AI-workflows bouwen met n8n en LangChain
n8n en LangChain lossen samen een probleem op dat de meeste teams vroeg of laat tegenkomen: je wilt AI-agents die verbinding maken met echte data en echte acties triggeren, maar LangChain in Python integreren betekent een hele applicatiestack onderhouden. De native LangChain-nodes van n8n laten je agents, chains, geheugen en vector stores drag-and-drop inbouwen in visuele workflows — en die dan verbinden met 400+ integraties zonder SDK-code te schrijven.
Wat je krijgt: de LangChain-nodebibliothiek van n8n
n8n wordt geleverd met meer dan 70 AI-nodes die LangChain-concepten implementeren als visuele bouwblokken. In plaats van langchain in Python te importeren en modules aan elkaar te koppelen, verbind je nodes op een canvas. Hier is het volledige overzicht:
| Nodecategorie | Wat het doet | Belangrijkste nodes |
|---|---|---|
| Root Nodes | Kern-AI-logica (het 'brein') | AI Agent, Basic LLM Chain, Q&A Chain, Summarization Chain |
| Chat Models | LLM-verbindingen | OpenAI, Anthropic Claude, Google Gemini, Ollama, Groq, Mistral, DeepSeek |
| Memory | Conversiepersistentie | Simple Memory, Redis, Postgres, MongoDB, Zep |
| Vector Stores | Documentopslag + ophalen | Pinecone, Qdrant, Supabase, Chroma, Weaviate, PGVector, In-Memory |
| Embeddings | Tekst-naar-vector conversie | OpenAI, Cohere, HuggingFace, Ollama, AWS Bedrock |
| Tools | Externe mogelijkheden voor agents | Calculator, SerpAPI, Wikipedia, Custom Code, MCP Client, Workflow Tool |
| Output Parsers | Gestructureerde antwoordopmaak | Auto-fixing, Structured, Item List |
| Text Splitters | Document-chunking | Character, Recursive Character, Token |
De architectuur maakt gebruik van wat n8n cluster nodes noemt — een root-node (zoals de AI Agent) verbindt zich met sub-nodes (chat model, memory, tools) die zijn mogelijkheden uitbreiden. Zie het als het modulesysteem van LangChain, maar visueel.
Hoe n8n LangChain-concepten mapt
Als je LangChain al in code hebt gebruikt, is de mapping van n8n eenvoudig:
| LangChain-concept | n8n-equivalent | Wanneer te gebruiken |
|---|---|---|
ChatOpenAI() | OpenAI Chat Model sub-node | Elke workflow die een LLM nodig heeft |
ConversationBufferMemory() | Simple Memory / Redis Memory | Meerdere gespreksrondes |
RetrievalQA.from_chain_type() | Q&A Chain + Vector Store Retriever | Vragen beantwoorden over documenten |
AgentExecutor met tools | AI Agent node (Tools Agent type) | Dynamische toolselectie |
RecursiveCharacterTextSplitter() | Recursive Character Text Splitter sub-node | Documenten splitsen voor RAG |
FAISS.from_documents() | Simple Vector Store (Insert Documents) | Embeddings lokaal opslaan |
Het cruciale verschil? In code schrijf je 50–100 regels om dit samen te voegen. In n8n verbind je 4–6 nodes op een canvas en configureer je ze via dropdown-menu's.
Een document-Q&A-pipeline bouwen (RAG)
Laten we iets concreets bouwen. Deze workflow importeert PDF-documenten, slaat ze op in een vectordatabase en beantwoordt vragen over de inhoud. Het is een klassiek RAG-patroon (Retrieval-Augmented Generation) — de meest nuttige LangChain-workflow voor zakelijke teams.
Stap 1: De data-ingestie-workflow opzetten
Maak een nieuwe workflow aan voor het laden van documenten. Je voert dit eenmalig uit wanneer je nieuwe documenten hebt.
Toe te voegen nodes:
- Manual Trigger — Klikken om de ingestie te starten
- Google Drive node (of HTTP Request, Read Binary File) — Haalt je brondocumenten op
- Simple Vector Store — Operatie instellen op Insert Documents
- OpenAI Embeddings sub-node — Verbindt met de Vector Store, converteert tekst naar vectoren
- Default Data Loader sub-node — Parseert documentinhoud in chunks
- Recursive Character Text Splitter sub-node — Splitst inhoud in ~500-token-chunks met 50-token-overlap
Configuratiedetails voor de Vector Store:
- Operatie:
Insert Documents - Memory Key: Geef het een beschrijvende naam zoals
company-docs(zo verwijs je er later naar) - De Data Loader verbindt als sub-node en verwerkt PDF/tekst-parsing automatisch
Configuratie voor de Text Splitter:
- Chunk Size: 500 (tokens)
- Chunk Overlap: 50 (zorgt dat context niet verloren gaat aan grenzen)
- Splitmethode: Recursive Character (verwerkt Markdown, HTML en platte tekst intelligent)
Stap 2: De Q&A-agent-workflow bouwen
Maak nu een tweede workflow aan — dit is degene waarmee gebruikers interacteren.
Toe te voegen nodes:
- Chat Trigger — Biedt de chatinterface voor vragen
- AI Agent (Tools Agent type) — Het brein dat beslist wat te doen
- OpenAI Chat Model sub-node — Verbind GPT-4o of GPT-4o-mini
- Simple Memory sub-node — Onthoudt de conversatiecontext
- Vector Store Tool sub-node — Geeft de agent toegang tot je documenten
Configuratie voor de AI Agent-node:
- Agenttype: Tools Agent (de meest flexibele optie — het beslist wanneer en hoe tools te gebruiken)
- System Prompt:
Je bent een behulpzame assistent die vragen beantwoordt op basis van onze bedrijfsdocumenten. Vermeld altijd in welk document je het antwoord hebt gevonden. Als de informatie niet in de documenten staat, zeg dit dan duidelijk.
Configuratie voor de Vector Store Tool:
- Naam:
search_documents - Beschrijving:
Doorzoekt de bedrijfskennisbank naar relevante informatie. Gebruik dit gereedschap wanneer de gebruiker vraagt over bedrijfsbeleid, procedures of documentatie. - Vector Store: Selecteer je Simple Vector Store
- Embeddingmodel: Hetzelfde OpenAI Embeddings-model dat je tijdens de ingestie hebt gebruikt
- Top K: 4 (aantal relevante chunks om op te halen)
Deze beschrijving is belangrijker dan je denkt. De agent gebruikt het om te beslissen wanneer het tool aan te roepen in plaats van te antwoorden vanuit zijn eigen kennis. Wees specifiek.
Stap 3: Testen en verfijnen
Klik op Chat in het onderste paneel om de ingebouwde chatinterface van n8n te openen. Stel een vraag over je documenten. Bekijk de uitvoeringstrace — n8n laat je precies zien welke nodes zijn geactiveerd, wat het redeneren van de agent was en welke documentchunks zijn opgehaald.
Veelvoorkomende problemen in deze fase:
- Agent gebruikt het tool niet: Je toolomschrijving is te vaag. Maak het specifiek over welke kennis het tool bevat.
- Haalt irrelevante chunks op: Vergroot chunk-overlap of verklein de chunkgrootte. Probeer 300 tokens met een overlap van 100.
- Trage antwoorden: Schakel over naar GPT-4o-mini voor het chat model. Het is 10x goedkoper en snel genoeg voor de meeste Q&A-taken.
Een tool-calling-agent bouwen
De bovenstaande Q&A-pipeline is geweldig voor documenten. Maar wat als je een agent wilt die op het web kan zoeken, berekeningen kan uitvoeren, databases kan bevragen EN vragen uit documenten kan beantwoorden? Dat is waar de Tools Agent echt uitblinkt.
De workflow-opzet
- Chat Trigger — Gebruikersinvoer
- AI Agent (Tools Agent) — Stuurt door naar het juiste tool
- OpenAI Chat Model — GPT-4o voor complex redeneren
- Simple Memory — Gespreksgeschiedenis
- Meerdere verbonden tools:
- SerpAPI Tool — Zoekfunctionaliteit op het web
- Calculator Tool — Wiskundige bewerkingen
- Vector Store Tool — Je documentenkennisbank
- Custom Code Tool — Elke JavaScript-functie die je schrijft
- Workflow Tool — Triggert een andere n8n-workflow als tool
De Workflow Tool is het geheime wapen van n8n. Hiermee kun je elke n8n-workflow verpakken als een tool die de agent kan aanroepen. Heb je een workflow die de voorraad controleert? Maak er een tool van. Eentje die Slack-berichten verstuurt? Tool. Eentje die je CRM bevraagt? Tool. Zo worden n8n's 400+ integratienodes beschikbaar voor je AI-agent.
System prompt voor multi-tool-agents
Je system prompt moet de agent informeren over zijn mogelijkheden:
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.Dit promptpatroon bepaalt direct hoe de agent tussen tools schakelt. Vage prompts leiden ertoe dat agents websearch gebruiken terwijl ze eerst je documenten zouden moeten raadplegen.
Het juiste agenttype kiezen
n8n biedt zes agenttypen. Hier is wanneer je welke kiest:
| Agenttype | Beste voor | Ondersteunt tools? | Opmerkingen |
|---|---|---|---|
| Tools Agent | De meeste use cases | Ja | Standaardkeuze — flexibel, betrouwbaar |
| Conversational Agent | Eenvoudige chatbots | Ja | Minder krachtig maar lichtgewicht |
| ReAct Agent | Complexe redeneerketens | Ja | Toont expliciete redeneeerstappen |
| OpenAI Functions Agent | OpenAI-specifieke functies | Ja | Gebruikt de function calling API van OpenAI |
| Plan and Execute Agent | Meerstappige taken | Ja | Plant eerst, voert dan uit — goed voor complexe workflows |
| SQL Agent | Databasevragen | Beperkt | Genereert en voert SQL uit tegen je database |
Voor de meeste teams is Tools Agent het juiste startpunt. Het verwerkt multi-tool-routing goed, werkt met elke LLM-provider en je kunt altijd later wisselen. Als je dit vergelijkt met het bouwen van agents in code met frameworks zoals LangGraph of CrewAI, ligt het voordeel hier bij nul deployment-overhead — je agent draait binnen de infrastructuur van n8n.
Geheugen toevoegen dat persistent is
Standaard houdt de Simple Memory sub-node de gespreksgeschiedenis in het geheugen — het verdwijnt wanneer de workflow opnieuw start. Voor productiegebruik wil je persistent geheugen.
Je opties:
| Geheugentype | Persistentie | Instelmoeite | Beste voor |
|---|---|---|---|
| Simple Memory | Alleen sessie | Geen | Testen, prototyping |
| Redis Chat Memory | Persistent, snel | Gemiddeld (Redis vereist) | Productiechatbots |
| Postgres Chat Memory | Persistent, bevraagbaar | Gemiddeld (Postgres vereist) | Wanneer je gesprekken wilt analyseren |
| MongoDB Chat Memory | Persistent, flexibel | Gemiddeld (MongoDB vereist) | Documentgeoriënteerde opslag |
| Zep Memory | Persistent + samenvatting | Gemiddeld (Zep vereist) | Lange gesprekken die contextvensters overschrijden |
Zep is het vermelden waard als je iets bouwt met lange gespreksgeschiedenissen. Het vat automatisch oudere berichten samen zodat je agent het contextvenster niet overschrijdt bij de 50e beurt van een gesprek.
Om persistent geheugen toe te voegen, vervang je simpelweg de Simple Memory sub-node door Redis/Postgres/Zep. De rest van je workflow blijft identiek.
Verbinding maken met verschillende LLM-providers
Elke root-node die een LLM nodig heeft accepteert een Chat Model sub-node. Van provider wisselen is een wijziging van één node:
| Provider | Nodenaam | Beschikbare modellen | Opmerkingen |
|---|---|---|---|
| OpenAI | OpenAI Chat Model | GPT-4o, GPT-4o-mini, o1, o3-mini | Meest getest met n8n |
| Anthropic | Anthropic Chat Model | Claude 3.5 Sonnet, Claude 3 Opus | Sterk voor analyse en lange context |
| Google Gemini Chat Model | Gemini 1.5 Pro, Gemini Flash | Goed gratis niveau | |
| Ollama | Ollama Chat Model | Llama 3, Mistral, Phi-3 | Volledig lokaal, geen API-kosten |
| Groq | Groq Chat Model | Llama 3, Mixtral | Extreem snelle inferentie |
| AWS Bedrock | AWS Bedrock Chat Model | Claude, Titan, Llama | Enterprise AWS-integratie |
Voor lokale ontwikkeling en testen is Ollama de nulkostenoptie — voer modellen uit op je machine en verbind n8n met localhost:11434. Voor productie gebruiken de meeste teams OpenAI of Anthropic, afhankelijk van de taak.
Praktische workflow-recepten
Hier zijn drie productieklare patronen die je in minder dan 30 minuten kunt bouwen:
Recept 1: Automatische classificatie van supporttickets
Trigger: Nieuwe e-mail ontvangen (Gmail/Outlook-node) Chain: Basic LLM Chain met een classificatieprompt Uitvoer: Stuurt door naar verschillende Slack-kanalen op basis van categorie
De prompt doet het zware werk: Classify this support email into exactly one category: billing, technical, feature_request, or other. Respond with only the category name.
Recept 2: Wekelijkse contentdigest
Trigger: Planning (elke maandag om 9 uur) Agent: Tools Agent met SerpAPI + Custom Code Tool Geheugen: Niet nodig (eenmalige taak) Uitvoer: Samengevat rapport gestuurd naar Slack/e-mail
De agent zoekt naar branchenieuws, vat de top 5 artikelen samen en formatteert een digest. De Custom Code Tool verwerkt alle opmaaknogica die in JavaScript eenvoudiger is dan in een prompt.
Recept 3: Document-gebaseerde Slack-bot
Trigger: Slack-bericht in een specifiek kanaal Agent: Tools Agent met Vector Store Tool Geheugen: Redis Chat Memory (gesorteerd op Slack-thread-ID) Uitvoer: Antwoord op de Slack-thread
Dit is de Q&A-pipeline van eerder, maar getriggerd door Slack in plaats van een chatinterface. De thread-gebaseerde geheugensleutel geeft elk Slack-gesprek zijn eigen context.
Voor teams die verkennen welke RAG-tools naast n8n te gebruiken, is de keuze van de vector store minder belangrijk dan je chunking-strategie. Begin met de Simple (In-Memory) Vector Store voor prototyping, ga dan over naar Pinecone of Qdrant voor productie.
Veelgemaakte fouten en hoe ze te vermijden
Na het bouwen van tientallen n8n AI-workflows zijn dit de valkuilen waar mensen over struikelen:
1. De system prompt overslaan. De AI Agent-node werkt zonder system prompt, maar slecht. Definieer altijd de rol van de agent, beschikbare tools en gewenst gedrag. Tien minuten aan de prompt bespaart je uren aan het debuggen van rare antwoorden.
2. Één gigantische workflow gebruiken. Splits ingestie en bevragingen op in afzonderlijke workflows. De ingestie-workflow draait af en toe (wanneer nieuwe docs binnenkomen). De bevragings-workflow draait constant. Ze mengen creëert uitvoeringsconflicten.
3. De verkeerde chunkgrootte kiezen. Standaard chunking (1000 tekens) werkt voor algemene content. Voor technische docs daalen naar 300–500 tokens. Voor juridische documenten verhogen naar 800–1000 tokens met hogere overlap. Er is geen universeel 'juiste' chunkgrootte — test met je eigen documenten.
4. Het uitvoeringslogboek negeren. n8n toont de volledige uitvoeringstrace voor elke workflow-run. Wanneer een agent een verkeerd antwoord geeft, controleer welk tool het aanriep (of niet), welke chunks zijn opgehaald en welk redeneren het toonde. Het logboek vertelt je precies waar het misging.
5. Betalen voor GPT-4o wanneer je dat niet nodig hebt. Voor classificatie, samenvatting en eenvoudige Q&A is GPT-4o-mini voor 90% zo goed voor 10% van de kosten. Bewaar GPT-4o of Claude voor complex meerstaps redeneren.
Hoe Techsy n8n AI-automatisering aanpakt
We hebben n8n AI-workflows gebouwd voor klanten variërend van 3-persoons startups tot enterprise-teams. Ons proces:
- De beslissingsstroom in kaart brengen — Voordat we n8n openen, schetsen we elk beslissingspunt en elke databron
- Prototypen met Simple Vector Store — De kernlogica werkend krijgen met in-memory-opslag
- Vroeg testen met echte data — Synthetische testdata verbergt chunking- en ophaalproblemen
- Geheugen en persistentie toevoegen — Alleen nadat de kern-Q&A- of agentlogica is gevalideerd
- Monitoren en itereren — Bijhouden welke tool-calls slagen, welke chunks worden opgehaald en waar gebruikers gefrustreerd raken
Als je AI-agents voor zakelijke workflows bouwt en hulp wilt bij het ontwerpen van de architectuur, neem contact op voor een gratis consultatie.
Veelgestelde vragen
Moet ik LangChain kennen om de AI-nodes van n8n te gebruiken?
Nee. n8n abstraheert LangChain in visuele nodes met dropdown-configuraties. Het begrijpen van LangChain-concepten (agents, chains, geheugen, retrievers) helpt je betere ontwerpbeslissingen te nemen, maar je schrijft nooit LangChain-code tenzij je kiest voor de LangChain Code-node.
Kan ik lokale LLM's met n8n gebruiken in plaats van OpenAI?
Ja. Verbind de Ollama Chat Model sub-node met elk model dat op je machine draait (Llama 3, Mistral, Phi-3, enz.). Wijs het naar http://localhost:11434 en je hebt een volledig privé, kostenloze AI-workflow. Groq is een andere optie voor snelle inferentie zonder je eigen hardware te beheren.
Wat is het verschil tussen een Chain en een Agent in n8n?
Een chain volgt een vaste volgorde — invoer gaat door stap A, dan B, dan C. Een agent beslist dynamisch welke tools aan te roepen op basis van de invoer. Gebruik chains voor voorspelbare taken (samenvatting, classificatie). Gebruik agents wanneer de workflow beslissingen moet nemen over wat er vervolgens te doen.
Hoeveel documenten kan de Simple Vector Store verwerken?
De Simple (In-Memory) Vector Store werkt prima voor prototyping met een paar honderd documenten. Voor productie met duizenden documenten, schakel over naar Pinecone, Qdrant, Supabase of Chroma. De workflow blijft hetzelfde — je vervangt alleen de vector store-node.
Kan ik n8n AI-workflows triggeren vanuit externe apps?
Ja. Gebruik de Webhook Trigger-node om je AI-workflow bloot te stellen als API-eindpunt. Elke app die HTTP-verzoeken kan doen, kan data naar je agent sturen en een antwoord ontvangen. Zo integreer je n8n AI-workflows in bestaande producten.
Is n8n gratis voor AI-workflows?
De n8n Community Edition is volledig open source en gratis te self-hosten. Alle LangChain-nodes zijn inbegrepen. De Cloud-abonnementen beginnen bij $24/maand als je geen infrastructuur wilt beheren. De LLM API-kosten (OpenAI, Anthropic, enz.) zijn apart en worden gefactureerd door de provider.
Hoe gaat n8n om met fouten in AI-agent-workflows?
n8n heeft ingebouwde foutafhandeling op nodeniveau. Je kunt herhaalpoginglogica, fallback-paden en foutworkflows instellen. Voor AI-specifieke problemen (zoals LLM-time-outs of limieten voor aanvragen), voeg een herhaalpogingsing met exponentiële backoff toe aan de Chat Model sub-node. Het uitvoeringslogboek toont precies waar fouten optreden.
Kan ik de AI-workflows van n8n gebruiken met mijn eigen API-sleutels?
Ja. Elke LLM-node vereist dat je een credential aanmaakt met je eigen API-sleutel. n8n slaat credentials versleuteld op. Als je self-host, verlaten de sleutels je infrastructuur nooit.
Waarvoor dient de LangChain Code-node?
De LangChain Code-node stelt je in staat aangepaste JavaScript te schrijven die LangChain-modules rechtstreeks gebruikt. Het is een nooduitgang voor gevallen waarbij de visuele nodes van n8n je exacte use case niet dekken — misschien heb je een aangepaste retriever nodig, een specifiek prompttemplate of een LangChain-module die n8n nog niet heeft ingepakt.
Hoe deel ik n8n AI-workflows met mijn team?
Exporteer de workflow als JSON (Ctrl+Shift+E) en deel het bestand. Iedereen kan het importeren in zijn n8n-instantie. Voor teamsamenwerking bevat n8n Cloud gedeelde werkruimtes met versiegeschiedenis. Je kunt workflow-JSON-bestanden ook committen naar Git voor versiebeheer.