Cara Membangun Alur Kerja AI dengan n8n dan LangChain
n8n dan LangChain bersama-sama memecahkan masalah yang akhirnya dihadapi sebagian besar tim: Anda menginginkan agen AI yang terhubung ke data nyata dan memicu tindakan nyata, tetapi mengintegrasikan LangChain dalam Python berarti harus memelihara seluruh tumpukan aplikasi. Node LangChain bawaan n8n memungkinkan Anda menarik dan melepas agen, rantai, memori, dan penyimpanan vektor ke dalam alur kerja visual, lalu menghubungkannya ke 400+ integrasi tanpa menulis kode SDK.
Apa yang Anda Dapatkan: Pustaka Node LangChain n8n
n8n dilengkapi dengan lebih dari 70 node AI yang mengimplementasikan konsep LangChain sebagai blok bangunan visual. Alih-alih mengimpor langchain di Python dan menyatukan modul-modulnya, Anda cukup menghubungkan node-node di kanvas. Berikut adalah rincian lengkapnya:
| Kategori Node | Fungsi | Node Utama |
|---|---|---|
| Node Root | Logika AI inti ("otak") | AI Agent, Basic LLM Chain, Q&A Chain, Summarization Chain |
| Model Chat | Koneksi LLM | OpenAI, Anthropic Claude, Google Gemini, Ollama, Groq, Mistral, DeepSeek |
| Memori | Persistensi percakapan | Simple Memory, Redis, Postgres, MongoDB, Zep |
| Penyimpanan Vektor | Penyimpanan + pengambilan dokumen | Pinecone, Qdrant, Supabase, Chroma, Weaviate, PGVector, In-Memory |
| Embeddings | Konversi teks ke vektor | OpenAI, Cohere, HuggingFace, Ollama, AWS Bedrock |
| Alat (Tools) | Kapabilitas eksternal untuk agen | Calculator, SerpAPI, Wikipedia, Custom Code, MCP Client, Workflow Tool |
| Pengurai Output | Pemformatan respons terstruktur | Auto-fixing, Structured, Item List |
| Pemisah Teks | Pemecahan dokumen menjadi bagian-bagian | Character, Recursive Character, Token |
Arsitektur ini menggunakan apa yang disebut n8n sebagai node kluster, di mana node root (seperti AI Agent) terhubung ke sub-node (model chat, memori, alat) yang memperluas kemampuannya. Anggap saja ini sebagai sistem modul LangChain, tetapi dalam bentuk visual.
Bagaimana n8n Memetakan Konsep LangChain
Jika Anda pernah menggunakan LangChain dalam kode, pemetaan n8n sangat mudah dipahami:
| Konsep LangChain | Ekuivalen n8n | Kapan Digunakan |
|---|---|---|
ChatOpenAI() | Sub-node Model Chat OpenAI | Setiap alur kerja yang membutuhkan LLM |
ConversationBufferMemory() | Simple Memory / Redis Memory | Percakapan multi-giliran |
RetrievalQA.from_chain_type() | Q&A Chain + Vector Store Retriever | Tanya jawab dokumen |
AgentExecutor dengan alat | Node AI Agent (tipe Tools Agent) | Pemilihan alat dinamis |
RecursiveCharacterTextSplitter() | Sub-node Recursive Character Text Splitter | Memecah dokumen untuk RAG |
FAISS.from_documents() | Simple Vector Store (Insert Documents) | Menyimpan embeddings secara lokal |
Perbedaan kritisnya? Dalam kode, Anda menulis 50-100 baris untuk menyatukan semuanya. Di n8n, Anda cukup menghubungkan 4-6 node di kanvas dan mengonfigurasinya melalui menu dropdown.
Membangun Pipeline Tanya Jawab Dokumen (RAG)
Mari kita buat sesuatu yang nyata. Alur kerja ini mengimpor dokumen PDF, menyimpannya dalam basis data vektor, dan menjawab pertanyaan tentang isinya. Ini adalah pola klasik RAG (Retrieval-Augmented Generation), yang merupakan alur kerja LangChain paling berguna bagi tim bisnis.
Langkah 1: Siapkan Alur Kerja Impor Data
Buat alur kerja baru untuk memuat dokumen. Anda akan menjalankannya sekali setiap kali ada dokumen baru yang ingin ditambahkan.
Node yang perlu ditambahkan:
- Manual Trigger, Klik untuk menjalankan impor
- Node Google Drive (atau HTTP Request, Read Binary File), Mengambil dokumen sumber Anda
- Simple Vector Store, Atur operasi ke Insert Documents
- Sub-node OpenAI Embeddings, Terhubung ke Vector Store, mengonversi teks menjadi vektor
- Sub-node Default Data Loader, Mengurai konten dokumen menjadi bagian-bagian
- Sub-node Recursive Character Text Splitter, Memecah konten menjadi bagian-bagian ~500 token dengan tumpang tindih 50 token
Detail konfigurasi untuk Vector Store:
- Operasi:
Insert Documents - Memory Key: Beri nama deskriptif seperti
company-docs(ini adalah cara Anda mereferensikannya nanti) - Data Loader terhubung sebagai sub-node dan menangani penguraian PDF/teks secara otomatis
Konfigurasi untuk Text Splitter:
- Chunk Size: 500 (token)
- Chunk Overlap: 50 (memastikan konteks tidak hilang di batas antar bagian)
- Metode pemecahan: Recursive Character (menangani Markdown, HTML, dan teks biasa dengan cerdas)
Langkah 2: Bangun Alur Kerja Agen Tanya Jawab
Sekarang buat alur kerja kedua, ini adalah alur kerja yang berinteraksi dengan pengguna.
Node yang perlu ditambahkan:
- Chat Trigger, Menyediakan antarmuka chat untuk pertanyaan
- AI Agent (tipe Tools Agent), Otak yang memutuskan apa yang harus dilakukan
- Sub-node OpenAI Chat Model, Hubungkan GPT-4o atau GPT-4o-mini
- Sub-node Simple Memory, Mengingat konteks percakapan
- Sub-node Vector Store Tool, Memberikan akses agen ke dokumen Anda
Konfigurasi untuk node AI Agent:
- Tipe Agen: Tools Agent (opsi paling fleksibel, ia memutuskan kapan dan bagaimana menggunakan alat)
- System Prompt:
Anda adalah asisten membantu yang menjawab pertanyaan berdasarkan dokumen perusahaan kami. Selalu sebutkan dokumen tempat Anda menemukan jawaban. Jika informasi tidak ada dalam dokumen, katakan dengan jelas.
Konfigurasi untuk Vector Store Tool:
- Nama:
search_documents - Deskripsi:
Cari basis pengetahuan perusahaan untuk informasi yang relevan. Gunakan alat ini ketika pengguna bertanya tentang kebijakan, prosedur, atau dokumentasi perusahaan. - Vector Store: Pilih Simple Vector Store Anda
- Model embedding: Model OpenAI Embeddings yang sama dengan yang digunakan saat impor
- Top K: 4 (jumlah bagian relevan yang diambil)
Deskripsi tersebut lebih penting daripada yang Anda kira. Agen menggunakannya untuk memutuskan kapan memanggil alat versus menjawab dari pengetahuannya sendiri. Jadilah spesifik.
Langkah 3: Uji dan Sempurnakan
Klik Chat di panel bawah untuk membuka antarmuka chat bawaan n8n. Ajukan pertanyaan tentang dokumen Anda. Perhatikan jejak eksekusi, n8n menunjukkan kepada Anda secara tepat node mana yang aktif, apa penalaran agen, dan bagian dokumen mana yang diambil.
Masalah umum pada tahap ini:
- Agen tidak menggunakan alat: Deskripsi alat Anda terlalu samar. Buatlah spesifik mengenai pengetahuan apa yang dimiliki alat tersebut.
- Mengambil bagian yang tidak relevan: Tingkatkan tumpang tindih bagian atau kurangi ukuran bagian. Coba 300 token dengan tumpang tindih 100.
- Respons lambat: Beralih ke GPT-4o-mini untuk model chat. Harganya 10x lebih murah dan cukup cepat untuk sebagian besar tugas tanya jawab.
Membangun Agen Pemanggil Alat
Pipeline tanya jawab di atas bagus untuk dokumen. Tapi bagaimana dengan agen yang bisa mencari di web, menjalankan perhitungan, menanyakan basis data, DAN menjawab dari dokumen? Di sinilah Tools Agent benar-benar bersinar.
Penyiapan Alur Kerja
- Chat Trigger, Input pengguna
- AI Agent (Tools Agent), Merutekan ke alat yang tepat
- OpenAI Chat Model, GPT-4o untuk penalaran kompleks
- Simple Memory, Riwayat percakapan
- Beberapa alat terhubung:
- SerpAPI Tool, Kemampuan pencarian web
- Calculator Tool, Operasi matematika
- Vector Store Tool, Basis pengetahuan dokumen Anda
- Custom Code Tool, Fungsi JavaScript apa pun yang Anda tulis
- Workflow Tool, Memicu alur kerja n8n lain sebagai alat
Workflow Tool adalah senjata rahasia n8n. Ini memungkinkan Anda membungkus alur kerja n8n apa pun sebagai alat yang dapat dipanggil oleh agen. Punya alur kerja yang memeriksa inventaris? Jadikan itu alat. Yang mengirim pesan Slack? Alat. Yang menanyakan CRM Anda? Alat. Di sinilah 400+ node integrasi n8n tersedia untuk agen AI Anda.
System Prompt untuk Agen Multi-Alat
System prompt Anda perlu memberitahu agen tentang kemampuannya:
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.Pola prompt ini secara langsung mengontrol bagaimana agen merutekan antar alat. Prompt yang samar menyebabkan agen menggunakan pencarian web padahal seharusnya memeriksa dokumen Anda terlebih dahulu.
Memilih Tipe Agen yang Tepat
n8n menawarkan enam tipe agen. Berikut kapan memilih masing-masingnya:
| Tipe Agen | Terbaik Untuk | Mendukung Alat? | Catatan |
|---|---|---|---|
| Tools Agent | Sebagian besar kasus penggunaan | Ya | Pilihan default, fleksibel, andal |
| Conversational Agent | Chatbot sederhana | Ya | Kurang mampu tetapi lebih ringan |
| ReAct Agent | Rantai penalaran kompleks | Ya | Menunjukkan langkah penalaran eksplisit |
| OpenAI Functions Agent | Fitur khusus OpenAI | Ya | Menggunakan API pemanggilan fungsi OpenAI |
| Plan and Execute Agent | Tugas multi-langkah | Ya | Merencanakan dulu, lalu mengeksekusi, bagus untuk alur kerja kompleks |
| SQL Agent | Kueri basis data | Terbatas | Menghasilkan dan menjalankan SQL terhadap basis data Anda |
Bagi sebagian besar tim, Tools Agent adalah titik awal yang tepat. Ini menangani perutean multi-alat dengan baik, bekerja dengan penyedia LLM apa pun, dan Anda selalu dapat beralih nanti. Jika Anda membandingkan ini dengan membangun agen dalam kode dengan kerangka kerja seperti LangGraph atau CrewAI, keuntungannya di sini adalah nol overhead penyebaran, agen Anda berjalan di dalam infrastruktur n8n.
Menambahkan Memori yang Persisten
Secara default, sub-node Simple Memory menyimpan riwayat percakapan di memori, yang akan hilang ketika alur kerja dimulai ulang. Untuk penggunaan produksi, Anda akan menginginkan memori yang persisten.
Pilihan Anda:
| Tipe Memori | Persistensi | Usaha Penyiapan | Terbaik Untuk |
|---|---|---|---|
| Simple Memory | Hanya sesi | Tidak ada | Pengujian, prototipe |
| Redis Chat Memory | Persisten, cepat | Sedang (butuh Redis) | Chatbot produksi |
| Postgres Chat Memory | Persisten, dapat dikueri | Sedang (butuh Postgres) | Ketika Anda ingin menganalisis percakapan |
| MongoDB Chat Memory | Persisten, fleksibel | Sedang (butuh MongoDB) | Penyimpanan berorientasi dokumen |
| Zep Memory | Persisten + ringkasan | Sedang (butuh Zep) | Percakapan panjang yang melebihi jendela konteks |
Zep layak disorot jika Anda membangun apa pun dengan riwayat percakapan panjang. Ia secara otomatis meringkas pesan lama sehingga agen Anda tidak menghabiskan jendela konteks pada giliran ke-50 dari sebuah percakapan.
Untuk menambahkan memori persisten, cukup ganti sub-node Simple Memory dengan Redis/Postgres/Zep. Sisa alur kerja Anda tetap identik.
Terhubung ke Penyedia LLM Berbeda
Setiap node root yang membutuhkan LLM menerima sub-node Model Chat. Mengganti penyedia hanyalah perubahan satu node:
| Penyedia | Nama Node | Model Tersedia | Catatan |
|---|---|---|---|
| OpenAI | OpenAI Chat Model | GPT-4o, GPT-4o-mini, o1, o3-mini | Paling banyak diuji dengan n8n |
| Anthropic | Anthropic Chat Model | Claude 3.5 Sonnet, Claude 3 Opus | Kuat untuk analisis dan konteks panjang |
| Google Gemini Chat Model | Gemini 1.5 Pro, Gemini Flash | Tier gratis yang bagus | |
| Ollama | Ollama Chat Model | Llama 3, Mistral, Phi-3 | Sepenuhnya lokal, tanpa biaya API |
| Groq | Groq Chat Model | Llama 3, Mixtral | Inferensi sangat cepat |
| AWS Bedrock | AWS Bedrock Chat Model | Claude, Titan, Llama | Integrasi AWS tingkat enterprise |
Untuk pengembangan dan pengujian lokal, Ollama adalah opsi tanpa biaya, jalankan model di mesin Anda dan hubungkan n8n ke localhost:11434. Untuk produksi, sebagian besar tim menggunakan OpenAI atau Anthropic tergantung pada tugasnya.
Resep Alur Kerja Dunia Nyata
Berikut adalah tiga pola siap produksi yang dapat Anda bangun dalam waktu kurang dari 30 menit:
Resep 1: Klasifikasi Tiket Dukungan Otomatis
Pemicu: Email baru masuk (node Gmail/Outlook) Rantai: Basic LLM Chain dengan prompt klasifikasi Output: Merutekan ke saluran Slack berbeda berdasarkan kategori
Prompt melakukan pekerjaan berat: Klasifikasikan email dukungan ini ke dalam tepat satu kategori: billing, technical, feature_request, atau other. Respons hanya dengan nama kategori.
Resep 2: Ringkasan Konten Mingguan
Pemicu: Jadwal (setiap Senin pukul 9 pagi) Agen: Tools Agent dengan SerpAPI + Custom Code Tool Memori: Tidak diperlukan (tugas satu kali) Output: Laporan ringkasan dikirim ke Slack/Email
Agen mencari berita industri, meringkas 5 artikel teratas, dan memformat ringkasan. Custom Code Tool menangani logika pemformatan apa pun yang lebih mudah dilakukan di JavaScript daripada dalam prompt.
Resep 3: Bot Slack Berbasis Dokumen
Pemicu: Pesan Slack di saluran tertentu Agen: Tools Agent dengan Vector Store Tool Memori: Redis Chat Memory (dikunci berdasarkan ID utas Slack) Output: Balas ke utas Slack
Ini adalah pipeline tanya jawab dari sebelumnya, tetapi dipicu oleh Slack alih-alih UI chat. Kunci memori berbasis utas berarti setiap percakapan Slack mendapatkan konteksnya sendiri.
Bagi tim yang mengeksplorasi alat RAG mana yang akan digunakan bersama n8n, pilihan penyimpanan vektor kurang penting daripada strategi pemecahan Anda. Mulailah dengan Simple (In-Memory) Vector Store untuk prototipe, lalu beralih ke Pinecone atau Qdrant untuk produksi.
Kesalahan Umum dan Cara Menghindarinya
Setelah membangun puluhan alur kerja AI n8n, berikut adalah jebakan yang sering menjerat orang:
1. Melewatkan system prompt. Node AI Agent berfungsi tanpa system prompt, tetapi dengan buruk. Selalu tentukan peran agen, alat yang tersedia, dan perilaku yang diinginkan. Sepuluh menit pada prompt menghemat berjam-jam debugging respons aneh.
2. Menggunakan satu alur kerja raksasa. Pisahkan impor dan kueri menjadi alur kerja terpisah. Alur kerja impor berjalan sesekali (ketika dokumen baru datang). Alur kerja kueri berjalan terus-menerus. Mencampurnya menciptakan konflik eksekusi.
3. Memilih ukuran bagian yang salah. Pemecahan default (1000 karakter) berfungsi untuk konten umum. Untuk dokumen teknis, turunkan ke 300-500 token. Untuk dokumen hukum, naikkan ke 800-1000 token dengan tumpang tindih lebih tinggi. Tidak ada ukuran bagian "tepat" universal, uji dengan dokumen aktual Anda.
4. Mengabaikan log eksekusi. n8n menampilkan jejak eksekusi lengkap untuk setiap jalannya alur kerja. Ketika agen memberikan jawaban yang salah, periksa alat mana yang dipanggil (atau tidak dipanggil), bagian mana yang diambil, dan penalaran apa yang ditunjukkan. Log memberi tahu Anda secara tepat di mana letak kesalahannya.
5. Membayar GPT-4o ketika Anda tidak membutuhkannya. Untuk klasifikasi, ringkasan, dan tanya jawab sederhana, GPT-4o-mini 90% sebaik GPT-4o dengan 10% dari biayanya. Simpan GPT-4o atau Claude untuk penalaran multi-langkah yang kompleks.
Bagaimana Techsy Mendekati Otomatisasi AI n8n
Kami telah membangun alur kerja AI n8n untuk klien mulai dari startup beranggota 3 orang hingga tim enterprise. Proses kami:
- Petakan alur keputusan, Sebelum membuka n8n, kami membuat diagram setiap titik keputusan dan sumber data
- Prototipe dengan Simple Vector Store, Dapatkan logika inti bekerja dengan penyimpanan dalam memori
- Uji dengan data nyata sejak dini, Data uji sintetis menyembunyikan masalah pemecahan dan pengambilan
- Tambahkan memori dan persistensi, Hanya setelah logika inti tanya jawab atau agen divalidasi
- Pantau dan iterasi, Lacak panggilan alat mana yang berhasil, bagian mana yang diambil, dan di mana pengguna merasa frustrasi
Jika Anda membangun agen AI untuk alur kerja bisnis dan ingin bantuan mendesain arsitekturnya, hubungi kami untuk konsultasi gratis.
Pertanyaan yang Sering Diajukan
Apakah saya perlu mengetahui LangChain untuk menggunakan node AI n8n?
Tidak. n8n mengabstraksikan LangChain menjadi node visual dengan konfigurasi dropdown. Memahami konsep LangChain (agen, rantai, memori, retriever) membantu Anda membuat keputusan desain yang lebih baik, tetapi Anda tidak pernah menulis kode LangChain kecuali Anda memilih untuk menggunakan node LangChain Code.
Bisakah saya menggunakan LLM lokal dengan n8n alih-alih OpenAI?
Ya. Hubungkan sub-node Ollama Chat Model ke model apa pun yang berjalan di mesin Anda (Llama 3, Mistral, Phi-3, dll.). Arahkan ke http://localhost:11434 dan Anda memiliki alur kerja AI yang sepenuhnya pribadi dan tanpa biaya. Groq adalah opsi lain untuk inferensi cepat tanpa mengelola perangkat keras sendiri.
Apa perbedaan antara Chain dan Agent di n8n?
Chain mengikuti urutan tetap, input melewati langkah A, lalu B, lalu C. Agen memutuskan secara dinamis alat mana yang akan dipanggil berdasarkan input. Gunakan chain untuk tugas yang dapat diprediksi (ringkasan, klasifikasi). Gunakan agen ketika alur kerja perlu membuat keputusan tentang apa yang harus dilakukan selanjutnya.
Berapa banyak dokumen yang dapat ditangani Simple Vector Store?
Simple (In-Memory) Vector Store bekerja dengan baik untuk prototipe dengan beberapa ratus dokumen. Untuk produksi dengan ribuan dokumen, beralihlah ke Pinecone, Qdrant, Supabase, atau Chroma. Alur kerjanya tetap sama, Anda hanya mengganti node penyimpanan vektor.
Bisakah saya memicu alur kerja AI n8n dari aplikasi eksternal?
Ya. Gunakan node Webhook Trigger untuk mengekspos alur kerja AI Anda sebagai endpoint API. Aplikasi apa pun yang dapat membuat permintaan HTTP dapat mengirim data ke agen Anda dan mendapatkan respons. Inilah cara Anda mengintegrasikan alur kerja AI n8n ke dalam produk yang sudah ada.
Apakah n8n gratis untuk alur kerja AI?
n8n Community Edition sepenuhnya open source dan gratis untuk di-host sendiri. Semua node LangChain disertakan. Paket Cloud mulai dari $24/bulan jika Anda tidak ingin mengelola infrastruktur. Biaya API LLM (OpenAI, Anthropic, dll.) terpisah dan ditagihkan oleh penyedia.
Bagaimana n8n menangani kesalahan dalam alur kerja agen AI?
n8n memiliki penanganan kesalahan bawaan di tingkat node. Anda dapat mengatur logika retry, jalur fallback, dan alur kerja error. Untuk masalah khusus AI (seperti timeout LLM atau batas laju), tambahkan retry dengan backoff eksponensial pada sub-node Chat Model. Log eksekusi menunjukkan secara tepat di mana kegagalan terjadi.
Bisakah saya menggunakan alur kerja AI n8n dengan kunci API saya sendiri?
Ya. Setiap node LLM mengharuskan Anda membuat kredensial dengan kunci API Anda sendiri. n8n menyimpan kredensial terenkripsi. Jika Anda meng-host sendiri, kunci-kunci tersebut tidak pernah meninggalkan infrastruktur Anda.
Untuk apa node LangChain Code?
Node LangChain Code memungkinkan Anda menulis JavaScript kustom yang menggunakan modul LangChain secara langsung. Ini adalah jalan keluar untuk ketika node visual n8n tidak mencakup kasus penggunaan Anda yang tepat, mungkin Anda membutuhkan retriever kustom, template prompt spesifik, atau modul LangChain yang belum dibungkus oleh n8n.
Bagaimana cara berbagi alur kerja AI n8n dengan tim saya?
Ekspor alur kerja sebagai JSON (Ctrl+Shift+E) dan bagikan filenya. Siapa pun dapat mengimpornya ke instance n8n mereka. Untuk kolaborasi tim, n8n Cloud mencakup ruang kerja bersama dengan riwayat versi. Anda juga dapat melakukan commit file JSON alur kerja ke Git untuk kontrol versi.