KI-Workflows mit n8n und LangChain aufbauen
n8n und LangChain lösen gemeinsam ein Problem, auf das die meisten Teams früher oder später stoßen: Sie wollen KI-Agents, die auf echte Daten zugreifen und echte Aktionen auslösen – aber LangChain in Python einzubinden bedeutet, einen ganzen Anwendungsstack zu warten. n8ns native LangChain-Nodes ermöglichen es, Agents, Chains, Memory und Vector Stores per Drag-and-Drop in visuelle Workflows einzubauen – und diese dann mit über 400 Integrationen zu verbinden, ohne SDK-Code schreiben zu müssen.
Was Sie erhalten: n8ns LangChain-Node-Bibliothek
n8n wird mit über 70 KI-Nodes ausgeliefert, die LangChain-Konzepte als visuelle Bausteine implementieren. Anstatt langchain in Python zu importieren und Module miteinander zu verknüpfen, verbinden Sie Nodes auf einer Arbeitsfläche. Hier ist die vollständige Übersicht:
| Node-Kategorie | Funktion | Wichtige Nodes |
|---|---|---|
| Root Nodes | KI-Kernlogik (das „Gehirn") | AI Agent, Basic LLM Chain, Q&A Chain, Summarization Chain |
| Chat Models | LLM-Verbindungen | OpenAI, Anthropic Claude, Google Gemini, Ollama, Groq, Mistral, DeepSeek |
| Memory | Konversationspersistenz | Simple Memory, Redis, Postgres, MongoDB, Zep |
| Vector Stores | Dokumentenspeicherung und -abruf | Pinecone, Qdrant, Supabase, Chroma, Weaviate, PGVector, In-Memory |
| Embeddings | Text-zu-Vektor-Konvertierung | OpenAI, Cohere, HuggingFace, Ollama, AWS Bedrock |
| Tools | Externe Fähigkeiten für Agents | Calculator, SerpAPI, Wikipedia, Custom Code, MCP Client, Workflow Tool |
| Output Parsers | Strukturierte Antwortformatierung | Auto-fixing, Structured, Item List |
| Text Splitters | Dokument-Chunking | Character, Recursive Character, Token |
Die Architektur nutzt sogenannte Cluster Nodes – ein Root-Node (wie der AI Agent) verbindet sich mit Sub-Nodes (Chat Model, Memory, Tools), die seine Fähigkeiten erweitern. Stellen Sie es sich als LangChains Modulsystem vor – nur visuell.
Wie n8n LangChain-Konzepte abbildet
Falls Sie LangChain bereits im Code verwendet haben, ist n8ns Mapping unkompliziert:
| LangChain-Konzept | n8n-Äquivalent | Wann verwenden |
|---|---|---|
ChatOpenAI() | OpenAI Chat Model Sub-Node | Bei jedem Workflow, der ein LLM benötigt |
ConversationBufferMemory() | Simple Memory / Redis Memory | Mehrstufige Konversationen |
RetrievalQA.from_chain_type() | Q&A Chain + Vector Store Retriever | Dokumenten-Frage-Antwort |
AgentExecutor mit Tools | AI Agent Node (Tools Agent-Typ) | Dynamische Tool-Auswahl |
RecursiveCharacterTextSplitter() | Recursive Character Text Splitter Sub-Node | Dokumente für RAG aufteilen |
FAISS.from_documents() | Simple Vector Store (Insert Documents) | Embeddings lokal speichern |
Der entscheidende Unterschied? Im Code schreiben Sie 50–100 Zeilen, um diese zusammenzuführen. In n8n verbinden Sie 4–6 Nodes auf einer Arbeitsfläche und konfigurieren sie über Dropdown-Menüs.
Eine Dokument-Q&A-Pipeline aufbauen (RAG)
Bauen wir etwas Konkretes. Dieser Workflow importiert PDF-Dokumente, speichert sie in einer Vektordatenbank und beantwortet Fragen zu deren Inhalt. Es ist ein klassisches RAG-Muster (Retrieval-Augmented Generation) – der nützlichste LangChain-Workflow für Business-Teams.
Schritt 1: Den Datenimport-Workflow einrichten
Erstellen Sie einen neuen Workflow zum Laden von Dokumenten. Diesen führen Sie einmalig aus, wenn neue Dokumente hinzukommen.
Hinzuzufügende Nodes:
- Manual Trigger — Klick zum Starten des Imports
- Google Drive Node (oder HTTP Request, Read Binary File) — Ruft Ihre Quelldokumente ab
- Simple Vector Store — Operation auf Insert Documents setzen
- OpenAI Embeddings Sub-Node — Verbindet sich mit dem Vector Store, konvertiert Text in Vektoren
- Default Data Loader Sub-Node — Parst den Dokumentinhalt in Chunks
- Recursive Character Text Splitter Sub-Node — Teilt Inhalte in ~500-Token-Chunks mit 50-Token-Überlappung
Konfigurationsdetails für den Vector Store:
- Operation:
Insert Documents - Memory Key: Vergeben Sie einen aussagekräftigen Namen wie
company-docs(so referenzieren Sie ihn später) - Der Data Loader verbindet sich als Sub-Node und verarbeitet PDF/Text-Parsing automatisch
Konfiguration für den Text Splitter:
- Chunk Size: 500 (Token)
- Chunk Overlap: 50 (stellt sicher, dass Kontext an Grenzen nicht verloren geht)
- Split-Methode: Recursive Character (verarbeitet Markdown, HTML und Plaintext intelligent)
Schritt 2: Den Q&A-Agent-Workflow aufbauen
Erstellen Sie jetzt einen zweiten Workflow – dieser ist der, mit dem Nutzer interagieren.
Hinzuzufügende Nodes:
- Chat Trigger — Stellt die Chat-Oberfläche für Fragen bereit
- AI Agent (Tools Agent-Typ) — Das Gehirn, das entscheidet, was zu tun ist
- OpenAI Chat Model Sub-Node — GPT-4o oder GPT-4o-mini verbinden
- Simple Memory Sub-Node — Merkt sich den Konversationskontext
- Vector Store Tool Sub-Node — Gibt dem Agent Zugriff auf Ihre Dokumente
Konfiguration für den AI Agent Node:
- Agent-Typ: Tools Agent (die flexibelste Option – er entscheidet, wann und wie Tools eingesetzt werden)
- System Prompt:
Sie sind ein hilfreicher Assistent, der Fragen auf Basis unserer Unternehmensdokumente beantwortet. Geben Sie stets an, in welchem Dokument Sie die Antwort gefunden haben. Wenn die Information nicht in den Dokumenten enthalten ist, sagen Sie das klar.
Konfiguration für das Vector Store Tool:
- Name:
search_documents - Beschreibung:
Durchsucht die Wissensbasis des Unternehmens nach relevanten Informationen. Dieses Tool verwenden, wenn der Nutzer nach Unternehmensrichtlinien, Verfahren oder Dokumentationen fragt. - Vector Store: Wählen Sie Ihren Simple Vector Store
- Embedding-Modell: Dasselbe OpenAI Embeddings-Modell, das Sie beim Import verwendet haben
- Top K: 4 (Anzahl der abzurufenden relevanten Chunks)
Diese Beschreibung ist wichtiger, als Sie denken. Der Agent nutzt sie, um zu entscheiden, wann das Tool aufgerufen wird und wann er aus seinem eigenen Wissen antwortet. Seien Sie konkret.
Schritt 3: Testen und verfeinern
Klicken Sie auf Chat im unteren Panel, um n8ns integrierte Chat-Oberfläche zu öffnen. Stellen Sie eine Frage zu Ihren Dokumenten. Beobachten Sie den Ausführungs-Trace – n8n zeigt Ihnen genau, welche Nodes ausgelöst wurden, was das Reasoning des Agents war und welche Dokument-Chunks abgerufen wurden.
Häufige Probleme in dieser Phase:
- Agent verwendet das Tool nicht: Ihre Tool-Beschreibung ist zu vage. Machen Sie sie spezifisch darüber, welches Wissen das Tool enthält.
- Ruft irrelevante Chunks ab: Chunk-Überlappung erhöhen oder Chunk-Größe verringern. Probieren Sie 300 Token mit 100er-Überlappung.
- Langsame Antworten: Für das Chat Model auf GPT-4o-mini wechseln. Es ist 10-mal günstiger und für die meisten Q&A-Aufgaben schnell genug.
Einen Tool-Calling-Agent aufbauen
Die obige Q&A-Pipeline ist hervorragend für Dokumente. Aber was ist mit einem Agent, der das Web durchsuchen, Berechnungen durchführen, Datenbanken abfragen UND aus Dokumenten antworten kann? Genau hier glänzt der Tools Agent.
Der Workflow-Aufbau
- Chat Trigger — Nutzereingabe
- AI Agent (Tools Agent) — Leitet an das richtige Tool weiter
- OpenAI Chat Model — GPT-4o für komplexes Reasoning
- Simple Memory — Konversationsverlauf
- Mehrere verbundene Tools:
- SerpAPI Tool — Web-Suchfunktion
- Calculator Tool — Mathematische Operationen
- Vector Store Tool — Ihre Dokumenten-Wissensbasis
- Custom Code Tool — Beliebige JavaScript-Funktion
- Workflow Tool — Löst einen anderen n8n-Workflow als Tool aus
Das Workflow Tool ist n8ns Geheimwaffe. Es ermöglicht, jeden n8n-Workflow als Tool zu verpacken, das der Agent aufrufen kann. Haben Sie einen Workflow, der den Lagerbestand prüft? Machen Sie ihn zum Tool. Einen, der Slack-Nachrichten sendet? Tool. Einen, der Ihr CRM abfragt? Tool. So werden n8ns über 400 Integrations-Nodes für Ihren KI-Agent verfügbar.
System Prompt für Multi-Tool-Agents
Ihr System Prompt muss dem Agent seine Fähigkeiten mitteilen:
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.Dieses Prompt-Muster steuert direkt, wie der Agent zwischen Tools wechselt. Vage Prompts führen dazu, dass Agents die Web-Suche verwenden, obwohl sie zuerst Ihre Dokumente prüfen sollten.
Den richtigen Agent-Typ wählen
n8n bietet sechs Agent-Typen. Hier ist, wann Sie welchen wählen:
| Agent-Typ | Geeignet für | Unterstützt Tools? | Hinweise |
|---|---|---|---|
| Tools Agent | Die meisten Anwendungsfälle | Ja | Standardwahl – flexibel und zuverlässig |
| Conversational Agent | Einfache Chatbots | Ja | Weniger leistungsfähig, aber leichtgewichtig |
| ReAct Agent | Komplexe Reasoning-Ketten | Ja | Zeigt explizite Reasoning-Schritte |
| OpenAI Functions Agent | OpenAI-spezifische Funktionen | Ja | Nutzt OpenAIs Function-Calling-API |
| Plan and Execute Agent | Mehrstufige Aufgaben | Ja | Plant zuerst, führt dann aus – gut für komplexe Workflows |
| SQL Agent | Datenbankabfragen | Begrenzt | Generiert und führt SQL gegen Ihre Datenbank aus |
Für die meisten Teams ist Tools Agent der richtige Ausgangspunkt. Er bewältigt Multi-Tool-Routing gut, funktioniert mit jedem LLM-Anbieter und Sie können jederzeit wechseln. Wenn Sie dies mit dem Aufbau von Agents im Code mit Frameworks wie LangGraph oder CrewAI vergleichen, liegt der Vorteil hier bei null Deployment-Aufwand – Ihr Agent läuft innerhalb von n8ns Infrastruktur.
Memory hinzufügen, das persistiert
Standardmäßig speichert der Simple Memory Sub-Node den Konversationsverlauf im Arbeitsspeicher – er verschwindet, wenn der Workflow neu startet. Für den Produktionseinsatz brauchen Sie persistentes Memory.
Ihre Optionen:
| Memory-Typ | Persistenz | Einrichtungsaufwand | Geeignet für |
|---|---|---|---|
| Simple Memory | Nur Session | Keiner | Tests, Prototyping |
| Redis Chat Memory | Persistent, schnell | Mittel (Redis erforderlich) | Produktions-Chatbots |
| Postgres Chat Memory | Persistent, abfragbar | Mittel (Postgres erforderlich) | Wenn Sie Konversationen analysieren wollen |
| MongoDB Chat Memory | Persistent, flexibel | Mittel (MongoDB erforderlich) | Dokumentenorientierte Speicherung |
| Zep Memory | Persistent + Zusammenfassung | Mittel (Zep erforderlich) | Lange Konversationen, die Kontextfenster übersteigen |
Zep ist besonders empfehlenswert, wenn Sie etwas mit langen Konversationsverläufen aufbauen. Es fasst ältere Nachrichten automatisch zusammen, damit Ihr Agent beim 50. Turn einer Konversation nicht das Kontextfenster überschreitet.
Um persistentes Memory hinzuzufügen, tauschen Sie einfach den Simple Memory Sub-Node gegen Redis/Postgres/Zep aus. Der Rest Ihres Workflows bleibt identisch.
Verbindung zu verschiedenen LLM-Anbietern
Jeder Root-Node, der ein LLM benötigt, akzeptiert einen Chat Model Sub-Node. Das Wechseln des Anbieters ist eine Ein-Node-Änderung:
| Anbieter | Node-Name | Verfügbare Modelle | Hinweise |
|---|---|---|---|
| OpenAI | OpenAI Chat Model | GPT-4o, GPT-4o-mini, o1, o3-mini | Am häufigsten mit n8n getestet |
| Anthropic | Anthropic Chat Model | Claude 3.5 Sonnet, Claude 3 Opus | Stärken bei Analyse und langem Kontext |
| Google Gemini Chat Model | Gemini 1.5 Pro, Gemini Flash | Gutes kostenloses Kontingent | |
| Ollama | Ollama Chat Model | Llama 3, Mistral, Phi-3 | Vollständig lokal, keine API-Kosten |
| Groq | Groq Chat Model | Llama 3, Mixtral | Extrem schnelle Inferenz |
| AWS Bedrock | AWS Bedrock Chat Model | Claude, Titan, Llama | Enterprise-AWS-Integration |
Für lokale Entwicklung und Tests ist Ollama die kostenlose Option – führen Sie Modelle auf Ihrem Rechner aus und verbinden Sie n8n mit localhost:11434. Im Produktionseinsatz verwenden die meisten Teams OpenAI oder Anthropic, je nach Aufgabe.
Praxisnahe Workflow-Rezepte
Hier sind drei produktionsreife Muster, die Sie in unter 30 Minuten aufbauen können:
Rezept 1: Automatische Support-Ticket-Klassifizierung
Trigger: Neue E-Mail eingetroffen (Gmail/Outlook Node) Chain: Basic LLM Chain mit einem Klassifizierungs-Prompt Ausgabe: Weiterleitung an verschiedene Slack-Kanäle nach Kategorie
Der Prompt erledigt die Hauptarbeit: Classify this support email into exactly one category: billing, technical, feature_request, or other. Respond with only the category name.
Rezept 2: Wöchentlicher Content-Digest
Trigger: Zeitplan (jeden Montag um 9 Uhr) Agent: Tools Agent mit SerpAPI + Custom Code Tool Memory: Nicht erforderlich (einmalige Aufgabe) Ausgabe: Zusammengefasster Bericht an Slack/E-Mail gesendet
Der Agent sucht nach Branchennews, fasst die Top-5-Artikel zusammen und erstellt einen Digest. Das Custom Code Tool übernimmt alle Formatierungslogik, die in JavaScript einfacher ist als in einem Prompt.
Rezept 3: Dokumentenbasierter Slack-Bot
Trigger: Slack-Nachricht in einem bestimmten Kanal Agent: Tools Agent mit Vector Store Tool Memory: Redis Chat Memory (nach Slack-Thread-ID verschlüsselt) Ausgabe: Antwort auf den Slack-Thread
Dies ist die Q&A-Pipeline von oben, aber durch Slack anstatt einer Chat-Oberfläche ausgelöst. Der thread-basierte Memory-Key gibt jeder Slack-Konversation ihren eigenen Kontext.
Für Teams, die erkunden, welche RAG-Tools neben n8n verwendet werden sollen, ist die Wahl des Vector Stores weniger wichtig als Ihre Chunking-Strategie. Beginnen Sie für das Prototyping mit dem Simple (In-Memory) Vector Store, wechseln Sie dann für die Produktion zu Pinecone oder Qdrant.
Häufige Fehler und wie man sie vermeidet
Nach dem Aufbau Dutzender n8n-KI-Workflows sind das die Fallstricke, über die Menschen stolpern:
1. Den System Prompt weglassen. Der AI Agent Node funktioniert ohne System Prompt, aber schlecht. Definieren Sie immer die Rolle des Agents, verfügbare Tools und das bevorzugte Verhalten. Zehn Minuten am Prompt ersparen Ihnen Stunden beim Debuggen seltsamer Antworten.
2. Einen riesigen Workflow verwenden. Trennen Sie Import und Abfrage in separate Workflows. Der Import-Workflow läuft gelegentlich (wenn neue Dokumente ankommen). Der Abfrage-Workflow läuft ständig. Sie zu mischen erzeugt Ausführungskonflikte.
3. Die falsche Chunk-Größe wählen. Standard-Chunking (1000 Zeichen) funktioniert für allgemeinen Content. Für technische Dokumente auf 300–500 Token reduzieren. Für rechtliche Dokumente auf 800–1000 Token mit höherer Überlappung erhöhen. Es gibt keine universell „richtige" Chunk-Größe – testen Sie mit Ihren eigentlichen Dokumenten.
4. Das Ausführungsprotokoll ignorieren. n8n zeigt den vollständigen Ausführungs-Trace für jeden Workflow-Lauf. Wenn ein Agent eine falsche Antwort gibt, prüfen Sie, welches Tool er aufgerufen hat (oder nicht), welche Chunks abgerufen wurden und welches Reasoning er zeigte. Das Protokoll zeigt genau, wo etwas schiefgelaufen ist.
5. Für GPT-4o bezahlen, wenn Sie es nicht brauchen. Für Klassifizierung, Zusammenfassung und einfaches Q&A ist GPT-4o-mini zu 90 % so gut bei 10 % der Kosten. Reservieren Sie GPT-4o oder Claude für komplexes mehrstufiges Reasoning.
Wie Techsy n8n-KI-Automatisierung angeht
Wir haben n8n-KI-Workflows für Kunden aufgebaut – von 3-köpfigen Startups bis hin zu Enterprise-Teams. Unser Vorgehen:
- Den Entscheidungsfluss kartieren — Bevor wir n8n öffnen, skizzieren wir jeden Entscheidungspunkt und jede Datenquelle
- Mit Simple Vector Store prototypisieren — Die Kernlogik mit In-Memory-Speicher zum Laufen bringen
- Früh mit echten Daten testen — Synthetische Testdaten verbergen Chunking- und Retrieval-Probleme
- Memory und Persistenz hinzufügen — Erst nachdem die Kern-Q&A- oder Agent-Logik validiert ist
- Überwachen und iterieren — Verfolgen, welche Tool-Aufrufe erfolgreich sind, welche Chunks abgerufen werden und wo Nutzer frustriert werden
Wenn Sie KI-Agents für Business-Workflows aufbauen und Hilfe bei der Architektur wünschen, kontaktieren Sie uns für eine kostenlose Beratung.
Häufig gestellte Fragen
Muss ich LangChain kennen, um n8ns KI-Nodes zu verwenden?
Nein. n8n abstrahiert LangChain in visuelle Nodes mit Dropdown-Konfigurationen. Das Verständnis von LangChain-Konzepten (Agents, Chains, Memory, Retriever) hilft Ihnen, bessere Designentscheidungen zu treffen, aber Sie schreiben niemals LangChain-Code, es sei denn, Sie entscheiden sich für den LangChain Code Node.
Kann ich lokale LLMs mit n8n statt OpenAI verwenden?
Ja. Verbinden Sie den Ollama Chat Model Sub-Node mit einem Modell, das auf Ihrem Rechner läuft (Llama 3, Mistral, Phi-3 usw.). Richten Sie es auf http://localhost:11434 und Sie haben einen vollständig privaten, kostenlosen KI-Workflow. Groq ist eine weitere Option für schnelle Inferenz ohne eigene Hardware.
Was ist der Unterschied zwischen einer Chain und einem Agent in n8n?
Eine Chain folgt einer festen Sequenz – die Eingabe durchläuft Schritt A, dann B, dann C. Ein Agent entscheidet dynamisch, welche Tools er basierend auf der Eingabe aufrufen soll. Verwenden Sie Chains für vorhersehbare Aufgaben (Zusammenfassung, Klassifizierung). Verwenden Sie Agents, wenn der Workflow Entscheidungen über den nächsten Schritt treffen muss.
Wie viele Dokumente kann der Simple Vector Store verarbeiten?
Der Simple (In-Memory) Vector Store funktioniert gut für das Prototyping mit einigen Hundert Dokumenten. Für die Produktion mit Tausenden von Dokumenten wechseln Sie zu Pinecone, Qdrant, Supabase oder Chroma. Der Workflow bleibt gleich – Sie tauschen nur den Vector Store Node aus.
Kann ich n8n-KI-Workflows von externen Apps aus auslösen?
Ja. Verwenden Sie den Webhook Trigger Node, um Ihren KI-Workflow als API-Endpunkt bereitzustellen. Jede App, die HTTP-Anfragen stellen kann, kann Daten an Ihren Agent senden und eine Antwort erhalten. So integrieren Sie n8n-KI-Workflows in bestehende Produkte.
Ist n8n für KI-Workflows kostenlos?
Die n8n Community Edition ist vollständig Open Source und kostenlos selbst zu hosten. Alle LangChain-Nodes sind enthalten. Die Cloud-Pläne beginnen bei 24 $/Monat, wenn Sie keine Infrastruktur verwalten möchten. Die LLM-API-Kosten (OpenAI, Anthropic usw.) sind separat und werden vom Anbieter abgerechnet.
Wie geht n8n mit Fehlern in KI-Agent-Workflows um?
n8n verfügt über integrierte Fehlerbehandlung auf Node-Ebene. Sie können Retry-Logik, Fallback-Pfade und Fehler-Workflows einrichten. Für KI-spezifische Probleme (wie LLM-Timeouts oder Rate Limits) fügen Sie einen Retry mit exponentiellem Backoff am Chat Model Sub-Node hinzu. Das Ausführungsprotokoll zeigt genau, wo Fehler auftreten.
Kann ich n8ns KI-Workflows mit meinen eigenen API-Schlüsseln verwenden?
Ja. Jeder LLM-Node erfordert, dass Sie eine Credential mit Ihrem eigenen API-Schlüssel erstellen. n8n speichert Credentials verschlüsselt. Bei Self-Hosting verlassen die Schlüssel Ihre Infrastruktur nie.
Wofür ist der LangChain Code Node?
Der LangChain Code Node ermöglicht es Ihnen, benutzerdefiniertes JavaScript zu schreiben, das LangChain-Module direkt verwendet. Es ist eine Notausstieg für Fälle, in denen n8ns visuelle Nodes Ihren genauen Anwendungsfall nicht abdecken – vielleicht brauchen Sie einen benutzerdefinierten Retriever, ein spezifisches Prompt-Template oder ein LangChain-Modul, das n8n noch nicht eingebunden hat.
Wie teile ich n8n-KI-Workflows mit meinem Team?
Exportieren Sie den Workflow als JSON (Strg+Umschalt+E) und teilen Sie die Datei. Jeder kann ihn in seine n8n-Instanz importieren. Für die Teamzusammenarbeit bietet n8n Cloud gemeinsame Arbeitsbereiche mit Versionsverlauf. Sie können Workflow-JSON-Dateien auch in Git einchecken für Versionskontrolle.