Slik bygger du AI-arbeidsflyter med n8n og LangChain

Slik bygger du AI-arbeidsflyter med n8n og LangChain

n8n og LangChain løser sammen et problem de fleste team støter på før eller siden: du vil ha AI-agenter som kobler til ekte data og utløser ekte handlinger, men å integrere LangChain i Python betyr å vedlikeholde en hel applikasjonsstack. n8n sine innebygde LangChain-noder lar deg dra og slippe agenter, kjeder, minne og vektorlagre inn i visuelle arbeidsflyter — og deretter koble dem til 400+ integrasjoner uten å skrive SDK-kode.

Hva du får: n8n sitt LangChain-nodebibliotek

n8n leveres med over 70 AI-noder som implementerer LangChain-konsepter som visuelle byggeblokker. I stedet for å importere langchain i Python og koble moduler sammen, kobler du noder på et canvas. Her er den fullstendige oversikten:

Arkitekturen bruker det n8n kaller klusternoder — en rotnode (som AI Agent) kobler til undernoder (chat model, memory, tools) som utvider dens evner. Tenk på det som LangChain sitt modulsystem, men visuelt.

Hvordan n8n kartlegger LangChain-konsepter

Hvis du har brukt LangChain i kode, er n8n sin kartlegging enkel:

Den kritiske forskjellen? I kode skriver du 50–100 linjer for å sette alt dette sammen. I n8n kobler du 4–6 noder på et canvas og konfigurerer dem via rullegardinmenyer.

Bygge en dokument-Q&A-pipeline (RAG)

La oss bygge noe konkret. Denne arbeidsflyten importerer PDF-dokumenter, lagrer dem i en vektordatabase og svarer på spørsmål om innholdet. Det er et klassisk RAG-mønster (Retrieval-Augmented Generation) — den mest nyttige LangChain-arbeidsflyten for forretningsteam.

Steg 1: Sette opp datainntaksarbeidsflyten

Opprett en ny arbeidsflyt for å laste inn dokumenter. Du kjører dette en gang hver gang du har nye dokumenter å legge til.

Noder å legge til:

1. Manual Trigger — Klikk for å kjøre inntaket
2. Google Drive-node (eller HTTP Request, Read Binary File) — Henter kildedokumentene dine
3. Simple Vector Store — Sett operasjonen til Insert Documents
4. OpenAI Embeddings sub-node — Kobler til Vector Store, konverterer tekst til vektorer
5. Default Data Loader sub-node — Tolker dokumentinnhold i biter
6. Recursive Character Text Splitter sub-node — Deler innhold i ~500 tokens biter med 50 tokens overlapping

Konfigurasjonsdetaljer for Vector Store:

• Operasjon: Insert Documents
• Memory Key: Gi det et beskrivende navn som company-docs (slik refererer du til det senere)
• Data Loader kobler som en undernode og håndterer PDF/tekst-tolkning automatisk

Konfigurasjon for Text Splitter:

• Bitstørrelse: 500 (tokens)
• Bitoverlapping: 50 (sikrer at kontekst ikke går tapt ved grenser)
• Delingsmetode: Recursive Character (håndterer Markdown, HTML og vanlig tekst intelligent)

Steg 2: Bygge Q&A-agentarbeidsflyten

Opprett nå en andre arbeidsflyt — dette er den brukerne samhandler med.

Noder å legge til:

1. Chat Trigger — Gir chatgrensesnittet for spørsmål
2. AI Agent (Tools Agent-type) — Hjernen som bestemmer hva som skal gjøres
3. OpenAI Chat Model sub-node — Koble GPT-4o eller GPT-4o-mini
4. Simple Memory sub-node — Husker samtalesammenhengen
5. Vector Store Tool sub-node — Gir agenten tilgang til dokumentene dine

Konfigurasjon for AI Agent-noden:

• Agenttype: Tools Agent (det mest fleksible alternativet — den bestemmer når og hvordan verktøy skal brukes)
• System Prompt: Du er en hjelpsom assistent som svarer på spørsmål basert på selskapets dokumenter. Oppgi alltid i hvilket dokument du fant svaret. Hvis informasjonen ikke er i dokumentene, si det tydelig.

Konfigurasjon for Vector Store Tool:

• Navn: search_documents
• Beskrivelse: Søker i selskapets kunnskapsbase etter relevant informasjon. Bruk dette verktøyet når brukeren spør om selskapets retningslinjer, prosedyrer eller dokumentasjon.
• Vector Store: Velg din Simple Vector Store
• Innbyggingsmodell: Samme OpenAI Embeddings-modell du brukte under inntak
• Top K: 4 (antall relevante biter å hente)

Den beskrivelsen betyr mer enn du tror. Agenten bruker den for å bestemme når den skal kalle verktøyet kontra å svare fra sin egen kunnskap. Vær spesifikk.

Steg 3: Teste og forbedre

Klikk på Chat i bunnen for å åpne n8n sitt innebygde chatgrensesnitt. Still et spørsmål om dokumentene dine. Se på kjøringssporingen — n8n viser deg nøyaktig hvilke noder som ble utløst, hva agentens resonnement var og hvilke dokumentbiter som ble hentet.

Vanlige problemer på dette stadiet:

• Agenten bruker ikke verktøyet: Verktøybeskrivelsen din er for vag. Gjør den spesifikk om hvilken kunnskap verktøyet inneholder.
• Henter irrelevante biter: Øk bitoverlappingen eller reduser bitstørrelsen. Prøv 300 tokens med 100 overlapping.
• Trege svar: Bytt til GPT-4o-mini for chatmodellen. Det er 10 ganger billigere og raskt nok for de fleste Q&A-oppgaver.

Bygge en agent med verktøyanrop

Q&A-pipelinen ovenfor er flott for dokumenter. Men hva med en agent som kan søke på nettet, utføre beregninger, spørre databaser OG svare fra dokumenter? Det er der Tools Agent virkelig skinner.

Arbeidsflytoppsettet

1. Chat Trigger — Brukerinndata
2. AI Agent (Tools Agent) — Ruter til riktig verktøy
3. OpenAI Chat Model — GPT-4o for kompleks resonnering
4. Simple Memory — Samtalehistorikk
5. Flere tilkoblede verktøy:
   • SerpAPI Tool — Webbsøkingsfunksjon
   • Calculator Tool — Matematiske operasjoner
   • Vector Store Tool — Dokumentkunnskapsbasen din
   • Custom Code Tool — Enhver JavaScript-funksjon du skriver
   • Workflow Tool — Utløser en annen n8n-arbeidsflyt som et verktøy

Workflow Tool er n8n sitt hemmelige våpen. Det lar deg pakke inn en hvilken som helst n8n-arbeidsflyt som et verktøy agenten kan kalle. Har du en arbeidsflyt som sjekker lager? Gjør den til et verktøy. En som sender Slack-meldinger? Verktøy. En som spør CRM-et ditt? Verktøy. Slik blir n8n sine 400+ integrasjonsnoder tilgjengelige for AI-agenten din.

Systemprompt for multiverktøyagenter

Systempromptén din må fortelle agenten om dens evner:

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.

Dette promptmønsteret styrer direkte hvordan agenten ruter mellom verktøy. Vage prompter fører til at agenter bruker nettsøk når de burde sjekke dokumentene dine først.

Velge riktig agenttype

n8n tilbyr seks agenttyper. Her er når du velger hver enkelt:

For de fleste team er Tools Agent riktig startpunkt. Det håndterer multiverktøyruting godt, fungerer med enhver LLM-leverandør og du kan alltid bytte senere. Sammenlignet med å bygge agenter i kode med rammeverk som LangGraph eller CrewAI, er fordelen her null distribusjonsoverhead — agenten din kjører innenfor n8n sin infrastruktur.

Legge til minne som varer

Som standard holder Simple Memory sub-noden samtalehistorikk i minnet — det forsvinner når arbeidsflyten starter på nytt. For produksjonsbruk vil du ha vedvarende minne.

Alternativene dine:

Zep er verdt å fremheve hvis du bygger noe med lange samtalehistorikker. Det oppsummerer automatisk eldre meldinger slik at agenten din ikke sprenger kontekstvinduet ved tur 50 i en samtale.

For å legge til vedvarende minne, bytt bare Simple Memory sub-noden mot Redis/Postgres/Zep. Resten av arbeidsflyten forblir identisk.

Koble til ulike LLM-leverandører

Enhver rotnode som trenger en LLM aksepterer en Chat Model sub-node. Å bytte leverandør er en endring av én node:

For lokal utvikling og testing er Ollama nullkostnadsalternativet — kjør modeller på maskinen din og koble n8n til localhost:11434. For produksjon bruker de fleste team OpenAI eller Anthropic avhengig av oppgaven.

Virkelige arbeidsflytoppskrifter

Her er tre produksjonsklare mønstre du kan bygge på under 30 minutter:

Oppskrift 1: Automatisk klassifisering av supportsaker

Utløser: Ny e-post ankommer (Gmail/Outlook-node) Kjede: Basic LLM Chain med en klassifiseringsprompt Utdata: Ruter til ulike Slack-kanaler basert på kategori

Prompten gjør det tunge arbeidet: Classify this support email into exactly one category: billing, technical, feature_request, or other. Respond with only the category name.

Oppskrift 2: Ukentlig innholdssammendrag

Utløser: Tidsplan (hver mandag kl. 9) Agent: Tools Agent med SerpAPI + Custom Code Tool Minne: Ikke nødvendig (engångsoppgave) Utdata: Oppsummert rapport sendt til Slack/e-post

Agenten søker etter bransjenytt, oppsummerer de 5 beste artiklene og formaterer et sammendrag. Custom Code Tool håndterer all formateringslogikk som er enklere i JavaScript enn i en prompt.

Oppskrift 3: Dokumentbasert Slack-bot

Utløser: Slack-melding i en bestemt kanal Agent: Tools Agent med Vector Store Tool Minne: Redis Chat Memory (nøklet etter Slack-tråd-ID) Utdata: Svar til Slack-tråden

Dette er Q&A-pipelinen fra tidligere, men utløst av Slack i stedet for et chatgrensesnitt. Den trådbaserte minnenøkkelen betyr at hver Slack-samtale får sin egen kontekst.

For team som utforsker hvilke RAG-verktøy de skal bruke ved siden av n8n, betyr valget av vektorlager mindre enn delingsstrategien din. Start med Simple (In-Memory) Vector Store for prototyping, bytt deretter til Pinecone eller Qdrant for produksjon.

Vanlige feil og hvordan man unngår dem

Etter å ha bygget dusinvis av n8n AI-arbeidsflyter er dette fallgruvene som snubler folk:

1. Hoppe over systemprompten. AI Agent-noden fungerer uten systemprompt, men dårlig. Definer alltid agentens rolle, tilgjengelige verktøy og foretrukket atferd. Ti minutter på prompten sparer timer med feilsøking av rare svar.

2. Bruke én gigantisk arbeidsflyt. Del inntak og spørringer i separate arbeidsflyter. Inntaksarbeidsflyten kjører av og til (når nye dokumenter ankommer). Spørringsarbeidsflyten kjører konstant. Å blande dem skaper kjøringskonflikter.

3. Velge feil bitstørrelse. Standard deling (1000 tegn) fungerer for generelt innhold. For tekniske dokumenter, senk til 300–500 tokens. For juridiske dokumenter, øk til 800–1000 tokens med høyere overlapping. Det finnes ingen universelt «riktig» bitstørrelse — test med de faktiske dokumentene dine.

4. Ignorere kjøringsloggen. n8n viser den fullstendige kjøringssporingen for hver arbeidsflytkjøring. Når en agent gir et feil svar, sjekk hvilket verktøy den kalte (eller ikke kalte), hvilke biter som ble hentet og hvilket resonnement den viste. Loggen forteller deg nøyaktig hvor ting gikk galt.

5. Betale for GPT-4o når du ikke trenger det. For klassifisering, oppsummering og enkel Q&A er GPT-4o-mini 90% like bra til 10% av kostnadene. Reserver GPT-4o eller Claude for kompleks flertrinnsresonnering.

Slik tilnærmer Techsy seg n8n AI-automatisering

Vi har bygget n8n AI-arbeidsflyter for kunder som spenner fra 3-personers startups til enterprise-team. Prosessen vår:

1. Kartlegge beslutningsflyten — Før vi åpner n8n, tegner vi opp hvert beslutningspunkt og datakilde
2. Prototype med Simple Vector Store — Få kjernlogikken til å fungere med in-memory-lagring
3. Test med ekte data tidlig — Syntetiske testdata skjuler deling- og hentingsproblemer
4. Legg til minne og persistens — Bare etter at kjerne-Q&A- eller agentlogikken er validert
5. Overvåk og iterer — Spor hvilke verktøyanrop som lykkes, hvilke biter som hentes og hvor brukere frustreres

Hvis du bygger AI-agenter for forretningsarbeidsflyter og vil ha hjelp med å designe arkitekturen, kontakt oss for en gratis konsultasjon.

Vanlige spørsmål

Trenger jeg å kjenne til LangChain for å bruke n8n sine AI-noder?

Nei. n8n abstraherer LangChain til visuelle noder med rullegardinmenyskonfigurasjoner. Å forstå LangChain-konsepter (agenter, kjeder, minne, hentere) hjelper deg å ta bedre designbeslutninger, men du skriver aldri LangChain-kode med mindre du velger å bruke LangChain Code-noden.

Kan jeg bruke lokale LLM-er med n8n i stedet for OpenAI?

Ja. Koble Ollama Chat Model sub-noden til en hvilken som helst modell som kjører på maskinen din (Llama 3, Mistral, Phi-3 osv.). Pek den mot http://localhost:11434 og du har en fullstendig privat, nullkostnad AI-arbeidsflyt. Groq er et annet alternativ for rask inferens uten å administrere din egen maskinvare.

Hva er forskjellen mellom en Chain og en Agent i n8n?

En kjede følger en fast sekvens — inndata går gjennom trinn A, deretter B, deretter C. En agent bestemmer dynamisk hvilke verktøy som skal kalles basert på inndataene. Bruk kjeder for forutsigbare oppgaver (oppsummering, klassifisering). Bruk agenter når arbeidsflyten trenger å ta beslutninger om hva som skal gjøres neste.

Hvor mange dokumenter kan Simple Vector Store håndtere?

Simple (In-Memory) Vector Store fungerer fint for prototyping med noen hundre dokumenter. For produksjon med tusenvis av dokumenter, bytt til Pinecone, Qdrant, Supabase eller Chroma. Arbeidsflyten forblir den samme — du bytter bare ut vektorlagernoden.

Kan jeg utløse n8n AI-arbeidsflyter fra eksterne apper?

Ja. Bruk Webhook Trigger-noden for å eksponere AI-arbeidsflyten din som et API-endepunkt. Enhver app som kan sende HTTP-forespørsler kan sende data til agenten din og få et svar. Slik integrerer du n8n AI-arbeidsflyter i eksisterende produkter.

Er n8n gratis for AI-arbeidsflyter?

n8n Community Edition er fullstendig åpen kildekode og gratis å selvhoste. Alle LangChain-noder er inkludert. Skyplanene starter på $24/måned hvis du ikke vil administrere infrastruktur. LLM API-kostnadene (OpenAI, Anthropic osv.) er separate og faktureres av leverandøren.

Hvordan håndterer n8n feil i AI-agentarbeidsflyter?

n8n har innebygd feilhåndtering på nodenivå. Du kan sette opp logikk for nytt forsøk, reserveveier og feilarbeidsflyter. For AI-spesifikke problemer (som LLM-tidsavbrudd eller hastighetsbegrensninger), legg til et nytt forsøk med eksponentiell backoff på Chat Model sub-noden. Kjøringsloggen viser nøyaktig hvor feil oppstår.

Kan jeg bruke n8n sine AI-arbeidsflyter med mine egne API-nøkler?

Ja. Hver LLM-node krever at du oppretter en legitimasjon med din egen API-nøkkel. n8n lagrer legitimasjon kryptert. Hvis du selvhoster, forlater nøklene aldri infrastrukturen din.

Hva er LangChain Code-noden til?

LangChain Code-noden lar deg skrive tilpasset JavaScript som bruker LangChain-moduler direkte. Det er en nødutgang for når n8n sine visuelle noder ikke dekker ditt eksakte brukstilfelle — kanskje trenger du en tilpasset henter, en spesifikk promptmal eller en LangChain-modul som n8n ikke har pakket inn ennå.

Hvordan deler jeg n8n AI-arbeidsflyter med teamet mitt?

Eksporter arbeidsflyten som JSON (Ctrl+Shift+E) og del filen. Hvem som helst kan importere den til sin n8n-instans. For teamsamarbeid inkluderer n8n Cloud delte arbeidsområder med versjonshistorikk. Du kan også committe arbeidsflyt-JSON-filer til Git for versjonskontroll.

Kilder

• LangChain-konsepter i n8n - Offisiell dokumentasjon
• LangChain i n8n - Oversikt
• AI Agent Node-dokumentasjon
• RAG i n8n - Offisiell guide
• n8n AI-arbeidsflytopplæring