系统之前,使用合成数据向医疗客户演示

    延伸阅读