n8n AI agenti: Návod, jak krok za krokem vytvořit chytré workflow

n8n AI agenti: Návod, jak krok za krokem vytvořit chytré workflow

Mezi „chci AI agenta“ a „mám funkčního AI agenta“ obvykle leží stovky řádků lepícího kódu v Pythonu. AI agenti v n8n tuto propast překonávají díky vizuálnímu editoru workflow, kde přetahujete, vkládáte a propojujete agenty poháněné LLM, kteří skutečně vykonávají činnosti: prohledávají web, dotazují se databází, odesílají e-maily nebo aktualizují tabulky. Místo boilerplate kódu frameworku píšete pouze systémový prompt.

Tento návod vás provede vytvořením dvou skutečných agentních workflow od nuly: agenta pro výzkum na webu a chatbota zákaznické podpory s pamětí. Na konci budete rozumět každému typu uzlu, který potřebujete, a tomu, jak do sebe zapadají.

Co je n8n (a proč ho používat pro AI agenty)?

n8n je open-source platforma pro automatizaci workflow. Představte si ji jako Zapier, ale s možností vlastního hostování a filozofií „kódujte, jen když potřebujete“. Propojuje více než 500 služeb prostřednictvím vizuálního editoru založeného na uzlech.

To, co činí n8n zajímavým specificky pro AI agenty, je jeho nativní integrace s LangChain. Místo psaní kódu LangChain v Pythonu konfigurujete stejné koncepty (agenty, nástroje, paměť, modely) jako vizuální uzly. Uzel AI Agent zpracovává smyčku uvažování, vy pouze připojíte to, s čím má přemýšlet, a co může dělat.

Proč zvolit n8n místo čistého kódu?

• Vizuální ladění: přesně vidíte, kde se řetězec uvažování agenta zlomí
• Více než 500 integrací se stane okamžitými nástroji agenta (Slack, Gmail, Google Sheets, databáze)
• Bezplatné self-hostování (Community Edition) nebo využití n8n Cloud již od 20 USD měsíčně
• Podpora MCP umožňuje, aby se workflow v n8n stala nástroji pro externí AI agenty a naopak

Pokud hodnotíte různé agentní frameworky, jako jsou LangGraph, CrewAI nebo OpenAI Agents SDK, n8n spadá do jiné kategorie. Je určen pro lidi, kteří chtějí produkční agenty bez nutnosti spravovat běhové prostředí Pythonu.

Jak funguje uzel AI Agent v n8n

Každé workflow AI agenta v n8n má hierarchickou strukturu. Uzel Agent sits uprostřed a pod ním jsou připojeny dílčí uzly, které poskytují schopnosti.

Zde je anatomie:

Tools Agent je ten, který budete používat v 90 % případů. Je to nejflexibilnější typ agenta. Přijme váš prompt, uváží, které nástroje zavolat, provede je a opakuje proces, dokud nenajde odpověď. Pod kapotou běží smyčka ReAct (Reason + Act): přemýšlej, jednej, pozoruj, opakuj.

n8n také nabízí specializované agenty: SQL Agent pro dotazy do databází, Plan and Execute Agent, který rozkládá úkoly na dílčí kroky, a Conversational Agent pro jednodušší chatovací toky. Tools Agent však pokrývá většinu použití.

Co potřebujete před začátkem

Než začnete cokoli stavět, připravte si tyto tři věci:

1. Instance n8n: buď se zaregistrujte na n8n Cloud (Starter za 20 USD/měsíc), nebo si hosting spusťte sami pomocí Dockeru:

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

1. Klíč API pro LLM: OpenAI, Anthropic nebo Google Gemini. Můžete také použít Ollama pro bezplatné lokální modely, i když výkon volání nástrojů se může lišit.

2. Klíč API pro nástroj (volitelné): SerpAPI pro vyhledávání na webu (50 USD/měsíc) nebo Brave Search API (bezplatná verze). Agenty můžete budovat i bez vyhledávání, ale je to nejběžnější první nástroj.

Jakmile je n8n spuštěno, otevřete http://localhost:5678 (self-hosted) nebo svůj cloudový dashboard. Vytvořte nové workflow a jste připraveni.

Stavba Agent 1: Agent pro výzkum na webu

Tento agent vezme téma, prohledá web, přečte výsledky a napíše strukturované shrnutí. Je to „hello world“ AI agentů v n8n a skutečně užitečný nástroj pro research obsahu.

Krok 1: Přidejte Manual Trigger

Klikněte na tlačítko + a vyhledejte „Manual Trigger“. Přetáhněte jej na plátno. To vám umožní testovat workflow kliknutím na „Test Workflow“. Později jej vyměníte za webhook nebo chat trigger.

Krok 2: Přidejte uzel Edit Fields

Po triggeru přidejte uzel Edit Fields. Nastavte pole s názvem topic s textovou hodnotou, například "Latest developments in Model Context Protocol". Tím simulujete vstup od uživatele.

Krok 3: Přidejte uzel AI Agent

Vyhledejte „AI Agent“ a přidejte jej. Jako typ agenta vyberte Tools Agent.

Do pole System Message napište prompt, který definuje chování:

You are a research assistant. When given a topic:
1. Search the web for the latest information
2. Read at least 3 different sources
3. Write a structured summary with:
   - Key findings (bullet points)
   - Notable quotes or data points
   - Sources used

Be specific. Include dates, names, and numbers when available.
Do NOT make up information. If search results are unclear, say so.

V části Prompt nastavte hodnotu na výraz: {{ $json.topic }}, což načte téma z uzlu Edit Fields.

Krok 4: Připojte Chat Model

Klikněte na + pod uzlem Agent a přidejte dílčí uzel. Vyberte OpenAI Chat Model (nebo jakýkoli LLM, který používáte).

Nakonfigurujte jej:

• Model: gpt-4o (nebo gpt-4o-mini pro levnější běhy)
• Temperature: 0.3 (nižší = více faktické, méně kreativní)

Vložte svůj API klíč do sekce credentials.

Krok 5: Přidejte nástroj pro vyhledávání

Klikněte znovu na + a přidejte dílčí uzel nástroje. Zvolte SerpAPI (nebo HTTP Request Tool, pokud chcete cílit na vlastní search API).

Pro SerpAPI:

• Přidejte svůj API klíč jako credential
• Agent bude tento nástroj volat vždy, když se rozhodne, že potřebuje hledat

Jako bezplatnou alternativu použijte HTTP Request Tool nakonfigurovaný pro cílení na Brave Search API:

URL: https://api.search.brave.com/res/v1/web/search
Method: GET
Query Parameters: q={{ $fromAI("query", "search query") }}
Headers: X-Subscription-Token: YOUR_BRAVE_KEY

Výraz $fromAI() je tím kouzlem – říká agentovi: „ty rozhodni, jakou hodnotu sem předáš“.

Krok 6: Otestujte to

Klikněte na Test Workflow. Sledujte panel provádění vpravo. Uvidíte:

1. Agent obdrží téma
2. Rozhodne se hledat (volání nástroje)
3. SerpAPI vrátí výsledky
4. Agent uvažuje o výsledcích
5. Může hledat znovu pro větší detail
6. Vytvoří konečné shrnutí

Pokud agent cykluje bez dosažení结论, váš systémový prompt pravděpodobně potřebuje přesnější instrukce. Řekněte mu přesně, kdy má přestat hledat.

Stavba Agent 2: Chatbot zákaznické podpory s pamětí

Agent pro výzkum byl bezestavový – po každém běhu vše zapomněl. Chatbot zákaznické podpory si musí pamatovat konverzaci. Zde přichází na řadu paměť agenta.

Krok 1: Použijte Chat Trigger

Tentokrát začněte uzlem Chat Trigger místo Manual Trigger. Ten vám poskytne vestavěný chatovací widget n8n pro testování konverzací.

Krok 2: Nakonfigurujte agenta

Přidejte uzel Tools Agent. Systémový prompt:

You are a customer support agent for a SaaS project management tool called "TaskFlow."

Rules:
- Always greet the user by name if provided
- Check the knowledge base before answering questions
- If you cannot find an answer, say: "Let me connect you with a human agent"
- Never make up features or pricing that you don't find in the knowledge base
- Keep responses concise (2-3 sentences max unless the user asks for detail)

Available tools:
- Knowledge base search: use this for product questions
- Ticket creation: use this when the user reports a bug or requests a feature

Krok 3: Přidejte paměť

Klikněte na + u Agent a přidejte dílčí uzel. Vyberte Window Buffer Memory.

• Context Window Length: 10 (pamatuje si posledních 10 párů zpráv)
• Session ID: {{ $json.sessionId }} (z chat triggeru)

Toto je nejjednodušší možnost paměti, která uchovává nedávné zprávy v posuvném okně. Pro produkční boty, kteří potřebují trvalou paměť napříč relacemi, použijte místo toho Postgres Chat Memory nebo Redis Chat Memory. Naše příručka o nejlepších nástrojích paměti pro AI agenty pokrývá kompromisy mezi těmito přístupy.

Krok 4: Přidejte nástroje

Přidejte dva dílčí uzly nástrojů:

Nástroj 1 -- Znalostní báze (Vector Store QA): Pokud máte produktovou dokumentaci ve vektorové databázi (Pinecone, Qdrant, Supabase), použijte nástroj Vector Store Question Answer Tool. Jde v podstatě o RAG (Retrieval-Augmented Generation) v jediném uzlu.

Nástroj 2 -- Vytvoření ticketu (HTTP Request): Přidejte HTTP Request Tool nakonfigurovaný pro POST request na vaše ticketing API:

URL: https://api.yourapp.com/tickets
Method: POST
Body (JSON):
{
  "title": "{{ $fromAI('title', 'ticket title') }}",
  "description": "{{ $fromAI('description', 'issue description') }}",
  "priority": "{{ $fromAI('priority', 'low, medium, or high') }}"
}

Krok 5: Otestujte konverzaci

Klikněte na Test Workflow a otevřete chatovací panel. Zkuste vícekrokovou konverzaci:

• „Ahoj, jsem Alex. Jak exportuji své úkoly do CSV?“
• „Co export do PDF?“
• „Vlastně mi export do PDF nefunguje, můžeš založit bug report?“

Sledujte, jak agent pro první dvě otázky hledá ve znalostní bázi a pro třetí založí ticket. Uzel paměti zajistí, že si pamatuje Alexovo jméno a kontext problému s PDF.

Použití MCP pro rozšíření vašich agentů

n8n nyní podporuje Model Context Protocol (MCP) obousměrně, a zde se věci stávají opravdu silnými.

Spotřeba MCP serverů: Přidejte dílčí uzel MCP Client Tool ke svému agentovi. Nasměrujte jej na jakoukoli URL adresu MCP serveru a agent automaticky objeví a může vyvolat všechny nástroje, které tento server exposuje. Jeden uzel, desítky nástrojů.

Expozice workflow jako MCP nástrojů: Pomocí uzlu MCP Server Trigger proměníte jakékoli workflow v n8n na nástroj kompatibilní s MCP. Externí agenti běžící v Claude Desktop, Cursor nebo VS Code pak mohou objevit a volat vaše workflow v n8n. Jednou vytvořte workflow „odeslat notifikaci na Slack“ a každý agent kompatibilní s MCP ve vašem stacku ho může používat.

Tato obousměrná podpora MCP promění n8n v hub pro agenty: vaši agenti v n8n volají externí nástroje přes MCP a externí agenti volají vaše workflow v n8n přes MCP.

Praktické tipy pro lepší agenty v n8n

Po vytvoření desítek agentních workflow zde jsou věci, na kterých skutečně záleží:

Udržujte nízký počet nástrojů. Agenti jsou zmatení, pokud mají více než 5–7 nástrojů. Pokud potřebujete více, vytvořte „manažerského agenta“, který směruje úkoly ke specializovaným „pracovním agentům“. n8n podporuje workflow agent-to-agent.

Buďte preskriptivní v systémových promptech. Neříkejte jen „pomoz uživateli“. Specifikujte přesná pravidla, formáty výstupu a kdy použít každý nástroj. Čím specifičtější je váš prompt, tím méně neočekávaných volání nástrojů nastane.

Nastavte limity tokenů. V konfiguraci Chat Model nastavte maximální limit tokenů. Bez něj může zmatený agent spálit váš rozpočet na API během jediné smyčky.

Používejte uzly pro zpracování chyb. Přidejte workflow Error Trigger, které zachytí selhání a upozorní vás přes Slack nebo e-mail. Jinak agenti selhávají tiše.

Testujte nejprve hraniční případy. Zeptejte se agenta na něco, co by neměl vědět. Pokud halucinuje místo toho, aby řekl „nevím“, váš prompt potřebuje ochranné zábrany.

Během vývoje vše logujte. Povolte logování provádění (dostupné v plánu Pro nebo při self-hostingu), abyste mohli přehrát a ladit přesně tam, kde agent udělal chybu.

Kdy dávají agenti v n8n smysl (a kdy ne)

n8n je skvělá volba, pokud:

• Chcete produkční agenty bez správy Python infrastruktury
• Vaše workflow propojují více SaaS nástrojů (Slack, Gmail, Notion, databáze)
• Ve vašem týmu jsou nedevlopeři, kteří potřebují upravovat chování agentů
• Potřebujete vizuální ladění řetězců uvažování agentů

n8n je pravděpodobně špatná volba, pokud:

• Potřebujete jemnou kontrolu nad architekturami agentů (místo toho použijte LangGraph nebo CrewAI)
• Váš agent je čistě výpočetní (ML pipeline, zpracování dat) bez integrací
• Budujete multi-agentní výzkumný systém se složitou správou stavu

Pro podnikové případy automatizace, chatboty zákaznické podpory, agenty pro zpracování dat, výzkumné asistenty a kvalifikaci leadů představuje n8n ideální rovnováhu mezi výkonem a dostupností.

FAQ

Jaké LLM podporuje n8n pro AI agenty?

n8n podporuje OpenAI (GPT-4o, GPT-4, GPT-3.5), Anthropic Claude (rodina Claude 3.5 a 4), Google Gemini, Mistral, Cohere, modely HuggingFace a lokální modely přes Ollama. Modely vyměníte změnou jediného dílčího uzlu, bez nutnosti změn ve workflow.

Je n8n zdarma pro tvorbu AI agentů?

Self-hostovaná Community Edition je zcela zdarma bez omezení provádění. n8n Cloud začíná na 20 USD/měsíc (Starter) s 2 500 prováděními. Svému poskytovateli LLM (OpenAI, Anthropic atd.) budete stále platit zvlášť za volání API.

Jak se AI Agent v n8n porovnává s psaním agentů v Pythonu?

n8n vyměňuje přizpůsobitelnost za rychlost. Agent v Pythonu s LangChain vám dává plnou kontrolu nad každým krokem uvažování. n8n vám poskytne 80 % této kapacity za 20 % času, s vizuálním laděním a více než 500 vestavěnými integracemi. Zvolte Python pro výzkum nebo nové architektury; zvolte n8n pro podnikovou automatizaci.

Mohou agenti v n8n používat nástroje jako vyhledávání na webu a databáze?

Ano. Agenti v n8n mohou používat jakýkoli nástroj dostupný jako uzel: SerpAPI, Brave Search, HTTP Request (pro jakékoli API), SQL databáze, Google Sheets, Slack a stovky dalších. Přidáte je jako dílčí uzly pod uzel Agent.

Co je nástroj MCP Client Tool v n8n?

Nástroj MCP Client Tool připojí vašeho agenta v n8n k externím serverům MCP (Model Context Protocol). Váš agent automaticky objeví všechny nástroje, které server exposuje, a může je volat během uvažování. Je to jediný uzel, který může odemknout desítky externích nástrojů.

Jak přidám paměť AI agentovi v n8n?

Přidejte dílčí uzel paměti pod váš uzel Agent. Window Buffer Memory je nejjednodušší možnost (uchovává posledních N zpráv). Pro trvalou paměť napříč relacemi použijte Postgres Chat Memory, Redis Chat Memory nebo Zep Memory. Nastavte ID relace pro sledování jednotlivých konverzací.

Mohu v n8n propojit více agentů?

Ano. n8n podporuje workflow agent-to-agent, kde „manažerský“ agent deleguje úkoly specializovaným „pracovním“ agentům. Každého pracovníka postavíte jako samostatné sub-workflow a propojíte je pomocí nástroje Call n8n Workflow.

Jaký je rozdíl mezi Tools Agent a jinými typy agentů?

Tools Agent používá smyčku uvažování ReAct a funguje s jakýmkoli nástrojem. OpenAI Functions Agent využívá nativní API pro volání funkcí OpenAI (o něco rychlejší, ale pouze pro OpenAI). SQL Agent je specializovaný pro dotazy do databází. Plan and Execute Agent rozkládá složité úkoly na dílčí kroky. Pro většinu případů začněte s Tools Agent.

Jak nasadím agenta z n8n do produkce?

Pro self-hosting: použijte Docker Compose s PostgreSQL a Redis, povolte queue mode pro horizontální škálování a umístěte ho za reverzní proxy s SSL. Pro cloud: pouze aktivujte workflow, n8n se postará o infrastrukturu. V obou případech vyměňte Chat Trigger za Webhook trigger, aby mohly externí aplikace volat vašeho agenta.

Mohou agenti v n8n zpracovávat nahrávání souborů a obrázky?

n8n může zpracovávat soubory prostřednictvím své manipulace s binárními daty. Můžete vytvořit agenty, kteří přijímají nahrávání souborů přes webhook, extrahují text (například pomocí uzlu Code s parserem PDF) a uvažují nad obsahem. Natívní analýza obrazu závisí na tom, zda váš LLM podporuje multimodální vstup (například GPT-4o ano).

Zdroje

• Dokumentace uzlu n8n AI Agent
• Přehled platformy n8n AI Agents
• Ceníkové plány n8n
• Integrace n8n MCP Server