Tutorial Agen AI n8n: Bangun Alur Kerja Cerdas Langkah demi Langkah

Tutorial Agen AI n8n: Bangun Alur Kerja Cerdas Langkah demi Langkah

Jarak antara "saya ingin agen AI" dan "saya memiliki agen AI yang berfungsi" biasanya berupa ratusan baris kode Python penghubung. Agen AI n8n menutup celah tersebut dengan editor alur kerja visual tempat Anda menarik, menjatuhkan, dan menghubungkan agen berbasis LLM yang benar-benar melakukan sesuatu, seperti mencari di web, membuat kueri database, mengirim email, atau memperbarui spreadsheet. Anda menulis prompt sistem daripada harus menangani kode dasar framework.

Tutorial ini akan menuntun Anda membangun dua alur kerja agen nyata dari awal: agen riset web dan bot dukungan pelanggan dengan memori. Pada akhirnya, Anda akan memahami setiap jenis node yang diperlukan dan bagaimana cara kerjanya secara terintegrasi.

Apa Itu n8n (dan Mengapa Menggunakannya untuk Agen AI)?

n8n adalah platform otomatisasi alur kerja open-source, bayangkan seperti Zapier, tetapi dapat di-host sendiri dengan filosofi "kode saat Anda membutuhkannya". Platform ini menghubungkan lebih dari 500 layanan melalui editor visual berbasis node.

Yang membuat n8n menarik khusus untuk agen AI adalah integrasi LangChain natifnya. Daripada menulis kode Python LangChain, Anda mengonfigurasi konsep yang sama (agen, alat, memori, model) sebagai node visual. Node AI Agent menangani loop penalaran, Anda hanya perlu memasukkan apa yang harus digunakan agen untuk berpikir dan apa yang dapat dilakukannya.

Mengapa memilih n8n daripada coding murni?

• Debugging visual: Anda melihat tepat di mana rantai penalaran agen putus
• 500+ integrasi menjadi alat agen instan (Slack, Gmail, Google Sheets, database)
• Host sendiri secara gratis (Edisi Komunitas) atau gunakan n8n Cloud mulai dari $20/bulan
• Dukungan MCP memungkinkan alur kerja n8n menjadi alat untuk agen AI eksternal, dan sebaliknya

Jika Anda sedang mengevaluasi berbagai framework agen seperti LangGraph, CrewAI, atau OpenAI Agents SDK, n8n berada dalam kategori berbeda; ini ditujukan bagi mereka yang menginginkan agen produksi tanpa harus mengelola runtime Python.

Cara Kerja Node AI Agent n8n

Setiap alur kerja agen AI di n8n memiliki struktur hierarkis. Node Agent berada di pusat, dan sub-node terhubung di bawahnya untuk menyediakan kemampuan.

Berikut adalah anatominya:

Tools Agent adalah yang akan Anda gunakan 90% dari waktu. Ini adalah jenis agen paling fleksibel; ia mengambil prompt Anda, menalar alat mana yang harus dipanggil, mengeksekusinya, dan melakukan loop hingga mendapatkan jawaban. Di balik layar, ia menjalankan loop ReAct (Reason + Act): berpikir, bertindak, mengamati, ulangi.

n8n juga menawarkan agen khusus, seperti SQL Agent untuk kueri database, Plan and Execute Agent yang memecah tugas menjadi sub-langkah, dan Conversational Agent untuk alur obrolan yang lebih sederhana. Namun, Tools Agent mencakup sebagian besar kasus penggunaan.

Apa yang Anda Butuhkan Sebelum Memulai

Sebelum membangun apa pun, pastikan tiga hal ini sudah siap:

1. Instansi n8n, baik mendaftar ke n8n Cloud ($20/bulan Starter) atau host sendiri dengan Docker:

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

1. Kunci API LLM, dari OpenAI, Anthropic, atau Google Gemini. Anda juga dapat menggunakan Ollama untuk model lokal gratis, meskipun kinerja pemanggilan alatnya bervariasi.

2. Kunci API alat (opsional), SerpAPI untuk pencarian web ($50/bulan) atau Brave Search API (tier gratis). Anda bisa membangun agen tanpa pencarian, tetapi ini adalah alat pertama yang paling umum digunakan.

Setelah n8n berjalan, buka http://localhost:5678 (host sendiri) atau dasbor cloud Anda. Buat alur kerja baru dan Anda siap memulai.

Bangun Agen 1: Agen Riset Web

Agen ini mengambil topik, mencari di web, membaca hasilnya, dan menulis ringkasan terstruktur. Ini adalah "hello world" dari agen AI n8n dan sangat berguna untuk riset konten.

Langkah 1: Tambahkan Manual Trigger

Klik tombol + dan cari "Manual Trigger". Letakkan di kanvas. Ini memungkinkan Anda menguji alur kerja dengan mengklik "Test Workflow"; nanti Anda dapat menggantinya dengan webhook atau chat trigger.

Langkah 2: Tambahkan Node Edit Fields

Tambahkan node Edit Fields setelah trigger. Atur bidang bernama topic dengan nilai string seperti "Perkembangan terbaru dalam Model Context Protocol". Ini mensimulasikan input pengguna.

Langkah 3: Tambahkan Node AI Agent

Cari "AI Agent" dan tambahkan. Pilih Tools Agent sebagai jenis agen.

Di bidang System Message, tulis prompt yang mendefinisikan perilaku:

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.

Di bawah Prompt, atur ke ekspresi: {{ $json.topic }}, ini mengambil topik dari node Edit Fields.

Langkah 4: Hubungkan Chat Model

Klik + di bawah node Agent untuk menambahkan sub-node. Pilih OpenAI Chat Model (atau LLM apa pun yang Anda gunakan).

Konfigurasikan:

• Model: gpt-4o (atau gpt-4o-mini untuk biaya lebih murah)
• Temperature: 0.3 (lebih rendah = lebih faktual, kurang kreatif)

Tempel kunci API Anda di bagian kredensial.

Langkah 5: Tambahkan Alat Pencarian

Klik + lagi untuk menambahkan sub-node alat. Pilih SerpAPI (atau HTTP Request Tool jika Anda ingin mengakses API pencarian kustom).

Untuk SerpAPI:

• Tambahkan kunci API Anda sebagai kredensial
• Agen akan memanggil alat ini kapan pun memutuskan perlu mencari

Untuk alternatif gratis, gunakan HTTP Request Tool yang dikonfigurasi untuk mengakses 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

Ekspresi $fromAI() adalah keajaibannya; ini memberi tahu agen "Anda tentukan nilai apa yang akan diteruskan di sini."

Langkah 6: Uji Coba

Klik Test Workflow. Perhatikan panel eksekusi di sebelah kanan. Anda akan melihat:

1. Agen menerima topik
2. Ia memutuskan untuk mencari (pemanggilan alat)
3. SerpAPI mengembalikan hasil
4. Agen menalar hasil tersebut
5. Ia mungkin mencari lagi untuk detail lebih lanjut
6. Ia menghasilkan ringkasan akhir

Jika agen melakukan loop tanpa konvergensi, prompt sistem Anda mungkin memerlukan instruksi yang lebih tajam. Beritahu agen tepat kapan harus berhenti mencari.

Bangun Agen 2: Bot Dukungan Pelanggan dengan Memori

Agen riset bersifat stateless; ia melupakan segalanya setelah setiap putaran. Bot dukungan pelanggan perlu mengingat percakapan. Di sinilah memori agen berperan.

Langkah 1: Gunakan Chat Trigger

Kali ini, mulailah dengan node Chat Trigger alih-alih Manual Trigger. Ini memberikan Anda widget obrolan bawaan n8n untuk menguji percakapan.

Langkah 2: Konfigurasi Agen

Tambahkan node Tools Agent. Prompt sistem:

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

Langkah 3: Tambahkan Memori

Klik + pada Agen untuk menambahkan sub-node dan pilih Window Buffer Memory.

• Context Window Length: 10 (mengingat 10 pasangan pesan terakhir)
• Session ID: {{ $json.sessionId }} (dari chat trigger)

Ini adalah opsi memori paling sederhana; ia menyimpan pesan terbaru dalam jendela geser. Untuk bot produksi yang membutuhkan memori persisten lintas sesi, gunakan Postgres Chat Memory atau Redis Chat Memory sebagai gantinya. Panduan kami tentang alat memori agen AI terbaik membahas trade-off antara pendekatan-pendekatan ini.

Langkah 4: Tambahkan Alat

Tambahkan dua sub-node alat:

Alat 1 -- Basis Pengetahuan (Vector Store QA): Jika Anda memiliki dokumentasi produk di vector store (Pinecone, Qdrant, Supabase), gunakan Vector Store Question Answer Tool. Ini pada dasarnya adalah RAG (Retrieval-Augmented Generation) dalam satu node.

Alat 2 -- Pembuatan Tiket (HTTP Request): Tambahkan HTTP Request Tool yang dikonfigurasi untuk POST ke API tiket Anda:

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') }}"
}

Langkah 5: Uji Percakapan

Klik Test Workflow dan buka panel obrolan. Coba percakapan multi-giliran:

• "Hai, saya Alex. Bagaimana cara mengekspor tugas saya ke CSV?"
• "Bagaimana dengan ekspor PDF?"
• "Sebenarnya, ekspor PDF rusak untuk saya, bisakah Anda mengajukan bug?"

Perhatikan bagaimana agen mencari di basis pengetahuan untuk dua pertanyaan pertama dan membuat tiket untuk yang ketiga. Node memori memastikan ia mengingat nama Alex dan konteks masalah PDF.

Menggunakan MCP untuk Memperluas Agen Anda

n8n kini mendukung Model Context Protocol (MCP) dalam kedua arah, dan di sinilah hal-hal menjadi sangat kuat.

Mengonsumsi server MCP: Tambahkan sub-node MCP Client Tool ke agen Anda. Arahkan ke URL server MCP apa pun dan agen secara otomatis menemukan serta dapat memanggil semua alat yang diekspos oleh server tersebut. Satu node, puluhan alat.

Mengekspos alur kerja sebagai alat MCP: Gunakan node MCP Server Trigger untuk mengubah alur kerja n8n apa pun menjadi alat yang kompatibel dengan MCP. Agen eksternal yang berjalan di Claude Desktop, Cursor, atau VS Code kemudian dapat menemukan dan memanggil alur kerja n8n Anda. Bangun alur kerja "kirim notifikasi Slack" sekali, dan setiap agen yang kompatibel dengan MCP dalam tumpukan Anda dapat menggunakannya.

Dukungan MCP dua arah ini mengubah n8n menjadi hub agen; agen n8n Anda memanggil alat eksternal melalui MCP, dan agen eksternal memanggil alur kerja n8n Anda melalui MCP.

Tips Praktis untuk Agen n8n yang Lebih Baik

Setelah membangun lusinan alur kerja agen, berikut adalah hal-hal yang benar-benar penting:

Jaga jumlah alat tetap rendah. Agen menjadi bingung dengan lebih dari 5-7 alat. Jika Anda membutuhkan lebih banyak, buat "agen manajer" yang merutekan tugas ke "agen pekerja" khusus; n8n mendukung alur kerja agen-ke-agen.

Bersifat preskriptif dalam prompt sistem. Jangan hanya berkata "bantu pengguna." Jelaskan aturan exact, format output, dan kapan menggunakan setiap alat. Semakin spesifik prompt Anda, semakin sedikit panggilan alat yang tidak terduga.

Tetapkan batas token. Dalam konfigurasi Chat Model, tetapkan batas token maksimum. Tanpa itu, agen yang bingung dapat menghabiskan anggaran API Anda dalam satu loop.

Gunakan node penanganan error. Tambahkan alur kerja Error Trigger yang menangkap kegagalan dan memberi tahu Anda melalui Slack atau email. Jika tidak, agen gagal secara diam-diam.

Uji dengan kasus tepi terlebih dahulu. Tanyakan sesuatu kepada agen Anda yang seharusnya tidak diketahuinya. Jika ia berhalusinasi alih-alih mengatakan "Saya tidak tahu," prompt Anda memerlukan pagar pembatas.

Catat semuanya selama pengembangan. Aktifkan logging eksekusi (tersedia di paket Pro atau host sendiri) sehingga Anda dapat memutar ulang dan debug tepat di mana agen melakukan kesalahan.

Kapan Agen n8n Masuk Akal (dan Kapan Tidak)

n8n sangat cocok jika:

• Anda menginginkan agen produksi tanpa mengelola infrastruktur Python
• Alur kerja Anda menghubungkan beberapa alat SaaS (Slack, Gmail, Notion, database)
• Tim Anda mencakup non-developer yang perlu memodifikasi perilaku agen
• Anda membutuhkan debugging visual dari rantai penalaran agen

n8n mungkin bukan pilihan yang tepat jika:

• Anda membutuhkan kontrol halus atas arsitektur agen (gunakan LangGraph atau CrewAI sebagai gantinya)
• Agen Anda murni komputasional (pipelines ML, pemrosesan data) tanpa integrasi
• Anda membangun sistem riset multi-agen dengan manajemen state yang kompleks

Untuk kasus penggunaan otomatisasi bisnis, bot dukungan pelanggan, agen pemrosesan data, asisten riset, kualifikasi lead, n8n mencapai titik keseimbangan yang ideal antara kekuatan dan aksesibilitas.

FAQ

LLM apa saja yang didukung n8n untuk agen AI?

n8n mendukung OpenAI (GPT-4o, GPT-4, GPT-3.5), Anthropic Claude (keluarga Claude 3.5 dan 4), Google Gemini, Mistral, Cohere, model HuggingFace, dan model lokal melalui Ollama. Anda dapat mengganti model dengan mengubah satu sub-node, tanpa perlu perubahan alur kerja.

Apakah n8n gratis untuk membangun agen AI?

Edisi Komunitas yang di-host sendiri sepenuhnya gratis tanpa batas eksekusi. n8n Cloud mulai dari $20/bulan (Starter) dengan 2.500 eksekusi. Anda tetap harus membayar penyedia LLM (OpenAI, Anthropic, dll.) secara terpisah untuk panggilan API.

Bagaimana perbandingan AI Agent n8n dengan menulis agen dalam Python?

n8n menukar kustomisasi dengan kecepatan. Agen Python dengan LangChain memberi Anda kontrol penuh atas setiap langkah penalaran. n8n memberi Anda 80% dari kemampuan tersebut dalam 20% dari waktu, dengan debugging visual dan 500+ integrasi bawaan. Pilih Python untuk riset atau arsitektur novel; pilih n8n untuk otomatisasi bisnis.

Bisakah agen n8n menggunakan alat seperti pencarian web dan database?

Ya. Agen n8n dapat menggunakan alat apa pun yang tersedia sebagai node, seperti SerpAPI, Brave Search, HTTP Request (untuk API apa pun), database SQL, Google Sheets, Slack, dan ratusan lainnya. Anda menambahkannya sebagai sub-node di bawah node Agent.

Apa itu MCP Client Tool di n8n?

MCP Client Tool menghubungkan agen n8n Anda ke server MCP (Model Context Protocol) eksternal. Agen Anda secara otomatis menemukan semua alat yang diekspos oleh server tersebut dan dapat memanggilnya selama penalaran. Ini adalah satu node yang dapat membuka puluhan alat eksternal.

Bagaimana cara menambahkan memori ke agen AI n8n?

Tambahkan sub-node memori di bawah node Agent Anda. Window Buffer Memory adalah opsi paling sederhana (menyimpan N pesan terakhir). Untuk memori persisten lintas sesi, gunakan Postgres Chat Memory, Redis Chat Memory, atau Zep Memory. Tetapkan Session ID untuk melacak percakapan individu.

Bisakah saya menghubungkan beberapa agen di n8n?

Ya. n8n mendukung alur kerja agen-ke-agen di mana agen "manajer" mendelegasikan tugas ke agen "pekerja" khusus. Anda membangun setiap pekerja sebagai sub-alur kerja terpisah dan menghubungkannya melalui alat Call n8n Workflow.

Apa perbedaan antara Tools Agent dan jenis agen lainnya?

Tools Agent menggunakan loop penalaran ReAct dan bekerja dengan alat apa pun. OpenAI Functions Agent menggunakan API pemanggilan fungsi native OpenAI (sedikit lebih cepat tetapi khusus OpenAI). SQL Agent dikhususkan untuk kueri database. Plan and Execute Agent memecah tugas kompleks menjadi sub-langkah. Untuk sebagian besar kasus penggunaan, mulailah dengan Tools Agent.

Bagaimana cara menerapkan agen n8n ke produksi?

Untuk host sendiri: gunakan Docker Compose dengan PostgreSQL dan Redis, aktifkan mode queue untuk penskalaan horizontal, dan letakkan di belakang reverse proxy dengan SSL. Untuk cloud: cukup aktifkan alur kerja, n8n menangani infrastruktur. Dalam kedua kasus, ganti Chat Trigger dengan Webhook trigger sehingga aplikasi eksternal dapat memanggil agen Anda.

Bisakah agen n8n menangani unggahan file dan gambar?

n8n dapat memproses file melalui penanganan data binernya. Anda dapat membangun agen yang menerima unggahan file melalui webhook, mengekstrak teks (menggunakan node Code dengan parser PDF, misalnya), dan menalar konten tersebut. Analisis visi/gambar native bergantung pada LLM Anda yang mendukung input multimodal (GPT-4o melakukannya, misalnya).

Sumber

• Dokumentasi Node Agen AI n8n
• Ikhtisar Platform Agen AI n8n
• Paket Harga n8n
• Integrasi Server MCP n8n