n8n AI-agenttien opas: Rakenna älykkäitä työnkulkuja vaiheittain

n8n AI-agenttien opas: Rakenna älykkäitä työnkulkuja vaiheittain

Kuilu lauseiden ”haluan tekoälyagentin” ja ”minulla on toimiva tekoälyagentti” välillä on yleensä satoja rivejä Python-liimakoodia. n8n AI-agentit kuromattavat tämän kuilun visuaalisella työnkulkueditorilla, jossa voit vetää, pudottaa ja yhdistellä LLM-pohjaisia agentteja, jotka todella tekevät asioita: hakevat tietoa verkosta, kyselyvät tietokantoja, lähettävät sähköposteja ja päivittävät taulukoita. Kirjoitat järjestelmäkehotteen frameworkin boilerplate-koodin sijaan.

Tämä opas käy läpi kahden aidon agenttityönkulun rakentamisen alusta alkaen: verkkotutkimusagentin ja muistilla varustetun asiakastukibotin. Lopussa ymmärrät kaikki tarvittavat solmutyypit ja sen, miten ne toimivat yhdessä.

Mikä on n8n (ja miksi käyttää sitä AI-agentteihin)?

n8n on avoimen lähdekoodin työnkulun automaatioalusta, ajattele Zapieria, mutta itse isännöitävänä ja filosofialla ”koodaa vain tarvittaessa”. Se yhdistää yli 500 palvelua solmupohjaisen visuaalisen editorin kautta.

Se, mikä tekee n8n:stä erityisen kiinnostavan AI-agenttien näkökulmasta, on sen natiivi LangChain-integraatio. Sen sijaan, että kirjoittaisit LangChain Python -koodia, määrität samat käsitteet (agentit, työkalut, muisti, mallit) visuaalisina solmuina. AI Agent -solmu hoitaa päättelysilmukan, sinä vain liität siihen sen, millä sen tulee ajatella ja mitä se voi tehdä.

Miksi valita n8n pelkän koodin sijaan?

• Visuaalinen virheenetsintä: näet tarkasti, missä kohtaa agentin päättelyketju katkeaa
• Yli 500 integraatiota muuttuvat välittömästi agentin työkaluiksi (Slack, Gmail, Google Sheets, tietokannat)
• Itse isännöinti ilmaiseksi (Community Edition) tai n8n Cloud alkaen 20 $/kk
• MCP-tuki mahdollistaa sen, että n8n-työnkulut voivat olla työkaluja ulkoisille AI-agenteille ja päinvastoin

Jos arvioit eri agenttiframeworkkeja kuten LangGraphia, CrewAI:ta tai OpenAI Agents SDK:ta, n8n sijoittuu eri kategoriaan: se on tarkoitettu niille, jotka haluavat tuotantovalmiita agentteja ilman Python-ajinympäristön ylläpitoa.

Miten n8n:n AI Agent -solmu toimii

Jokaisella n8n:n AI-agenttityönkululla on hierarkkinen rakenne. Agenttisolmu on keskellä, ja sen alapuolelle kytketyt alisolmut tarjoavat ominaisuuksia.

Tässä on anatomia:

Käytät Tools Agent -tyyppiä 90 % ajasta. Se on joustavin agenttityyppi: se ottaa kehotteesi, päättelee, mitä työkaluja kutsua, suorittaa ne ja toistaa silmukkaa, kunnes sillä on vastaus. Kulissien takana se suorittaa ReAct (Reason + Act) -silmukkaa: ajattele, toimi, havainnoi, toista.

n8n tarjoaa myös erikoistuneita agentteja: SQL Agent tietokantakyselyihin, Plan and Execute Agent, joka pilkkoo tehtävät osavaiheisiin, ja Conversational Agent yksinkertaisempiin chattivuorovaikutuksiin. Mutta Tools Agent kattaa useimmat käyttötapaukset.

Mitä tarvitset ennen aloittamista

Ennen kuin rakennat mitään, hoida nämä kolme asiaa kuntoon:

1. n8n-instanssi: joko rekisteröidy n8n Cloudiin (Starter 20 $/kk) tai isännöi itse Dockerilla:

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

1. LLM API -avain: OpenAI, Anthropic tai Google Gemini. Voit käyttää myös Ollamaa ilmaisia paikallisia malleja varten, vaikka työkalujen kutsumisen suorituskyky voi vaihdella.

2. Työkalun API-avain (valinnainen): SerpAPI verkkohakuun (50 $/kk) tai Brave Search API (ilmainen taso). Voit rakentaa agentteja ilman hakua, mutta se on yleisin ensimmäinen työkalu.

Kun n8n on käynnissä, avaa http://localhost:5678 (itse isännöity) tai cloud-kojelautasi. Luo uusi työnkulku, ja olet valmis.

Rakenna agentti 1: Verkkotutkimusagentti

Tämä agentti ottaa aiheen, hakee tietoa verkosta, lukee tulokset ja kirjoittaa jäsennellyn yhteenvedon. Se on n8n AI-agenttien ”hello world” ja aidosti hyödyllinen sisällöntutkimuksessa.

Vaihe 1: Lisää manuaalinen liipaisin

Napsauta +-painiketta ja etsi ”Manual Trigger”. Pudota se kankaalle. Tämä mahdollistaa työnkulun testaamisen napsauttamalla ”Test Workflow”, myöhemmin voit vaihtaa sen webhookiksi tai chat-liipaisimeksi.

Vaihe 2: Lisää Edit Fields -solmu

Lisää Edit Fields -solmu liipaisimen jälkeen. Aseta kenttä nimeltä topic merkkijonoarvolla, kuten "Latest developments in Model Context Protocol". Tämä simuloi käyttäjän syötettä.

Vaihe 3: Lisää AI Agent -solmu

Etsi ”AI Agent” ja lisää se. Valitse agenttityypiksi Tools Agent.

Kirjoita System Message -kenttään kehote, joka määrittelee toiminnan:

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.

Aseta Prompt-kentäksi lauseke: {{ $json.topic }}, tämä hakee aiheen Edit Fields -solmusta.

Vaihe 4: Yhdistä chat-malli

Napsauta Agent-solmun alla olevaa +-merkkiä lisätäksesi alisolmun. Valitse OpenAI Chat Model (tai mikä tahansa käyttämäsi LLM).

Määritä se:

• Model: gpt-4o (tai gpt-4o-mini edullisempaa ajoa varten)
• Temperature: 0.3 (matalampi = faktuaalisempi, vähemmän luova)

Liitä API-avaimesi tunnistetietojen osioon.

Vaihe 5: Lisää hakutyökalu

Napsauta uudelleen + lisätäksesi työkalualisolmun. Valitse SerpAPI (tai HTTP Request Tool, jos haluat osua mukautettuun haku-APIin).

SerpAPI:a varten:

• Lisää API-avaimesi tunnistetiedoiksi
• Agentti kutsuu tätä työkalua aina, kun se päättää tarvitsevansa hakea tietoa

Ilmaista vaihtoehtoa varten käytä HTTP Request Tool -työkalua, joka on määritetty osumaan Brave Search APIin:

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

Lauseke $fromAI() on taika: se kertoo agentille ”päätä itse, mikä arvo tähän syötetään”.

Vaihe 6: Testaa se

Napsauta Test Workflow. Tarkkaile oikealla olevaa suorituspaneelia. Näet:

1. Agentti vastaanottaa aiheen
2. Se päättää hakea tietoa (työkalukutsu)
3. SerpAPI palauttaa tulokset
4. Agentti pääittelee tuloksista
5. Se saattaa hakea uudelleen saadakseen lisätietoja
6. Se tuottaa lopullisen yhteenvedon

Jos agentti jää silmukkaan ilman konvergenssia, järjestelmäkehoteesi tarvitaan todennäköisesti terävämpiä ohjeita. Kerro sille tarkasti, milloin haun tulee lopettaa.

Rakenna agentti 2: Asiakastukibotti muistilla

Tutkimusagentti oli tilaton: se unohti kaiken jokaisen ajon jälkeen. Asiakastukibotin täytyy muistaa keskustelu. Tässä kohtaa agentin muisti astuu kuvaan.

Vaihe 1: Käytä Chat Trigger -liipaisinta

Tällä kertaa aloita Chat Trigger -solmulla Manual Triggerin sijaan. Tämä antaa sinulle n8n:n sisäänrakennetun chattividgetin keskustelujen testaamiseen.

Vaihe 2: Määritä agentti

Lisää Tools Agent -solmu. Järjestelmäkehote:

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

Vaihe 3: Lisää muisti

Napsauta Agentin +-merkkiä lisätäksesi alisolmun ja valitse Window Buffer Memory.

• Context Window Length: 10 (muistaa viimeiset 10 viestiparia)
• Session ID: {{ $json.sessionId }} (chat-liipaisimesta)

Tämä on yksinkertaisin muistivaihtoehto: se pitää tuoreet viestit liukuvassa ikkunassa. Tuotantoboteille, jotka tarvitsevat pysyvää muistia istuntojen välillä, käytä sen sijaan Postgres Chat Memory - tai Redis Chat Memory -solmuja. Oppaamme parhaista AI-agenttien muistityökaluista käsittelee näiden lähestymistapojen kompromisseja.

Vaihe 4: Lisää työkalut

Lisää kaksi työkalualisolmua:

Työkalu 1 – Tietokanta (Vector Store QA): Jos sinulla on tuotedokumentteja vektoritietokannassa (Pinecone, Qdrant, Supabase), käytä Vector Store Question Answer Tool -työkalua. Tämä on pohjimmiltaan RAG (Retrieval-Augmented Generation) yhdessä solmussa.

Työkalu 2 – Lipun luominen (HTTP Request): Lisää HTTP Request Tool, joka on määritetty POST-pyyntöön tukilippujärjestelmäsi APIin:

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') }}"
}

Vaihe 5: Testaa keskustelua

Napsauta Test Workflow ja avaa chattipaneeli. Kokeile monivaiheista keskustelua:

• ”Hei, olen Alex. Miten vien tehtäväni CSV-tiedostoon?”
• ”Entä PDF-vienti?”
• ”Itse asiassa PDF-vienti ei toimi minulla, voitteko ilmoittaa bugista?”

Katso, kuinka agentti etsii tietokannasta vastauksia kahteen ensimmäiseen kysymykseen ja luo lipun kolmanteen. Muistisolmu varmistaa, että se muistaa Alexin nimen ja PDF-ongelman kontekstin.

MCP:n käyttäminen agenttiesi laajentamiseen

n8n tukee nyt Model Context Protocolia (MCP) molempiin suuntiin, ja tässä kohdassa asiat muuttuvat todella tehokkaiksi.

MCP-palvelimien kuluttaminen: Lisää agenttiisi MCP Client Tool -alisolmu. Ohjaa se mihin tahansa MCP-palvelimen URL-osoitteeseen, ja agentti löytää automaattisesti ja voi kutsua kaikkia kyseisen palvelimen tarjoamia työkaluja. Yksi solmu, kymmeniä työkaluja.

Työnkulujen eksponointi MCP-työkaluina: Käytä MCP Server Trigger -solmua muuttaaksesi minkä tahansa n8n-työnkulun MCP-yhteensopivaksi työkaluksi. Ulkoiset agentit, jotka ajavat Claude Desktopissa, Cursorissa tai VS Codessa, voivat sitten löytää ja kutsua n8n-työnkulujasi. Rakenna ”lähetä Slack-ilmoitus” -työnkulku kerran, ja jokainen pinossasi oleva MCP-yhteensopiva agentti voi käyttää sitä.

Tämä kaksisuuntainen MCP-tuki muuttaa n8n:n agenttikeskukseksi: n8n-agenttisi kutsuvat ulkoisia työkaluja MCP:n kautta, ja ulkoiset agentit kutsuvat n8n-työnkulujasi MCP:n kautta.

Käytännön vinkkejä parempiin n8n-agentteihin

Rakennettuani kymmeniä agenttityönkulkuja, tässä ovat asiat, jotka todella merkitsevät:

Pidä työkalujen määrä alhaisena. Agentit hämmentyvät, jos työkaluja on enemmän kuin 5–7. Jos tarvitset enemmän, luo ”manager-agentti”, joka reitittää tehtävät erikoistuneille ”worker-agenteille”; n8n tukee agentti-agentti-työnkulkuja.

Ole määräävä järjestelmäkehotteissa. Älä vain sano ”auta käyttäjää”. Määrittele tarkat säännöt, tulostemuodot ja se, milloin kutakin työkalua tulee käyttää. Mitä spesifimpi kehote, sitä vähemmän yllättäviä työkalukutsuja.

Aseta token-rajoitukset. Chat-mallin asetuksissa aseta maksimi token-raja. Ilman sitä hämmentynyt agentti voi polttaa API-budjettisi yhdessä silmukassa.

Käytä virheenkäsittelysolmuja. Lisää Error Trigger -työnkulku, joka sieppaa epäonnistumiset ja ilmoittaa niistä sinulle Slackin tai sähköpostin kautta. Muuten agentit epäonnistuvat hiljaa.

Testaa ensin reunatapauksilla. Kysy agentiltasi jotain, mitä sen ei pitäisi tietää. Jos se hallusinoi ”en tiedä” -vastauksen sijaan, kehotteesi tarvitsee suojakaiteita.

Logita kaikki kehitysvaiheessa. Ota käyttöön suorituslokitys (saatavilla Pro-planissa tai itse isännöitynä), jotta voit toistaa ja debugata tarkasti, missä kohtaa agentti meni väärin.

Milloin n8n-agentit ovat järkeviä (ja milloin eivät)

n8n on erinomainen valinta, jos:

• Haluat tuotantovalmiita agentteja ilman Python-infran ylläpitoa
• Työnkulusi yhdistävät useita SaaS-työkaluja (Slack, Gmail, Notion, tietokannat)
• Tiimiisi kuuluu ei-kehittäjiä, jotka tarvitsevat muokata agentin toimintaa
• Tarvitset visuaalista virheenetsintää agentin päättelyketjuille

n8n on todennäköisesti väärä valinta, jos:

• Tarvitset hienojakoista kontrollia agenttiarkkitehtuureihin (käytä sen sijaan LangGraphia tai CrewAI:ta)
• Agenttisi on puhtaasti laskennallinen (ML-putki, datankäsittely) ilman integraatioita
• Rakennat monimutkaista tilanhallintaa vaativaa multi-agent-tutkimusjärjestelmää

Liiketoiminnan automaatiokäyttötapauksissa, kuten asiakastukiboteissa, datankäsittelyagenteissa, tutkimusavustajissa ja liidien kvalifioinnissa, n8n osuu makeaan pisteeseen tehon ja saavutettavuuden välillä.

UKK

Mitä LLM-malleja n8n tukee AI-agenteille?

n8n tukee OpenAI:ta (GPT-4o, GPT-4, GPT-3.5), Anthropic Claudea (Claude 3.5 ja 4 -perheet), Google Geminiä, Mistralia, Coherea, HuggingFace-malleja ja paikallisia malleja Ollaman kautta. Vaihdat malleja vaihtamalla yhden alisolmun, työnkulkuun ei tarvita muutoksia.

Onko n8n ilmainen AI-agenttien rakentamiseen?

Itse isännöity Community Edition on täysin ilmainen ilman suoritusrajoituksia. n8n Cloud alkaa 20 $/kk (Starter) 2 500 suorituksesta. Maksat edelleen LLM-palveluntarjoajallesi (OpenAI, Anthropic jne.) erikseen API-kutsuista.

Miten n8n:n AI Agent vertautuu agenttien kirjoittamiseen Pythonilla?

n8n vaihtaa mukautettavuuden nopeuteen. Python-agentti LangChainilla antaa täyden kontrollin jokaiseen päättelyvaiheeseen. n8n antaa 80 % siitä kyvykkyydestä 20 % ajasta, visuaalisella virheenetsinnällä ja yli 500 sisäänrakennetulla integraatiolla. Valitse Python tutkimukseen tai uusiin arkkitehtuureihin; valitse n8n liiketoiminnan automaatioon.

Voivatko n8n-agentit käyttää työkaluja kuten verkkohakua ja tietokantoja?

Kyllä. n8n-agentit voivat käyttää mitä tahansa solmuna saatavilla olevaa työkalua: SerpAPI, Brave Search, HTTP Request (mihin tahansa APIin), SQL-tietokannat, Google Sheets, Slack ja satoja muita. Lisäät ne alisolmuina Agent-solmun alle.

Mikä on MCP Client Tool n8n:ssä?

MCP Client Tool yhdistää n8n-agenttisi ulkoisiin MCP (Model Context Protocol) -palvelimiin. Agenttisi löytää automaattisesti kaikki palvelimen tarjoamat työkalut ja voi kutsua niitä päättelyn aikana. Se on yksi solmu, joka voi avata kymmeniä ulkoisia työkaluja.

Miten lisään muistin n8n AI -agenttiin?

Lisää muistialisolmu Agent-solmun alle. Window Buffer Memory on yksinkertaisin vaihtoehto (pitää viimeiset N viestiä). Pysyvää muistia istuntojen välillä varten käytä Postgres Chat Memory -, Redis Chat Memory - tai Zep Memory -solmuja. Aseta istuntotunniste (session ID) yksittäisten keskustelujen seuraamiseksi.

Voinko yhdistää useita agentteja n8n:ssä?

Kyllä. n8n tukee agentti-agentti-työnkulkuja, joissa ”manager”-agentti delegoi tehtäviä erikoistuneille ”worker”-agenteille. Rakennat jokaisen workerin erillisenä alityönkuluna ja yhdistät ne Call n8n Workflow -työkalun kautta.

Mikä on ero Tools Agentin ja muiden agenttityyppien välillä?

Tools Agent käyttää ReAct-päättelysilmukkaa ja toimii minkä tahansa työkalun kanssa. OpenAI Functions Agent käyttää OpenAI:n natiivia function-calling-APIa (hieman nopeampi, mutta vain OpenAI). SQL Agent on erikoistunut tietokantakyselyihin. Plan and Execute Agent pilkkoo monimutkaiset tehtävät osavaiheisiin. Useimmissa käyttötapauksissa aloita Tools Agentilla.

Miten otan n8n-agentin käyttöön tuotannossa?

Itse isännöitynä: käytä Docker Composea PostgreSQL:n ja Redisin kanssa, ota queue mode käyttöön vaakasuuntaista skaalausta varten ja laita se reverse proxyn taakse SSL:n kanssa. Cloudissa: aktivoi vain työnkulku, n8n hoitaa infrastruktuurin. Molemmissa tapauksissa vaihda Chat Trigger Webhook-triggeriksi, jotta ulkoiset sovellukset voivat kutsua agenttiasi.

Voivatko n8n-agentit käsitellä tiedostolatauksia ja kuvia?

n8n voi käsitellä tiedostoja binääridatan käsittelynsä kautta. Voit rakentaa agentteja, jotka vastaanottavat tiedostolatauksia webhookin kautta, poimivat tekstiä (esim. Code-solmulla ja PDF-parserilla) ja pääottelevat sisällöstä. Natiivi vision/kuvan analyysi riippuu LLM:stäsi, joka tukee multimodaalista syötettä (esim. GPT-4o tukee).

Lähteet

• n8n AI Agent Node Documentation
• n8n AI Agents Platform Overview
• n8n Pricing Plans
• n8n MCP Server Integration