Jak vytvářet AI workflow s n8n a LangChain
n8n a LangChain společně řeší problém, na který většina týmů dříve či později narazí: chcete AI agenty, kteří se připojují ke skutečným datům a spouští reálné akce, ale integrace LangChainu v Pythonu znamená udržování celého aplikačního stacku. Nativní uzly LangChainu v n8n vám umožňují přetahovat agenty, řetězce, paměť a vektorová úložiště do vizuálních workflow a následně je propojit s více než 400 integracemi bez psaní kódu SDK.
Co získáte: Knihovna uzlů LangChain v n8n
n8n obsahuje více než 70 uzlů pro AI, které implementují koncepty LangChainu jako vizuální stavební bloky. Místo importování langchain v Pythonu a lepení modulů k sobě jednoduše propojujete uzly na plátně. Zde je kompletní přehled:
| Kategorie uzlu | Co dělá | Klíčové uzly |
|---|---|---|
| Kořenové uzly | Základní AI logika („mozek“) | AI Agent, Basic LLM Chain, Q&A Chain, Summarization Chain |
| Chatové modely | Připojení k LLM | OpenAI, Anthropic Claude, Google Gemini, Ollama, Groq, Mistral, DeepSeek |
| Paměť | Uchování kontextu konverzace | Simple Memory, Redis, Postgres, MongoDB, Zep |
| Vektorová úložiště | Ukládání a vyhledávání dokumentů | Pinecone, Qdrant, Supabase, Chroma, Weaviate, PGVector, In-Memory |
| Embeddingy | Převod textu na vektory | OpenAI, Cohere, HuggingFace, Ollama, AWS Bedrock |
| Nástroje | Externí funkce pro agenty | Calculator, SerpAPI, Wikipedia, Custom Code, MCP Client, Workflow Tool |
| Parsovače výstupu | Formátování strukturovaných odpovědí | Auto-fixing, Structured, Item List |
| Rozdělovače textu | Rozdělování dokumentů na části | Character, Recursive Character, Token |
Architektura využívá to, co n8n nazývá uzly clusteru. Kořenový uzel (například AI Agent) se připojuje k poduzlům (chatový model, paměť, nástroje), která rozšiřují jeho možnosti. Představte si to jako modulární systém LangChainu, ale ve vizuální podobě.
Jak n8n mapuje koncepty LangChainu
Pokud jste již používali LangChain v kódu, mapování v n8n je přímočaré:
| Koncept LangChainu | Ekvivalent v n8n | Kdy použít |
|---|---|---|
ChatOpenAI() | Poduzel OpenAI Chat Model | Jakékoli workflow potřebující LLM |
ConversationBufferMemory() | Simple Memory / Redis Memory | Vícekolové konverzace |
RetrievalQA.from_chain_type() | Q&A Chain + Vector Store Retriever | Odpovídání na otázky z dokumentů |
AgentExecutor s nástroji | Uzel AI Agent (typ Tools Agent) | Dynamický výběr nástrojů |
RecursiveCharacterTextSplitter() | Poduzel Recursive Character Text Splitter | Rozdělování dokumentů pro RAG |
FAISS.from_documents() | Simple Vector Store (Insert Documents) | Lokální ukládání embeddingů |
Klíčový rozdíl? V kódu musíte napsat 50–100 řádků, abyste tyto komponenty propojili. V n8n stačí na plátně propojit 4–6 uzlů a nakonfigurovat je prostřednictvím rozbalovacích nabídek.
Vytvoření pipeline pro otázky a odpovědi z dokumentů (RAG)
Pojďme vytvořit něco reálného. Toto workflow načte PDF dokumenty, uloží je do vektorové databáze a odpovídá na otázky týkající se jejich obsahu. Jde o klasický vzor RAG (Retrieval-Augmented Generation), což je nejužitečnější workflow LangChainu pro obchodní týmy.
Krok 1: Nastavení workflow pro ingestaci dat
Vytvořte nové workflow pro načítání dokumentů. Spustíte jej vždy, když budete mít nové dokumenty k přidání.
Uzly k přidání:
- Manual Trigger, Kliknutím spustíte ingestaci
- Uzel Google Drive (nebo HTTP Request, Read Binary File), Stáhne vaše zdrojové dokumenty
- Simple Vector Store, Nastavte operaci na Insert Documents
- Poduzel OpenAI Embeddings, Připojte jej k vektorovému úložišti, převádí text na vektory
- Poduzel Default Data Loader, Automaticky parsuje obsah dokumentů na části
- Poduzel Recursive Character Text Splitter, Rozdělí obsah na části o velikosti ~500 tokenů s překryvem 50 tokenů
Konfigurační detaily pro vektorové úložiště:
- Operace:
Insert Documents - Klíč paměti: Dejte mu popisný název, například
company-docs(takto na něj budete později odkazovat) - Data Loader se připojí jako poduzel a automaticky zpracuje parsing PDF/textu
Konfigurace pro Text Splitter:
- Velikost části (Chunk Size): 500 (tokenů)
- Překryv části (Chunk Overlap): 50 (zajišťuje, že se na hranicích neztratí kontext)
- Metoda dělení: Recursive Character (inteligentně zpracovává Markdown, HTML a prostý text)
Krok 2: Vytvoření workflow pro Q&A agenta
Nyní vytvořte druhé workflow, toto je to, se kterým budou uživatelé interagovat.
Uzly k přidání:
- Chat Trigger, Poskytuje chatové rozhraní pro dotazy
- AI Agent (typ Tools Agent), „Mozek“, který rozhoduje, co dělat
- Poduzel OpenAI Chat Model, Připojte GPT-4o nebo GPT-4o-mini
- Poduzel Simple Memory, Pamatuje si kontext konverzace
- Poduzel Vector Store Tool, Poskytuje agentovi přístup k vašim dokumentům
Konfigurace uzlu AI Agent:
- Typ agenta: Tools Agent (nejflexibilnější možnost, sám rozhoduje, kdy a jak použít nástroje)
- Systémový prompt:
Jsi užitečný asistent, který odpovídá na otázky na základě našich firemních dokumentů. Vždy uveď, ve kterém dokumentu jsi našel odpověď. Pokud informace v dokumentech nejsou, jasně to řekni.
Konfigurace nástroje Vector Store Tool:
- Název:
search_documents - Popis:
Prohledej firemní znalostní bázi pro relevantní informace. Použij tento nástroj, když se uživatel ptá na firemní politiky, postupy nebo dokumentaci. - Vektorové úložiště: Vyberte své Simple Vector Store
- Model embeddingů: Stejný model OpenAI Embeddings, který jste použili při ingestaci
- Top K: 4 (počet relevantních částí k získání)
Tento popis je důležitější, než byste čekali. Agent jej používá k rozhodnutí, kdy zavolat nástroj namísto odpovědi z vlastní znalostní báze. Buďte konkrétní.
Krok 3: Testování a doladění
Klikněte na Chat v dolním panelu a otevřete vestavěné chatové rozhraní n8n. Položte otázku týkající se vašich dokumentů. Sledujte trasu provádění; n8n vám přesně ukáže, které uzly se aktivovaly, jaké bylo uvažování agenta a které části dokumentů byly získány.
Běžné problémy v této fázi:
- Agent nepoužívá nástroj: Popis vašeho nástroje je příliš vágní. Upřesněte, jaké znalosti nástroj obsahuje.
- Získávají se irelevantní části: Zvyšte překryv částí nebo zmenšete jejich velikost. Zkuste 300 tokenů s překryvem 100.
- Pomalé odpovědi: Přepněte chatový model na GPT-4o-mini. Je 10x levnější a pro většinu úkolů Q&A dostatečně rychlý.
Vytvoření agenta volajícího nástroje
Výše uvedená pipeline Q&A je skvělá pro dokumenty. Ale co agent, který umí hledat na webu, provádět výpočty, dotazovat se databází A odpovídat z dokumentů? Právě zde Tools Agent opravdu vyniká.
Nastavení workflow
- Chat Trigger, Vstup od uživatele
- AI Agent (Tools Agent), Směruje požadavek ke správnému nástroji
- OpenAI Chat Model, GPT-4o pro složité uvažování
- Simple Memory, Historie konverzace
- Připojeno více nástrojů:
- SerpAPI Tool, Schopnost vyhledávání na webu
- Calculator Tool, Matematické operace
- Vector Store Tool, Vaše znalostní báze dokumentů
- Custom Code Tool, Jakákoli funkce JavaScript, kterou napíšete
- Workflow Tool, Spustí jiné workflow v n8n jako nástroj
Workflow Tool je tajnou zbraní n8n. Umožňuje zabalit jakékoli workflow v n8n jako nástroj, který může agent volat. Máte workflow, které kontroluje zásoby? Udělejte z něj nástroj. To, které posílá zprávy na Slack? Nástroj. To, které se dotazuje vašeho CRM? Nástroj. Právě tímto způsobem se více než 400 integračních uzlů n8n zpřístupní vašemu AI agentovi.
Systémový prompt pro multi-tool agenty
Váš systémový prompt musí agentovi sdělit, jaké má možnosti:
You are a research assistant with access to the following tools:
- search_documents: Search our internal knowledge base
- web_search: Search the internet for current information
- calculator: Perform mathematical calculations
- send_notification: Send a Slack message to the team
For factual questions about our company, always check search_documents first.
For current events or external data, use web_search.
Show your reasoning before giving a final answer.Tento vzor promptu přímo řídí, jak agent směruje požadavky mezi nástroji. Vágní prompty vedou k tomu, že agenti používají webové vyhledávání, když by měli nejprve zkontrolovat vaše dokumenty.
Výběr správného typu agenta
n8n nabízí šest typů agentů. Zde je návod, kdy vybrat který:
| Typ agenta | Nejlepší pro | Podporuje nástroje? | Poznámky |
|---|---|---|---|
| Tools Agent | Většina případů použití | Ano | Výchozí volba, flexibilní, spolehlivý |
| Conversational Agent | Jednoduché chatboty | Ano | Méně schopný, ale lehčí |
| ReAct Agent | Složité řetězce uvažování | Ano | Zobrazuje explicitní kroky uvažování |
| OpenAI Functions Agent | Funkce specifické pro OpenAI | Ano | Používá API pro volání funkcí OpenAI |
| Plan and Execute Agent | Vícekrokové úlohy | Ano | Nejprve plánuje, pak provádí, dobré pro složitá workflow |
| SQL Agent | Dotazy do databáze | Omezeně | Generuje a spouští SQL proti vaší databázi |
Pro většinu týmů je Tools Agent správným starting pointem. Dobře zvládá směrování mezi více nástroji, funguje s jakýmkoli poskytovatelem LLM a můžete jej kdykoli změnit. Pokud to porovnáváte s tvorbou agentů v kódu pomocí frameworků jako LangGraph nebo CrewAI, výhodou zde je nulová režie nasazení – váš agent běží přímo v infrastruktuře n8n.
Přidání trvalé paměti
Ve výchozím nastavení uchovává poduzel Simple Memory historii konverzace pouze v paměti; po restartu workflow zmizí. Pro produkční použití budete chtít trvalou paměť.
Vaše možnosti:
| Typ paměti | Trvalost | Náročnost nastavení | Nejlepší pro |
|---|---|---|---|
| Simple Memory | Pouze relace | Žádná | Testování, prototypování |
| Redis Chat Memory | Trvalá, rychlá | Střední (potřebujete Redis) | Produkční chatboty |
| Postgres Chat Memory | Trvalá, dotazovatelná | Střední (potřebujete Postgres) | Když chcete analyzovat konverzace |
| MongoDB Chat Memory | Trvalá, flexibilní | Střední (potřebujete MongoDB) | Úložiště orientované na dokumenty |
| Zep Memory | Trvalá + sumarizace | Střední (potřebujete Zep) | Dlouhé konverzace přesahující kontextová okna |
Zep stojí za zdůraznění, pokud budujete cokoli s dlouhou historií konverzací. Automaticky sumarizuje starší zprávy, takže váš agent nepřekročí limit kontextového okna ani v 50. kole konverzace.
Chcete-li přidat trvalou paměť, jednoduše vyměňte poduzel Simple Memory za Redis/Postgres/Zep. Zbytek vašeho workflow zůstane identický.
Připojení k různým poskytovatelům LLM
Každý kořenový uzel, který potřebuje LLM, přijímá poduzel Chat Model. Změna poskytovatele je záležitostí výměny jednoho uzlu:
| Poskytovatel | Název uzlu | Dostupné modely | Poznámky |
|---|---|---|---|
| OpenAI | OpenAI Chat Model | GPT-4o, GPT-4o-mini, o1, o3-mini | Nejvíce testováno s n8n |
| Anthropic | Anthropic Chat Model | Claude 3.5 Sonnet, Claude 3 Opus | Silné pro analýzu a dlouhý kontext |
| Google Gemini Chat Model | Gemini 1.5 Pro, Gemini Flash | Dobrá bezplatná verze | |
| Ollama | Ollama Chat Model | Llama 3, Mistral, Phi-3 | Plně lokální, žádné náklady na API |
| Groq | Groq Chat Model | Llama 3, Mixtral | Extrémně rychlá inference |
| AWS Bedrock | AWS Bedrock Chat Model | Claude, Titan, Llama | Firemní integrace AWS |
Pro lokální vývoj a testování je Ollama možností s nulovými náklady – spusťte modely na svém stroji a připojte n8n k localhost:11434. Pro produkci většina týmů používá OpenAI nebo Anthropic v závislosti na úkolu.
Recepty na workflow z reálného světa
Zde jsou tři vzory připravené pro produkci, které můžete vytvořit za méně než 30 minut:
Recept 1: Automatizovaná klasifikace support ticketů
Trigger: Přijde nový e-mail (uzel Gmail/Outlook) Řetězec: Basic LLM Chain s klasifikačním promptem Výstup: Směrování do různých kanálů Slacku podle kategorie
Prompt udělá těžkou práci: Klasifikuj tento supportový e-mail do právě jedné kategorie: billing, technical, feature_request nebo other. Odpověz pouze názvem kategorie.
Recept 2: Týdenní souhrn obsahu
Trigger: Plánovač (každé pondělí v 9:00) Agent: Tools Agent se SerpAPI + Custom Code Tool Paměť: Není potřeba (jednorázový úkol) Výstup: Sumarizovaná zpráva odeslaná na Slack/E-mail
Agent vyhledá industry novinky, sumarizuje top 5 článků a naformátuje souhrn. Custom Code Tool zpracovává jakoukoli logiku formátování, kterou je snazší napsat v JavaScriptu než v promptu.
Recept 3: Slack bot založený na dokumentech
Trigger: Zpráva na Slacku v konkrétním kanálu Agent: Tools Agent s Vector Store Tool Paměť: Redis Chat Memory (klíčováno podle ID vlákna Slacku) Výstup: Odpověď do vlákna na Slacku
Jedná se o dříve uvedenou pipeline Q&A, ale spuštěnou ze Slacku místo chatového UI. Klíč paměti založený na vláknech znamená, že každá konverzace na Slacku má svůj vlastní kontext.
Pro týmy zkoumající, jaké nástroje RAG použít spolu s n8n, je volba vektorového úložiště méně důležitá než strategie rozdělování na části. Začněte s Simple (In-Memory) Vector Store pro prototypování a poté přejděte na Pinecone nebo Qdrant pro produkci.
Běžné chyby a jak se jim vyhnout
Po vytvoření desítek AI workflow v n8n jsou toto pasti, do kterých lidé nejčastěji spadnou:
1. Přeskakování systémového promptu. Uzel AI Agent funguje i bez systémového promptu, ale špatně. Vždy definujte roli agenta, dostupné nástroje a preferované chování. Deset minut věnovaných promptu ušetří hodiny ladění podivných odpovědí.
2. Používání jednoho obrovského workflow. Rozdělte ingestaci a dotazování do samostatných workflow. Workflow pro ingestaci běží příležitostně (když dorazí nové dokumenty). Workflow pro dotazování běží neustále. Jejich míchání vytváří konflikty při provádění.
3. Volba špatné velikosti části. Výchozí rozdělování (1000 znaků) funguje pro obecný obsah. Pro technickou dokumentaci snižte na 300–500 tokenů. Pro právní dokumenty zvyšte na 800–1000 tokenů s vyšším překryvem. Neexistuje univerzální „správná“ velikost části, testujte se svými skutečnými dokumenty.
4. Ignorování logu provádění. n8n zobrazuje kompletní trasu provádění pro každé spuštění workflow. Když agent dá špatnou odpověď, zkontrolujte, který nástroj zavolal (nebo nezavolal), které části byly získány a jaké uvažování uvedl. Log vám přesně řekne, kde se stala chyba.
5. Placení za GPT-4o, když ho nepotřebujete. Pro klasifikaci, sumarizaci a jednoduché Q&A je GPT-4o-mini z 90 % stejně dobrý za 10 % ceny. Rezervujte si GPT-4o nebo Claude pro složité vícekrokové uvažování.
Jak Techsy přistupuje k AI automatizaci v n8n
Pro klienty jsme vybudovali AI workflow v n8n, od startupů s 3 lidmi až po enterprise týmy. Naše proces:
- Mapování toku rozhodování, Před otevřením n8n nakreslíme diagram každého rozhodovacího bodu a zdroje dat
- Prototypování se Simple Vector Store, Zprovozníme základní logiku s úložištěm v paměti
- Brzké testování s reálnými daty, Syntetická testovací data skrývají problémy s rozdělováním a vyhledáváním
- Přidání paměti a trvalosti, Až po ověření základní logiky Q&A nebo agenta
- Monitorování a iterace, Sledujeme, která volání nástrojů uspějí, které části se získají a kde se uživatelé frustrují
Pokud vytváříte AI agenty pro obchodní workflow a chcete pomoci s návrhem architektury, kontaktujte nás pro bezplatnou konzultaci.
Často kladené otázky
Musím znát LangChain, abych mohl používat AI uzly v n8n?
Ne. n8n abstrahuje LangChain do vizuálních uzlů s konfigurací prostřednictvím rozbalovacích nabídek. Pochopení konceptů LangChainu (agenti, řetězce, paměť, retrievery) vám pomůže lépe navrhovat, ale nikdy nemusíte psát kód LangChainu, pokud se nerozhodnete použít uzel LangChain Code.
Mohu v n8n používat lokální LLM místo OpenAI?
Ano. Připojte poduzel Ollama Chat Model k jakémukoli modelu běžícímu na vašem stroji (Llama 3, Mistral, Phi-3 atd.). Nasměřujte jej na http://localhost:11434 a máte plně soukromé AI workflow s nulovými náklady. Groq je další možností pro rychlou inferenci bez nutnosti spravovat vlastní hardware.
Jaký je rozdíl mezi řetězcem (Chain) a agentem v n8n?
Řetězec sleduje pevnou sekvenci: vstup jde krokem A, pak B, pak C. Agent dynamicky rozhoduje, které nástroje zavolat na základě vstupu. Používejte řetězce pro předvídatelné úkoly (sumarizace, klasifikace). Používejte agenty, když workflow potřebuje rozhodovat o dalším postupu.
Kolik dokumentů zvládne Simple Vector Store?
Simple (In-Memory) Vector Store funguje dobře pro prototypování s několika stovkami dokumentů. Pro produkci s tisíci dokumentů přepněte na Pinecone, Qdrant, Supabase nebo Chroma. Workflow zůstává stejné, pouze vyměníte uzel vektorového úložiště.
Mohu spouštět AI workflow v n8n z externích aplikací?
Ano. Použijte uzel Webhook Trigger a vystavte své AI workflow jako API endpoint. Jakákoli aplikace, která umí provádět HTTP požadavky, může posílat data vašemu agentovi a získat odpověď. Takto integrujete AI workflow z n8n do existujících produktů.
Je n8n pro AI workflow zdarma?
n8n Community Edition je plně open source a zdarma pro self-hosting. Všechny uzly LangChain jsou zahrnuty. Cloudové plány začínají na 24 USD/měsíc, pokud nechcete spravovat infrastrukturu. Náklady na LLM API (OpenAI, Anthropic atd.) jsou oddělené a účtované poskytovatelem.
Jak n8n zpracovává chyby ve workflow AI agentů?
n8n má vestavěné zpracování chyb na úrovni uzlů. Můžete nastavit logiku opakování, záložní cesty a workflow pro chyby. Pro problémy specifické pro AI (jako jsou timeouty LLM nebo limity rychlosti) přidejte opakování s exponenciálním backoffem na poduzel Chat Model. Log provádění přesně ukazuje, kde k selhání došlo.
Mohu používat AI workflow v n8n se svými vlastními API klíči?
Ano. Každý uzel LLM vyžaduje, abyste vytvořili pověření se svým vlastním API klíčem. n8n ukládá pověření šifrovaně. Pokud používáte self-hosting, klíče nikdy neopustí vaši infrastrukturu.
K čemu slouží uzel LangChain Code?
Uzel LangChain Code vám umožňuje psát vlastní JavaScript, který přímo používá moduly LangChain. Je to nouzový východ pro případy, kdy vizuální uzly n8n nepokrývají váš přesný use case – možná potřebujete vlastní retriever, specifickou šablonu promptu nebo modul LangChain, který n8n ještě nezabalil.
Jak mohu sdílet AI workflow v n8n se svým týmem?
Exportujte workflow jako JSON (Ctrl+Shift+E) a sdílejte soubor. Kdokoli jej může importovat do své instance n8n. Pro týmovou spolupráci zahrnuje n8n Cloud sdílené pracovní prostory s historií verzí. Soubory JSON workflow můžete také commitovat do Gitu pro správu verzí.