Jak budować przepływy pracy AI z n8n i LangChain
n8n i LangChain razem rozwiązują problem, na który natrafia większość zespołów: chcesz mieć agentów AI, którzy łączą się z rzeczywistymi danymi i uruchamiają realne działania, ale integracja LangChain w Pythonie oznacza utrzymanie całego stosu aplikacyjnego. Natywne węzły LangChain w n8n pozwalają przeciągać i upuszczać agentów, łańcuchy, pamięć oraz bazy wektorowe do wizualnych przepływów pracy, a następnie łączyć je z ponad 400 integracjami bez pisania kodu SDK.
Co otrzymujesz: Biblioteka węzłów LangChain w n8n
n8n dostarcza ponad 70 węzłów AI, które implementują koncepcje LangChain jako wizualne klocki konstrukcyjne. Zamiast importować langchain w Pythonie i sklejać moduły, łączysz węzły na płótnie. Oto pełny przegląd:
| Kategoria węzła | Działanie | Kluczowe węzły |
|---|---|---|
| Węzły główne | Podstawowa logika AI („mózg”) | AI Agent, Basic LLM Chain, Q&A Chain, Summarization Chain |
| Modele czatu | Połączenia z LLM | OpenAI, Anthropic Claude, Google Gemini, Ollama, Groq, Mistral, DeepSeek |
| Pamięć | Trwałość konwersacji | Simple Memory, Redis, Postgres, MongoDB, Zep |
| Bazy wektorowe | Przechowywanie i pobieranie dokumentów | Pinecone, Qdrant, Supabase, Chroma, Weaviate, PGVector, In-Memory |
| Embeddingi | Konwersja tekstu na wektory | OpenAI, Cohere, HuggingFace, Ollama, AWS Bedrock |
| Narzędzia | Zewnętrzne możliwości dla agentów | Calculator, SerpAPI, Wikipedia, Custom Code, MCP Client, Workflow Tool |
| Parsery wyjścia | Formatowanie strukturalnych odpowiedzi | Auto-fixing, Structured, Item List |
| Podzielacze tekstu | Dzielenie dokumentów na fragmenty | Character, Recursive Character, Token |
Architektura wykorzystuje to, co n8n nazywa węzłami klastrowymi: węzeł główny (np. AI Agent) łączy się z podwęzłami (model czatu, pamięć, narzędzia), które rozszerzają jego możliwości. Myśl o tym jak o systemie modułów LangChain, ale w wersji wizualnej.
Jak n8n mapuje koncepcje LangChain
Jeśli korzystałeś z LangChain w kodzie, mapowanie w n8n jest proste:
| Koncepcja LangChain | Odpowiednik w n8n | Kiedy używać |
|---|---|---|
ChatOpenAI() | Podwęzeł OpenAI Chat Model | Każdy przepływ wymagający LLM |
ConversationBufferMemory() | Simple Memory / Redis Memory | Rozmowy wieloetapowe |
RetrievalQA.from_chain_type() | Q&A Chain + Vector Store Retriever | Odpowiadanie na pytania dotyczące dokumentów |
AgentExecutor z narzędziami | Węzeł AI Agent (typ Tools Agent) | Dynamiczny wybór narzędzi |
RecursiveCharacterTextSplitter() | Podwęzeł Recursive Character Text Splitter | Dzielenie dokumentów dla RAG |
FAISS.from_documents() | Simple Vector Store (Insert Documents) | Lokalne przechowywanie embeddingów |
Kluczowa różnica? W kodzie piszesz 50–100 linii, aby to wszystko połączyć. W n8n łączysz 4–6 węzłów na płótnie i konfigurujesz je za pomocą menu rozwijanych.
Budowanie potoku Q&A dla dokumentów (RAG)
Zbudujmy coś prawdziwego. Ten przepływ pracy pobiera dokumenty PDF, przechowuje je w bazie wektorowej i odpowiada na pytania dotyczące ich treści. To klasyczny wzorzec RAG (Retrieval-Augmented Generation), najbardziej przydatny przepływ LangChain dla zespołów biznesowych.
Krok 1: Konfiguracja przepływu pobierania danych
Utwórz nowy przepływ pracy do ładowania dokumentów. Uruchomisz go raz za każdym razem, gdy będziesz miał nowe dokumenty do dodania.
Węzły do dodania:
- Manual Trigger, Kliknij, aby uruchomić proces pobierania
- Węzeł Google Drive (lub HTTP Request, Read Binary File), Pobiera Twoje źródłowe dokumenty
- Simple Vector Store, Ustaw operację na Insert Documents
- Podwęzeł OpenAI Embeddings, Łączy się z bazą wektorową, konwertuje tekst na wektory
- Podwęzeł Default Data Loader, Parsuje zawartość dokumentu na fragmenty
- Podwęzeł Recursive Character Text Splitter, Dzieli treść na fragmenty o wielkości ~500 tokenów z nakładaniem 50 tokenów
Szczegóły konfiguracji dla bazy wektorowej:
- Operacja:
Insert Documents - Klucz pamięci: Nadaj mu opisową nazwę, np.
company-docs(w ten sposób będziesz się do niego odwoływać później) - Data Loader łączy się jako podwęzeł i automatycznie obsługuje parsowanie plików PDF/tekstowych
Konfiguracja dla podzielacza tekstu:
- Rozmiar fragmentu: 500 (tokenów)
- Nakładanie fragmentów: 50 (zapewnia, że kontekst nie zostanie utracony na granicach)
- Metoda podziału: Recursive Character (inteligentnie obsługuje Markdown, HTML i zwykły tekst)
Krok 2: Budowanie przepływu pracy agenta Q&A
Teraz utwórz drugi przepływ pracy – to ten, z którym będą interagować użytkownicy.
Węzły do dodania:
- Chat Trigger, Udostępnia interfejs czatu do zadawania pytań
- AI Agent (typ Tools Agent), Mózg, który decyduje, co robić
- Podwęzeł OpenAI Chat Model, Połącz GPT-4o lub GPT-4o-mini
- Podwęzeł Simple Memory, Zapamiętuje kontekst rozmowy
- Podwęzeł Vector Store Tool, Daje agentowi dostęp do Twoich dokumentów
Konfiguracja węzła AI Agent:
- Typ agenta: Tools Agent (najbardziej elastyczna opcja, decyduje, kiedy i jak używać narzędzi)
- Prompt systemowy:
Jesteś pomocnym asystentem, który odpowiada na pytania w oparciu o dokumenty firmowe. Zawsze cytuj dokument, w którym znalazłeś odpowiedź. Jeśli informacji nie ma w dokumentach, wyraźnie to zaznacz.
Konfiguracja narzędzia Vector Store Tool:
- Nazwa:
search_documents - Opis:
Przeszukaj firmową bazę wiedzy w poszukiwaniu istotnych informacji. Używaj tego narzędzia, gdy użytkownik pyta o polityki firmy, procedury lub dokumentację. - Baza wektorowa: Wybierz swoją Simple Vector Store
- Model embeddingów: Ten sam model OpenAI Embeddings, którego używałeś podczas pobierania danych
- Top K: 4 (liczba istotnych fragmentów do pobrania)
Ten opis ma większe znaczenie, niż mogłoby się wydawać. Agent używa go do decyzji, kiedy wywołać narzędzie, a kiedy odpowiedzieć z własnej wiedzy. Bądź konkretny.
Krok 3: Testowanie i dopracowywanie
Kliknij Chat w dolnym panelu, aby otworzyć wbudowany interfejs czatu n8n. Zadaj pytanie dotyczące swoich dokumentów. Obserwuj ślad wykonania – n8n pokazuje dokładnie, które węzły zostały uruchomione, jakie było rozumowanie agenta i które fragmenty dokumentów zostały pobrane.
Typowe problemy na tym etapie:
- Agent nie używa narzędzia: Twój opis narzędzia jest zbyt ogólny. Określ precyzyjnie, jaką wiedzę zawiera narzędzie.
- Pobieranie nieistotnych fragmentów: Zwiększ nakładanie fragmentów lub zmniejsz ich rozmiar. Spróbuj 300 tokenów z nakładaniem 100.
- Powolne odpowiedzi: Przełącz się na GPT-4o-mini dla modelu czatu. Jest 10 razy tańszy i wystarczająco szybki do większości zadań Q&A.
Budowanie agenta wywołującego narzędzia
Powyższy potok Q&A świetnie sprawdza się w przypadku dokumentów. A co z agentem, który może wyszukiwać w internecie, wykonywać obliczenia, odpytywać bazy danych I odpowiadać na podstawie dokumentów? Tutaj Tools Agent naprawdę błyszczy.
Konfiguracja przepływu pracy
- Chat Trigger, Dane wejściowe od użytkownika
- AI Agent (Tools Agent), Kieruje ruch do właściwego narzędzia
- OpenAI Chat Model, GPT-4o do złożonego rozumowania
- Simple Memory, Historia rozmowy
- Połączone wiele narzędzi:
- SerpAPI Tool, Możliwość wyszukiwania w sieci
- Calculator Tool, Operacje matematyczne
- Vector Store Tool, Twoja baza wiedzy dokumentowej
- Custom Code Tool, Dowolna funkcja JavaScript, którą napiszesz
- Workflow Tool, Uruchamia inny przepływ pracy n8n jako narzędzie
Workflow Tool to tajna broń n8n. Pozwala opakować dowolny przepływ pracy n8n jako narzędzie, które agent może wywołać. Masz przepływ sprawdzający stan magazynowy? Zrób z niego narzędzie. Ten, który wysyła wiadomości na Slacka? Narzędzie. Ten, który odpytuje Twój CRM? Narzędzie. W ten sposób ponad 400 węzłów integracyjnych n8n staje się dostępnych dla Twojego agenta AI.
Prompt systemowy dla agentów wielonarzędziowych
Twój prompt systemowy musi informować agenta o jego możliwościach:
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.Ten wzorzec promptu bezpośrednio kontroluje, jak agent kieruje ruch między narzędziami. Niejasne prompty prowadzą do tego, że agenci używają wyszukiwania w sieci, gdy powinni najpierw sprawdzić Twoje dokumenty.
Wybór odpowiedniego typu agenta
n8n oferuje sześć typów agentów. Oto kiedy wybrać każdy z nich:
| Typ agenta | Najlepsze zastosowanie | Obsługuje narzędzia? | Uwagi |
|---|---|---|---|
| Tools Agent | Większość przypadków użycia | Tak | Domyślny wybór, elastyczny, niezawodny |
| Conversational Agent | Proste chatboty | Tak | Mniej zdolny, ale lżejszy |
| ReAct Agent | Złożone łańcuchy rozumowania | Tak | Pokazuje jawne kroki rozumowania |
| OpenAI Functions Agent | Funkcje specyficzne dla OpenAI | Tak | Wykorzystuje API wywoływania funkcji OpenAI |
| Plan and Execute Agent | Zadania wieloetapowe | Tak | Najpierw planuje, potem wykonuje; dobry do złożonych przepływów |
| SQL Agent | Zapytania do bazy danych | Ograniczone | Generuje i uruchamia SQL przeciwko Twojej bazie |
Dla większości zespołów Tools Agent jest правильным punktem startowym. Dobrze radzi sobie z kierowaniem ruchu między wieloma narzędziami, współpracuje z dowolnym dostawcą LLM i zawsze możesz go później zmienić. Jeśli porównujesz to do budowania agentów w kodzie za pomocą frameworków takich jak LangGraph lub CrewAI, zaletą tutaj jest zerowy narzut wdrożeniowy – Twój agent działa w infrastrukturze n8n.
Dodawanie trwałej pamięci
Domyślnie podwęzeł Simple Memory przechowuje historię rozmowy w pamięci, która znika po ponownym uruchomieniu przepływu pracy. Do użytku produkcyjnego będziesz potrzebować trwałej pamięci.
Twoje opcje:
| Typ pamięci | Trwałość | Wysiłek konfiguracji | Najlepsze dla |
|---|---|---|---|
| Simple Memory | Tylko sesja | Brak | Testowanie, prototypowanie |
| Redis Chat Memory | Trwała, szybka | Średni (wymaga Redis) | Produkcyjne chatboty |
| Postgres Chat Memory | Trwała, możliwość odpytywania | Średni (wymaga Postgres) | Gdy chcesz analizować rozmowy |
| MongoDB Chat Memory | Trwała, elastyczna | Średni (wymaga MongoDB) | Przechowywanie zorientowane na dokumenty |
| Zep Memory | Trwała + podsumowywanie | Średni (wymaga Zep) | Długie rozmowy przekraczające okna kontekstowe |
Warto wyróżnić Zep, jeśli budujesz cokolwiek z długimi historiami rozmów. Automatycznie podsumowuje starsze wiadomości, dzięki czemu Twój agent nie zużywa całego okna kontekstowego przy 50. turze rozmowy.
Aby dodać trwałą pamięć, wystarczy zamienić podwęzeł Simple Memory na Redis/Postgres/Zep. Reszta Twojego przepływu pracy pozostaje identyczna.
Łączenie z różnymi dostawcami LLM
Każdy węzeł główny wymagający LLM akceptuje podwęzeł Chat Model. Zamiana dostawców to zmiana jednego węzła:
| Dostawca | Nazwa węzła | Dostępne modele | Uwagi |
|---|---|---|---|
| OpenAI | OpenAI Chat Model | GPT-4o, GPT-4o-mini, o1, o3-mini | Najczęściej testowany z n8n |
| Anthropic | Anthropic Chat Model | Claude 3.5 Sonnet, Claude 3 Opus | Silny w analizie i długim kontekście |
| Google Gemini Chat Model | Gemini 1.5 Pro, Gemini Flash | Dobry darmowy tier | |
| Ollama | Ollama Chat Model | Llama 3, Mistral, Phi-3 | Całkowicie lokalny, bez kosztów API |
| Groq | Groq Chat Model | Llama 3, Mixtral | Ekstremalnie szybkie wnioskowanie |
| AWS Bedrock | AWS Bedrock Chat Model | Claude, Titan, Llama | Integracja enterprise AWS |
Do lokalnego rozwoju i testów Ollama jest opcją zero-kosztową – uruchom modele na swojej maszynie i połącz n8n z localhost:11434. Do produkcji większość zespołów używa OpenAI lub Anthropic w zależności od zadania.
Praktyczne przepisy na przepływy pracy
Oto trzy gotowe do produkcji wzorce, które możesz zbudować w mniej niż 30 minut:
Przepis 1: Automatyczna klasyfikacja zgłoszeń wsparcia
Wyzwalacz: Przychodzi nowy e-mail (węzeł Gmail/Outlook) Łańcuch: Basic LLM Chain z promptem klasyfikacyjnym Wyjście: Kieruje do różnych kanałów Slacka w zależności od kategorii
Prompt wykonuje ciężką pracę: Sklasyfikuj ten e-mail wsparcia do dokładnie jednej kategorii: billing, technical, feature_request lub other. Odpowiedz tylko nazwą kategorii.
Przepis 2: Tygodniowe streszczenie treści
Wyzwalacz: Harmonogram (co poniedziałek o 9:00) Agent: Tools Agent z SerpAPI + Custom Code Tool Pamięć: Niepotrzebna (jednorazowe zadanie) Wyjście: Streszczony raport wysyłany na Slacka/E-mailem
Agent wyszukuje branżowe newsy, podsumowuje 5 najlepszych artykułów i formatuje streszczenie. Custom Code Tool obsługuje każdą logikę formatowania, którą łatwiej napisać w JavaScript niż w prompcie.
Przepis 3: Bot Slacka oparty na dokumentach
Wyzwalacz: Wiadomość Slacka na określonym kanale Agent: Tools Agent z Vector Store Tool Pamięć: Redis Chat Memory (kluczowana według ID wątku Slacka) Wyjście: Odpowiedź w wątku Slacka
To jest wcześniejszy potok Q&A, ale wyzwalany przez Slacka zamiast interfejsu czatu. Klucz pamięci oparty na wątkach oznacza, że każda konwersacja na Slacku ma swój własny kontekst.
Dla zespołów badających, jakie narzędzia RAG używać wraz z n8n, wybór bazy wektorowej ma mniejsze znaczenie niż strategia dzielenia na fragmenty. Zacznij od Simple (In-Memory) Vector Store do prototypowania, a następnie przejdź do Pinecone lub Qdrant do produkcji.
Typowe błędy i jak ich unikać
Po zbudowaniu dziesiątek przepływów pracy AI w n8n, oto pułapki, które sprawiają ludziom problemy:
1. Pomijanie promptu systemowego. Węzeł AI Agent działa bez promptu systemowego, ale słabo. Zawsze definiuj rolę agenta, dostępne narzędzia i preferowane zachowanie. Dziesięć minut nad promptem oszczędza godziny debugowania dziwnych odpowiedzi.
2. Używanie jednego gigantycznego przepływu. Podziel pobieranie danych i odpytywanie na osobne przepływy. Przepływ pobierania uruchamia się okazjonalnie (gdy pojawią się nowe dokumenty). Przepływ odpytywania działa ciągle. Mieszanie ich tworzy konflikty wykonania.
3. Wybór złego rozmiaru fragmentu. Domyślne dzielenie (1000 znaków) działa dla ogólnej treści. Dla dokumentacji technicznej zmniejsz do 300–500 tokenów. Dla dokumentów prawnych zwiększ do 800–1000 tokenów z większym nakładaniem. Nie ma uniwersalnego „właściwego” rozmiaru fragmentu, testuj na swoich rzeczywistych dokumentach.
4. Ignorowanie dziennika wykonania. n8n pokazuje kompletny ślad wykonania dla każdego uruchomienia przepływu. Gdy agent udzieli złej odpowiedzi, sprawdź, które narzędzie wywołał (lub nie wywołał), które fragmenty zostały pobrane i jakie rozumowanie przedstawił. Dziennik mówi Ci dokładnie, gdzie coś poszło nie tak.
5. Płacenie za GPT-4o, gdy nie jest potrzebny. Do klasyfikacji, podsumowań i prostych Q&A, GPT-4o-mini jest w 90% tak dobry przy 10% kosztu. Zarezerwuj GPT-4o lub Claude do złożonego, wieloetapowego rozumowania.
Jak Techsy podchodzi do automatyzacji AI w n8n
Budowaliśmy przepływy pracy AI w n8n dla klientów ranging od 3-osobowych startupów po zespoły enterprise. Nasz proces:
- Mapowanie przepływu decyzji, Przed otwarciem n8n diagramujemy każdy punkt decyzyjny i źródło danych
- Prototypowanie z Simple Vector Store, Sprawiamy, że podstawowa logika działa na pamięci podręcznej
- Wczesne testowanie na rzeczywistych danych, Syntetyczne dane testowe ukrywają problemy z dzieleniem i pobieraniem
- Dodawanie pamięci i trwałości, Dopiero po walidacji podstawowej logiki Q&A lub agenta
- Monitorowanie i iteracje, Śledzimy, które wywołania narzędzi kończą się sukcesem, które fragmenty są pobierane i gdzie użytkownicy frustrują się
Jeśli budujesz agentów AI dla przepływów biznesowych i chcesz pomocy w projektowaniu architektury, skontaktuj się w celu bezpłatnej konsultacji.
Często zadawane pytania
Czy muszę znać LangChain, aby używać węzłów AI w n8n?
Nie. n8n abstrahuje LangChain do wizualnych węzłów z konfiguracją w menu rozwijanym. Zrozumienie koncepcji LangChain (agenci, łańcuchy, pamięć, retrievery) pomaga podejmować lepsze decyzje projektowe, ale nigdy nie piszesz kodu LangChain, chyba że zdecydujesz się użyć węzła LangChain Code.
Czy mogę używać lokalnych LLM z n8n zamiast OpenAI?
Tak. Połącz podwęzeł Ollama Chat Model z dowolnym modelem działającym na Twojej maszynie (Llama 3, Mistral, Phi-3 itp.). Wskaż go na http://localhost:11434 i masz w pełni prywatny, zero-kosztowy przepływ pracy AI. Groq to kolejna opcja dla szybkiego wnioskowania bez zarządzania własnym sprzętem.
Jaka jest różnica między Łańcuchem a Agentem w n8n?
Łańcuch podąża ustaloną sekwencją: input przechodzi przez krok A, potem B, potem C. Agent dynamicznie decyduje, które narzędzia wywołać w oparciu o input. Używaj łańcuchów do przewidywalnych zadań (podsumowania, klasyfikacja). Używaj agentów, gdy przepływ pracy musi podejmować decyzje o tym, co robić dalej.
Ile dokumentów może obsłużyć Simple Vector Store?
Simple (In-Memory) Vector Store działa dobrze do prototypowania z kilkuset dokumentami. Do produkcji z tysiącami dokumentów przełącz się na Pinecone, Qdrant, Supabase lub Chroma. Przepływ pracy pozostaje ten sam, wymieniasz tylko węzeł bazy wektorowej.
Czy mogę wyzwalać przepływy pracy AI w n8n z zewnętrznych aplikacji?
Tak. Użyj węzła Webhook Trigger, aby udostępnić swój przepływ pracy AI jako endpoint API. Każda aplikacja, która może wysyłać żądania HTTP, może wysyłać dane do Twojego agenta i otrzymywać odpowiedź. W ten sposób integrujesz przepływy pracy AI n8n z istniejącymi produktami.
Czy n8n jest darmowe dla przepływów pracy AI?
n8n Community Edition jest w pełni open source i darmowe do samodzielnego hostowania. Wszystkie węzły LangChain są включone. Plany Cloud zaczynają się od 24 USD/miesiąc, jeśli nie chcesz zarządzać infrastrukturą. Koszty API LLM (OpenAI, Anthropic itp.) są oddzielne i rozliczane przez dostawcę.
Jak n8n obsługuje błędy w przepływach pracy agentów AI?
n8n ma wbudowaną obsługę błędów na poziomie węzła. Możesz ustawić logikę ponawiania, ścieżki awaryjne i przepływy obsługi błędów. W przypadku problemów specyficznych dla AI (jak timeouty LLM lub limity rate), dodaj ponawianie z wykładniczym backoffem do podwęzła Chat Model. Dziennik wykonania pokazuje dokładnie, gdzie występują awarie.
Czy mogę używać przepływów pracy AI w n8n z własnymi kluczami API?
Tak. Każdy węzeł LLM wymaga utworzenia poświadczeń z własnym kluczem API. n8n przechowuje poświadczenia zaszyfrowane. Jeśli hostujesz samodzielnie, klucze nigdy nie opuszczają Twojej infrastruktury.
Do czego służy węzeł LangChain Code?
Węzeł LangChain Code pozwala pisać niestandardowy JavaScript, który używa modułów LangChain bezpośrednio. Jest to wyjście awaryjne, gdy wizualne węzły n8n nie pokrywają Twojego dokładnego przypadku użycia – może potrzebujesz niestandardowego retrievera, konkretnego szablonu promptu lub modułu LangChain, którego n8n jeszcze nie opakował.
Jak udostępniać przepływy pracy AI w n8n swojemu zespołowi?
Wyeksportuj przepływ pracy jako JSON (Ctrl+Shift+E) i udostępnij plik. Każdy może zaimportować go do swojej instancji n8n. Do współpracy zespołowej n8n Cloud zawiera współdzielone obszary robocze z historią wersji. Możesz również commitować pliki JSON przepływów do Git dla kontroli wersji.