Come costruire workflow IA con n8n e LangChain
n8n e LangChain insieme risolvono un problema che la maggior parte dei team incontra prima o poi: vuoi agenti IA che si connettano a dati reali e inneschino azioni reali, ma integrare LangChain in Python significa mantenere un intero stack applicativo. I nodi LangChain nativi di n8n ti permettono di trascinare e rilasciare agenti, catene, memoria e vector store in workflow visivi — e poi connetterli a oltre 400 integrazioni senza scrivere codice SDK.
Cosa ottieni: la libreria di nodi LangChain di n8n
n8n viene fornito con oltre 70 nodi IA che implementano i concetti LangChain come blocchi visivi. Invece di importare langchain in Python e collegare i moduli tra loro, connetti i nodi su un canvas. Ecco il quadro completo:
| Categoria nodo | Cosa fa | Nodi chiave |
|---|---|---|
| Root Nodes | Logica IA centrale (il «cervello») | AI Agent, Basic LLM Chain, Q&A Chain, Summarization Chain |
| Chat Models | Connessioni LLM | OpenAI, Anthropic Claude, Google Gemini, Ollama, Groq, Mistral, DeepSeek |
| Memory | Persistenza delle conversazioni | Simple Memory, Redis, Postgres, MongoDB, Zep |
| Vector Stores | Archiviazione + recupero documenti | Pinecone, Qdrant, Supabase, Chroma, Weaviate, PGVector, In-Memory |
| Embeddings | Conversione testo-vettore | OpenAI, Cohere, HuggingFace, Ollama, AWS Bedrock |
| Tools | Capacità esterne per gli agenti | Calculator, SerpAPI, Wikipedia, Custom Code, MCP Client, Workflow Tool |
| Output Parsers | Formattazione strutturata delle risposte | Auto-fixing, Structured, Item List |
| Text Splitters | Suddivisione dei documenti | Character, Recursive Character, Token |
L'architettura usa quelli che n8n chiama nodi cluster — un nodo radice (come l'AI Agent) si connette a sotto-nodi (chat model, memory, tools) che ne estendono le capacità. Pensalo come il sistema di moduli di LangChain, ma visivo.
Come n8n mappa i concetti LangChain
Se hai già usato LangChain nel codice, la mappatura di n8n è semplice:
| Concetto LangChain | Equivalente n8n | Quando usarlo |
|---|---|---|
ChatOpenAI() | OpenAI Chat Model sub-node | Qualsiasi workflow che necessita di un LLM |
ConversationBufferMemory() | Simple Memory / Redis Memory | Conversazioni multi-turno |
RetrievalQA.from_chain_type() | Q&A Chain + Vector Store Retriever | Domande e risposte su documenti |
AgentExecutor con tools | AI Agent node (tipo Tools Agent) | Selezione dinamica degli strumenti |
RecursiveCharacterTextSplitter() | Recursive Character Text Splitter sub-node | Suddivisione documenti per RAG |
FAISS.from_documents() | Simple Vector Store (Insert Documents) | Archiviazione locale degli embedding |
La differenza cruciale? Nel codice scrivi 50–100 righe per mettere insieme tutto questo. In n8n colleghi 4–6 nodi su un canvas e li configuri tramite menu a tendina.
Costruire una pipeline Q&A su documenti (RAG)
Costruiamo qualcosa di concreto. Questo workflow importa documenti PDF, li archivia in un database vettoriale e risponde alle domande sul loro contenuto. È il classico pattern RAG (Retrieval-Augmented Generation) — il workflow LangChain più utile per i team aziendali.
Passo 1: Configurare il workflow di ingestione dati
Crea un nuovo workflow per caricare i documenti. Lo eseguirai una volta ogni volta che hai nuovi documenti da aggiungere.
Nodi da aggiungere:
- Manual Trigger — Clic per avviare l'ingestione
- Nodo Google Drive (o HTTP Request, Read Binary File) — Recupera i tuoi documenti sorgente
- Simple Vector Store — Imposta l'operazione su Insert Documents
- OpenAI Embeddings sub-node — Si connette al Vector Store, converte il testo in vettori
- Default Data Loader sub-node — Analizza il contenuto del documento in chunk
- Recursive Character Text Splitter sub-node — Divide il contenuto in chunk di ~500 token con sovrapposizione di 50 token
Dettagli di configurazione per il Vector Store:
- Operazione:
Insert Documents - Memory Key: Dagli un nome descrittivo come
company-docs(così lo riferirai in seguito) - Il Data Loader si connette come sotto-nodo e gestisce automaticamente il parsing PDF/testo
Configurazione per il Text Splitter:
- Dimensione chunk: 500 (token)
- Sovrapposizione chunk: 50 (assicura che il contesto non vada perso ai confini)
- Metodo di suddivisione: Recursive Character (gestisce in modo intelligente Markdown, HTML e testo normale)
Passo 2: Costruire il workflow dell'agente Q&A
Ora crea un secondo workflow — questo è quello con cui interagiscono gli utenti.
Nodi da aggiungere:
- Chat Trigger — Fornisce l'interfaccia di chat per le domande
- AI Agent (tipo Tools Agent) — Il cervello che decide cosa fare
- OpenAI Chat Model sub-node — Connetti GPT-4o o GPT-4o-mini
- Simple Memory sub-node — Ricorda il contesto della conversazione
- Vector Store Tool sub-node — Dà all'agente accesso ai tuoi documenti
Configurazione per il nodo AI Agent:
- Tipo agente: Tools Agent (l'opzione più flessibile — decide quando e come usare gli strumenti)
- System Prompt:
Sei un assistente utile che risponde alle domande basandosi sui documenti della nostra azienda. Cita sempre in quale documento hai trovato la risposta. Se le informazioni non sono nei documenti, dillo chiaramente.
Configurazione per il Vector Store Tool:
- Nome:
search_documents - Descrizione:
Cerca nella base di conoscenza aziendale informazioni rilevanti. Usa questo strumento quando l'utente fa domande su politiche aziendali, procedure o documentazione. - Vector Store: Seleziona il tuo Simple Vector Store
- Modello di embedding: Lo stesso modello OpenAI Embeddings usato durante l'ingestione
- Top K: 4 (numero di chunk rilevanti da recuperare)
Quella descrizione è più importante di quanto pensi. L'agente la usa per decidere quando chiamare lo strumento rispetto a rispondere dalla propria conoscenza. Sii specifico.
Passo 3: Testare e affinare
Clicca su Chat nel pannello inferiore per aprire l'interfaccia di chat integrata di n8n. Fai una domanda sui tuoi documenti. Osserva la traccia di esecuzione — n8n ti mostra esattamente quali nodi si sono attivati, qual era il ragionamento dell'agente e quali chunk di documenti sono stati recuperati.
Problemi comuni in questa fase:
- L'agente non usa lo strumento: La descrizione dello strumento è troppo vaga. Rendila specifica su quale conoscenza contiene lo strumento.
- Recupera chunk irrilevanti: Aumenta la sovrapposizione dei chunk o diminuisci la dimensione del chunk. Prova 300 token con sovrapposizione di 100.
- Risposte lente: Passa a GPT-4o-mini per il chat model. È 10 volte più economico e abbastanza veloce per la maggior parte dei compiti Q&A.
Costruire un agente con chiamata agli strumenti
La pipeline Q&A sopra è ottima per i documenti. Ma che dire di un agente che può cercare sul web, eseguire calcoli, interrogare database E rispondere dai documenti? È qui che il Tools Agent brilla davvero.
Configurazione del workflow
- Chat Trigger — Input utente
- AI Agent (Tools Agent) — Indirizza allo strumento corretto
- OpenAI Chat Model — GPT-4o per ragionamenti complessi
- Simple Memory — Cronologia delle conversazioni
- Più strumenti connessi:
- SerpAPI Tool — Capacità di ricerca web
- Calculator Tool — Operazioni matematiche
- Vector Store Tool — La tua base di conoscenza documentale
- Custom Code Tool — Qualsiasi funzione JavaScript che scrivi
- Workflow Tool — Attiva un altro workflow n8n come strumento
Il Workflow Tool è l'arma segreta di n8n. Ti permette di racchiudere qualsiasi workflow n8n come strumento che l'agente può chiamare. Hai un workflow che controlla l'inventario? Rendilo uno strumento. Uno che invia messaggi Slack? Strumento. Uno che interroga il tuo CRM? Strumento. È così che gli oltre 400 nodi di integrazione di n8n diventano disponibili per il tuo agente IA.
System prompt per agenti multi-strumento
Il tuo system prompt deve informare l'agente sulle sue capacità:
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.Questo schema di prompt controlla direttamente come l'agente instrada tra gli strumenti. I prompt vaghi portano gli agenti a usare la ricerca web quando dovrebbero prima controllare i tuoi documenti.
Scegliere il tipo di agente giusto
n8n offre sei tipi di agenti. Ecco quando scegliere ciascuno:
| Tipo agente | Ideale per | Supporta strumenti? | Note |
|---|---|---|---|
| Tools Agent | La maggior parte dei casi d'uso | Sì | Scelta predefinita — flessibile, affidabile |
| Conversational Agent | Chatbot semplici | Sì | Meno capace ma più leggero |
| ReAct Agent | Catene di ragionamento complesse | Sì | Mostra i passi di ragionamento espliciti |
| OpenAI Functions Agent | Funzionalità specifiche OpenAI | Sì | Usa l'API di function calling di OpenAI |
| Plan and Execute Agent | Compiti multi-passo | Sì | Pianifica prima, poi esegue — buono per workflow complessi |
| SQL Agent | Query su database | Limitato | Genera ed esegue SQL contro il tuo database |
Per la maggior parte dei team, Tools Agent è il punto di partenza giusto. Gestisce bene il routing multi-strumento, funziona con qualsiasi provider LLM e puoi sempre cambiare in seguito. Se paragonato a costruire agenti nel codice con framework come LangGraph o CrewAI, il vantaggio qui è zero overhead di deployment — il tuo agente gira all'interno dell'infrastruttura di n8n.
Aggiungere memoria persistente
Per impostazione predefinita, il Simple Memory sub-node mantiene la cronologia delle conversazioni in memoria — scompare quando il workflow si riavvia. Per l'uso in produzione, hai bisogno di memoria persistente.
Le tue opzioni:
| Tipo di memoria | Persistenza | Sforzo di configurazione | Ideale per |
|---|---|---|---|
| Simple Memory | Solo sessione | Nessuno | Test, prototipazione |
| Redis Chat Memory | Persistente, veloce | Medio (richiede Redis) | Chatbot di produzione |
| Postgres Chat Memory | Persistente, interrogabile | Medio (richiede Postgres) | Quando vuoi analizzare le conversazioni |
| MongoDB Chat Memory | Persistente, flessibile | Medio (richiede MongoDB) | Archiviazione orientata ai documenti |
| Zep Memory | Persistente + riepilogo | Medio (richiede Zep) | Conversazioni lunghe che superano le finestre di contesto |
Zep vale la pena evidenziare se stai costruendo qualcosa con lunghe cronologie di conversazioni. Riepiloga automaticamente i messaggi più vecchi in modo che il tuo agente non superi la finestra di contesto al turno 50 di una conversazione.
Per aggiungere memoria persistente, sostituisci semplicemente il Simple Memory sub-node con Redis/Postgres/Zep. Il resto del tuo workflow rimane identico.
Connettersi a diversi provider LLM
Ogni nodo radice che ha bisogno di un LLM accetta un sotto-nodo Chat Model. Cambiare provider è una modifica di un singolo nodo:
| Provider | Nome nodo | Modelli disponibili | Note |
|---|---|---|---|
| OpenAI | OpenAI Chat Model | GPT-4o, GPT-4o-mini, o1, o3-mini | Il più testato con n8n |
| Anthropic | Anthropic Chat Model | Claude 3.5 Sonnet, Claude 3 Opus | Forte per analisi e contesto lungo |
| Google Gemini Chat Model | Gemini 1.5 Pro, Gemini Flash | Buon livello gratuito | |
| Ollama | Ollama Chat Model | Llama 3, Mistral, Phi-3 | Completamente locale, nessun costo API |
| Groq | Groq Chat Model | Llama 3, Mixtral | Inferenza estremamente veloce |
| AWS Bedrock | AWS Bedrock Chat Model | Claude, Titan, Llama | Integrazione enterprise AWS |
Per lo sviluppo locale e il test, Ollama è l'opzione a costo zero — esegui modelli sulla tua macchina e connetti n8n a localhost:11434. Per la produzione, la maggior parte dei team usa OpenAI o Anthropic a seconda del compito.
Ricette di workflow pronti per la produzione
Ecco tre pattern pronti per la produzione che puoi costruire in meno di 30 minuti:
Ricetta 1: Classificazione automatica dei ticket di supporto
Trigger: Arriva una nuova email (nodo Gmail/Outlook) Chain: Basic LLM Chain con un prompt di classificazione Output: Instrada verso diversi canali Slack in base alla categoria
Il prompt fa il lavoro pesante: Classify this support email into exactly one category: billing, technical, feature_request, or other. Respond with only the category name.
Ricetta 2: Digest di contenuto settimanale
Trigger: Pianificazione (ogni lunedì alle 9) Agente: Tools Agent con SerpAPI + Custom Code Tool Memoria: Non necessaria (compito una tantum) Output: Report riassunto inviato a Slack/Email
L'agente cerca notizie del settore, riassume i 5 articoli principali e formatta un digest. Il Custom Code Tool gestisce qualsiasi logica di formattazione che è più facile in JavaScript che in un prompt.
Ricetta 3: Bot Slack basato sui documenti
Trigger: Messaggio Slack in un canale specifico Agente: Tools Agent con Vector Store Tool Memoria: Redis Chat Memory (con chiave per ID thread Slack) Output: Risposta al thread Slack
Questa è la pipeline Q&A di prima, ma attivata da Slack invece di un'interfaccia di chat. La chiave di memoria basata sul thread significa che ogni conversazione Slack ottiene il proprio contesto.
Per i team che esplorano quali strumenti RAG usare insieme a n8n, la scelta del vector store conta meno della tua strategia di chunking. Inizia con il Simple (In-Memory) Vector Store per la prototipazione, poi passa a Pinecone o Qdrant per la produzione.
Errori comuni e come evitarli
Dopo aver costruito dozzine di workflow IA n8n, questi sono gli ostacoli che fanno inciampare le persone:
1. Saltare il system prompt. Il nodo AI Agent funziona senza system prompt, ma male. Definisci sempre il ruolo dell'agente, gli strumenti disponibili e il comportamento preferito. Dieci minuti sul prompt ti risparmiano ore di debug di risposte strane.
2. Usare un unico workflow gigante. Separa l'ingestione e le query in workflow distinti. Il workflow di ingestione viene eseguito occasionalmente (quando arrivano nuovi documenti). Il workflow di query viene eseguito continuamente. Mescolarli crea conflitti di esecuzione.
3. Scegliere la dimensione di chunk sbagliata. Il chunking predefinito (1000 caratteri) funziona per i contenuti generali. Per i documenti tecnici, scendi a 300–500 token. Per i documenti legali, aumenta a 800–1000 token con sovrapposizione maggiore. Non esiste una dimensione di chunk universalmente «giusta» — testa con i tuoi documenti reali.
4. Ignorare il registro di esecuzione. n8n mostra la traccia di esecuzione completa per ogni esecuzione del workflow. Quando un agente dà una risposta sbagliata, controlla quale strumento ha chiamato (o non ha chiamato), quali chunk sono stati recuperati e quale ragionamento ha mostrato. Il registro ti dice esattamente dove le cose sono andate storte.
5. Pagare per GPT-4o quando non ne hai bisogno. Per classificazione, riepilogo e Q&A semplice, GPT-4o-mini è al 90% buono quanto GPT-4o al 10% del costo. Riserva GPT-4o o Claude per ragionamenti complessi multi-passo.
Come Techsy affronta l'automazione IA con n8n
Abbiamo costruito workflow IA n8n per clienti che vanno da startup di 3 persone a team enterprise. Il nostro processo:
- Mappare il flusso decisionale — Prima di aprire n8n, tracciamo ogni punto decisionale e fonte di dati
- Prototipare con Simple Vector Store — Far funzionare la logica centrale con archiviazione in memoria
- Testare presto con dati reali — I dati di test sintetici nascondono problemi di chunking e recupero
- Aggiungere memoria e persistenza — Solo dopo che la logica Q&A o agente centrale è validata
- Monitorare e iterare — Tracciare quali chiamate agli strumenti riescono, quali chunk vengono recuperati e dove gli utenti si frustrano
Se stai costruendo agenti IA per workflow aziendali e vuoi aiuto nella progettazione dell'architettura, contattaci per una consulenza gratuita.
Domande frequenti
Devo conoscere LangChain per usare i nodi IA di n8n?
No. n8n astrae LangChain in nodi visivi con configurazioni a menu a tendina. Capire i concetti LangChain (agenti, catene, memoria, retriever) ti aiuta a prendere decisioni di design migliori, ma non scrivi mai codice LangChain a meno che tu non scelga di usare il nodo LangChain Code.
Posso usare LLM locali con n8n invece di OpenAI?
Sì. Connetti il sotto-nodo Ollama Chat Model a qualsiasi modello in esecuzione sulla tua macchina (Llama 3, Mistral, Phi-3, ecc.). Puntalo su http://localhost:11434 e avrai un workflow IA completamente privato e gratuito. Groq è un'altra opzione per un'inferenza veloce senza gestire il proprio hardware.
Qual è la differenza tra una Chain e un Agent in n8n?
Una catena segue una sequenza fissa — l'input passa per il passo A, poi B, poi C. Un agente decide dinamicamente quali strumenti chiamare in base all'input. Usa le catene per compiti prevedibili (riepilogo, classificazione). Usa gli agenti quando il workflow deve prendere decisioni su cosa fare dopo.
Quanti documenti può gestire il Simple Vector Store?
Il Simple (In-Memory) Vector Store funziona bene per la prototipazione con qualche centinaio di documenti. Per la produzione con migliaia di documenti, passa a Pinecone, Qdrant, Supabase o Chroma. Il workflow rimane lo stesso — sostituisci solo il nodo vector store.
Posso attivare i workflow IA di n8n da applicazioni esterne?
Sì. Usa il Webhook Trigger node per esporre il tuo workflow IA come endpoint API. Qualsiasi applicazione in grado di fare richieste HTTP può inviare dati al tuo agente e ottenere una risposta. È così che integri i workflow IA di n8n nei prodotti esistenti.
n8n è gratuito per i workflow IA?
La Community Edition di n8n è completamente open source e gratuita per l'auto-hosting. Tutti i nodi LangChain sono inclusi. I piani Cloud partono da $24/mese se non vuoi gestire l'infrastruttura. I costi API LLM (OpenAI, Anthropic, ecc.) sono separati e fatturati dal provider.
Come gestisce n8n gli errori nei workflow degli agenti IA?
n8n ha una gestione degli errori integrata a livello di nodo. Puoi impostare logica di retry, percorsi di fallback e workflow di errore. Per problemi specifici dell'IA (come timeout LLM o limiti di velocità), aggiungi un retry con backoff esponenziale sul sotto-nodo Chat Model. Il registro di esecuzione mostra esattamente dove si verificano i guasti.
Posso usare i workflow IA di n8n con le mie chiavi API?
Sì. Ogni nodo LLM richiede di creare una credenziale con la propria chiave API. n8n archivia le credenziali in modo crittografato. Se esegui il self-hosting, le chiavi non lasciano mai la tua infrastruttura.
A cosa serve il nodo LangChain Code?
Il nodo LangChain Code ti permette di scrivere JavaScript personalizzato che usa direttamente i moduli LangChain. È una via di fuga per quando i nodi visivi di n8n non coprono esattamente il tuo caso d'uso — forse hai bisogno di un retriever personalizzato, di un template di prompt specifico o di un modulo LangChain che n8n non ha ancora avvolto.
Come condivido i workflow IA di n8n con il mio team?
Esporta il workflow come JSON (Ctrl+Maiusc+E) e condividi il file. Chiunque può importarlo nella propria istanza n8n. Per la collaborazione in team, n8n Cloud include spazi di lavoro condivisi con cronologia delle versioni. Puoi anche eseguire il commit dei file JSON del workflow su Git per il controllo delle versioni.