Tutorial Agenti IA n8n: Costruire Workflow Intelligenti Passo dopo Passo

Tutorial Agenti IA n8n: Costruire Workflow Intelligenti Passo dopo Passo

Il divario tra "voglio un agente IA" e "ho un agente IA funzionante" è solitamente fatto di centinaia di righe di codice Python di connessione. Gli agenti IA di n8n colmano questo divario con un editor visuale di workflow dove trascini, rilasci e colleghi agenti potenziati da LLM che fanno davvero cose — cercano sul web, interrogano database, inviano e-mail, aggiornano fogli di calcolo. Scrivi un prompt di sistema invece del codice boilerplate di un framework.

Questo tutorial ti guida nella costruzione di due veri workflow di agenti da zero: un agente di ricerca web e un bot di assistenza clienti con memoria. Alla fine, capirai ogni tipo di nodo di cui hai bisogno e come si incastrano tra loro.

Cos'è n8n (e perché usarlo per gli agenti IA)?

n8n è una piattaforma di automazione dei workflow open source — pensa a Zapier, ma ospitabile in autonomia con una filosofia "codice quando serve". Connette oltre 500 servizi tramite un editor visuale basato su nodi.

Ciò che rende n8n particolarmente interessante per gli agenti IA è la sua integrazione nativa con LangChain. Invece di scrivere codice Python LangChain, configuri gli stessi concetti (agenti, strumenti, memoria, modelli) come nodi visivi. Il nodo AI Agent gestisce il ciclo di ragionamento — tu colleghi semplicemente con cosa deve pensare e cosa può fare.

Perché scegliere n8n invece del puro codice?

• Debug visuale: vedi esattamente dove si rompe la catena di ragionamento dell'agente
• Oltre 500 integrazioni diventano strumenti agente istantanei (Slack, Gmail, Google Sheets, database)
• Ospitabile gratuitamente in autonomia (Community Edition) o n8n Cloud a partire da $20/mese
• Il supporto MCP consente ai workflow n8n di diventare strumenti per agenti IA esterni, e viceversa

Se stai valutando diversi framework di agenti come LangGraph, CrewAI o l'OpenAI Agents SDK, n8n appartiene a una categoria diversa — è per chi vuole agenti in produzione senza gestire un runtime Python.

Come funziona il nodo AI Agent di n8n

Ogni workflow di agente IA in n8n ha una struttura gerarchica. Il nodo Agent è al centro, e i sotto-nodi si connettono sotto per fornire capacità.

Ecco l'anatomia:

Il Tools Agent è quello che userai nel 90% dei casi. È il tipo di agente più flessibile — prende il tuo prompt, ragiona su quali strumenti chiamare, li esegue e cicla finché non ha una risposta. Sotto il cofano, esegue un ciclo ReAct (Reason + Act): pensa, agisci, osserva, ripeti.

n8n offre anche agenti specializzati — un SQL Agent per le query del database, un Plan and Execute Agent che suddivide le attività in sottostep, e un Conversational Agent per flussi di chat più semplici. Ma il Tools Agent copre la maggior parte dei casi d'uso.

Cosa ti serve prima di iniziare

Prima di costruire qualsiasi cosa, sistema questi tre aspetti:

1. Un'istanza n8n — o iscriviti a n8n Cloud ($20/mese Starter) o ospita autonomamente con Docker:

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

1. Una chiave API LLM — OpenAI, Anthropic o Google Gemini. Puoi anche usare Ollama per modelli locali gratuiti, anche se le prestazioni del tool-calling variano.

2. Una chiave API dello strumento (opzionale) — SerpAPI per la ricerca web ($50/mese) o Brave Search API (livello gratuito). Puoi costruire agenti senza ricerca, ma è lo strumento iniziale più comune.

Una volta avviato n8n, apri http://localhost:5678 (ospitato in autonomia) o la dashboard cloud. Crea un nuovo workflow e sei pronto.

Costruire l'Agente 1: Un Agente di Ricerca Web

Questo agente prende un argomento, cerca sul web, legge i risultati e scrive un riepilogo strutturato. È il "hello world" degli agenti IA n8n ed è genuinamente utile per la ricerca di contenuti.

Passo 1: Aggiungere un Manual Trigger

Clicca su + e cerca "Manual Trigger". Trascinalo sulla tela. Questo ti permette di testare il workflow cliccando su "Test Workflow" — lo sostituirai con un webhook o chat trigger in seguito.

Passo 2: Aggiungere un nodo Edit Fields

Aggiungi un nodo Edit Fields dopo il trigger. Imposta un campo chiamato topic con un valore stringa come "Ultimi sviluppi nel Model Context Protocol". Questo simula l'input dell'utente.

Passo 3: Aggiungere il nodo AI Agent

Cerca "AI Agent" e aggiungilo. Seleziona Tools Agent come tipo di agente.

Nel campo System Message, scrivi un prompt che definisce il comportamento:

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.

Sotto Prompt, imposta l'espressione: {{ $json.topic }} — questo recupera l'argomento dal nodo Edit Fields.

Passo 4: Collegare un Chat Model

Clicca su + sotto il nodo Agent per aggiungere un sotto-nodo. Seleziona OpenAI Chat Model (o qualsiasi LLM stai usando).

Configuralo:

• Model: gpt-4o (o gpt-4o-mini per esecuzioni meno costose)
• Temperature: 0.3 (più basso = più fattuale, meno creativo)

Incolla la tua chiave API nella sezione credenziali.

Passo 5: Aggiungere lo strumento di ricerca

Clicca di nuovo su + per aggiungere un sotto-nodo strumento. Scegli SerpAPI (o HTTP Request Tool se vuoi accedere a un'API di ricerca personalizzata).

Per SerpAPI:

• Aggiungi la tua chiave API come credenziale
• L'agente chiamerà questo strumento ogni volta che decide di dover cercare

Per un'alternativa gratuita, usa l'HTTP Request Tool configurato per la 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

L'espressione $fromAI() è la magia — dice all'agente "sei tu a decidere quale valore passare qui."

Passo 6: Testare

Clicca su Test Workflow. Guarda il pannello di esecuzione a destra. Vedrai:

1. L'agente riceve l'argomento
2. Decide di cercare (chiamata strumento)
3. SerpAPI restituisce i risultati
4. L'agente ragiona sui risultati
5. Potrebbe cercare di nuovo per più dettagli
6. Produce un riepilogo finale

Se l'agente cicla senza convergere, il tuo prompt di sistema probabilmente ha bisogno di istruzioni più precise. Digli esattamente quando smettere di cercare.

Costruire l'Agente 2: Un Bot di Assistenza Clienti con Memoria

L'agente di ricerca era stateless — dimenticava tutto dopo ogni esecuzione. Un bot di assistenza clienti ha bisogno di ricordare la conversazione. È qui che entra in gioco la memoria dell'agente.

Passo 1: Usare un Chat Trigger

Questa volta, inizia con il nodo Chat Trigger invece del Manual Trigger. Questo ti dà il widget di chat integrato di n8n per testare le conversazioni.

Passo 2: Configurare l'agente

Aggiungi un nodo Tools Agent. Prompt di sistema:

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

Passo 3: Aggiungere la memoria

Clicca su + sull'Agent per aggiungere un sotto-nodo e seleziona Window Buffer Memory.

• Context Window Length: 10 (ricorda gli ultimi 10 scambi di messaggi)
• Session ID: {{ $json.sessionId }} (dal chat trigger)

Questa è l'opzione di memoria più semplice — mantiene i messaggi recenti in una finestra scorrevole. Per i bot in produzione che necessitano di memoria persistente tra le sessioni, usa invece Postgres Chat Memory o Redis Chat Memory. La nostra guida sui migliori strumenti di memoria per agenti IA copre i compromessi tra questi approcci.

Passo 4: Aggiungere gli strumenti

Aggiungi due sotto-nodi strumento:

Strumento 1 — Base di conoscenza (Vector Store QA): Se hai documenti di prodotto in un vector store (Pinecone, Qdrant, Supabase), usa il Vector Store Question Answer Tool. Questo è essenzialmente RAG (Retrieval-Augmented Generation) in un singolo nodo.

Strumento 2 — Creazione ticket (HTTP Request): Aggiungi un HTTP Request Tool configurato per fare POST alla tua API di ticketing:

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') }}"
}

Passo 5: Testare la conversazione

Clicca su Test Workflow e apri il pannello chat. Prova una conversazione a più turni:

• "Ciao, sono Alex. Come esporto le mie attività in CSV?"
• "E l'esportazione in PDF?"
• "In realtà, l'esportazione PDF non funziona per me — puoi segnalare un bug?"

Guarda come l'agente cerca nella base di conoscenza per le prime due domande e crea un ticket per la terza. Il nodo memoria garantisce che ricordi il nome di Alex e il contesto del problema PDF.

Usare MCP per Estendere i Tuoi Agenti

n8n ora supporta il Model Context Protocol (MCP) in entrambe le direzioni — ed è qui che le cose diventano davvero potenti.

Consumare server MCP: Aggiungi il sotto-nodo MCP Client Tool al tuo agente. Puntalo verso qualsiasi URL di server MCP e l'agente scopre automaticamente tutti gli strumenti esposti da quel server e può invocarli. Un nodo, decine di strumenti.

Esporre i workflow come strumenti MCP: Usa il nodo MCP Server Trigger per trasformare qualsiasi workflow n8n in uno strumento compatibile MCP. Gli agenti esterni in esecuzione su Claude Desktop, Cursor o VS Code possono quindi scoprire e chiamare i tuoi workflow n8n. Costruisci una volta un workflow "invia notifica Slack" e ogni agente compatibile MCP nel tuo stack può usarlo.

Questo supporto MCP bidirezionale trasforma n8n in un hub di agenti — i tuoi agenti n8n chiamano strumenti esterni via MCP, e gli agenti esterni chiamano i tuoi workflow n8n via MCP.

Consigli Pratici per Agenti n8n Migliori

Dopo aver costruito decine di workflow di agenti, ecco cosa conta davvero:

Mantieni basso il numero di strumenti. Gli agenti si confondono con più di 5–7 strumenti. Se ne hai bisogno di più, crea un "agente manager" che delega ad "agenti worker" specializzati — n8n supporta workflow da agente ad agente.

Sii prescrittivo nei prompt di sistema. Non dire solo "aiuta l'utente." Specifica regole esatte, formati di output e quando usare ogni strumento. Più specifico è il tuo prompt, meno chiamate di strumenti inaspettate.

Imposta limiti di token. Nella configurazione del Chat Model, imposta un limite massimo di token. Senza di esso, un agente confuso può esaurire il tuo budget API in un singolo ciclo.

Usa nodi di gestione degli errori. Aggiungi un workflow Error Trigger che cattura i fallimenti e ti notifica via Slack o e-mail. Altrimenti gli agenti falliscono silenziosamente.

Testa prima con i casi limite. Chiedi al tuo agente qualcosa che non dovrebbe sapere. Se allucinala invece di dire "non lo so", il tuo prompt ha bisogno di guardrail.

Registra tutto in sviluppo. Abilita il logging delle esecuzioni (disponibile sul piano Pro o in autonomia) per poter riprodurre ed eseguire il debug esattamente dove un agente è andato storto.

Quando gli Agenti n8n Hanno Senso (e Quando No)

n8n è una buona scelta se:

• Vuoi agenti in produzione senza gestire un'infrastruttura Python
• I tuoi workflow connettono più strumenti SaaS (Slack, Gmail, Notion, database)
• Il tuo team include non sviluppatori che devono modificare il comportamento dell'agente
• Hai bisogno di debug visuale delle catene di ragionamento dell'agente

n8n è probabilmente la scelta sbagliata se:

• Hai bisogno di un controllo granulare sulle architetture degli agenti (usa invece LangGraph o CrewAI)
• Il tuo agente è puramente computazionale (pipeline ML, elaborazione dati) senza integrazioni
• Stai costruendo un sistema di ricerca multi-agente con gestione complessa dello stato

Per i casi d'uso di automazione aziendale — bot di assistenza clienti, agenti di elaborazione dati, assistenti di ricerca, qualificazione dei lead — n8n colpisce nel segno tra potenza e accessibilità.

FAQ

Quali LLM supporta n8n per gli agenti IA?

n8n supporta OpenAI (GPT-4o, GPT-4, GPT-3.5), Anthropic Claude (famiglia Claude 3.5 e 4), Google Gemini, Mistral, Cohere, modelli HuggingFace e modelli locali tramite Ollama. Cambi modello modificando un singolo sotto-nodo — nessuna modifica del workflow necessaria.

n8n è gratuito per costruire agenti IA?

La Community Edition ospitata in autonomia è completamente gratuita senza limiti di esecuzione. n8n Cloud parte da $20/mese (Starter) con 2.500 esecuzioni. Pagherai comunque separatamente il tuo fornitore LLM (OpenAI, Anthropic, ecc.) per le chiamate API.

Come si confronta l'agente IA di n8n con la scrittura di agenti in Python?

n8n scambia la personalizzazione con la velocità. Un agente Python con LangChain ti dà il controllo completo su ogni passo di ragionamento. n8n ti dà l'80% di quella capacità nel 20% del tempo, con debug visuale e oltre 500 integrazioni integrate. Scegli Python per la ricerca o le architetture innovative; scegli n8n per l'automazione aziendale.

Gli agenti n8n possono usare strumenti come la ricerca web e i database?

Sì. Gli agenti n8n possono usare qualsiasi strumento disponibile come nodo — SerpAPI, Brave Search, HTTP Request (per qualsiasi API), database SQL, Google Sheets, Slack e centinaia di altri. Li aggiungi come sotto-nodi sotto il nodo Agent.

Cos'è il MCP Client Tool in n8n?

Il MCP Client Tool connette il tuo agente n8n a server MCP (Model Context Protocol) esterni. Il tuo agente scopre automaticamente tutti gli strumenti esposti da quel server e può chiamarli durante il ragionamento. È un singolo nodo che può sbloccare decine di strumenti esterni.

Come aggiungo memoria a un agente IA n8n?

Aggiungi un sotto-nodo memoria sotto il tuo nodo Agent. Window Buffer Memory è l'opzione più semplice (mantiene gli ultimi N messaggi). Per la memoria persistente tra le sessioni, usa Postgres Chat Memory, Redis Chat Memory o Zep Memory. Imposta un ID di sessione per tracciare le conversazioni individuali.

Posso connettere più agenti in n8n?

Sì. n8n supporta workflow da agente ad agente dove un agente "manager" delega compiti ad "agenti worker" specializzati. Costruisci ogni worker come un sotto-workflow separato e li connetti tramite lo strumento Call n8n Workflow.

Qual è la differenza tra il Tools Agent e gli altri tipi di agenti?

Il Tools Agent usa un ciclo di ragionamento ReAct e funziona con qualsiasi strumento. Il OpenAI Functions Agent usa l'API di function-calling nativa di OpenAI (leggermente più veloce ma solo OpenAI). Il SQL Agent è specializzato per le query di database. Il Plan and Execute Agent suddivide le attività complesse in sottostep. Per la maggior parte dei casi d'uso, inizia con il Tools Agent.

Come distribuisco un agente n8n in produzione?

Per l'hosting autonomo: usa Docker Compose con PostgreSQL e Redis, abilita la modalità coda per la scalabilità orizzontale e mettilo dietro un reverse proxy con SSL. Per il cloud: attiva semplicemente il workflow — n8n gestisce l'infrastruttura. In entrambi i casi, sostituisci il Chat Trigger con un Webhook trigger in modo che le applicazioni esterne possano chiamare il tuo agente.

Gli agenti n8n possono gestire upload di file e immagini?

n8n può elaborare file tramite la gestione dei dati binari. Puoi costruire agenti che ricevono upload di file via webhook, estraggono testo (usando un nodo Code con un parser PDF, per esempio) e ragionano sul contenuto. L'analisi visiva/delle immagini nativa dipende dal fatto che il tuo LLM supporti l'input multimodale (GPT-4o lo fa, per esempio).

Fonti

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