Como Criar Fluxos de Trabalho de IA com n8n e LangChain
O n8n e o LangChain, em conjunto, resolvem um problema com que a maioria das equipas se depara mais cedo ou mais tarde: quer agentes de IA que se liguem a dados reais e acionem ações concretas, mas integrar o LangChain em Python implica manter toda uma pilha de aplicações. Os nós nativos LangChain do n8n permitem-lhe arrastar e largar agentes, cadeias, memória e bases de dados vetoriais para fluxos de trabalho visuais, ligando-os depois a mais de 400 integrações sem escrever código SDK.
O Que Obtém: A Biblioteca de Nós LangChain do n8n
O n8n inclui mais de 70 nós de IA que implementam conceitos do LangChain como blocos de construção visuais. Em vez de importar o langchain em Python e colar módulos uns aos outros, liga nós numa tela. Eis a análise completa:
| Categoria de Nó | Função | Nós Principais |
|---|---|---|
| Nós Raiz | Lógica central de IA (o "cérebro") | Agente de IA, Cadeia LLM Básica, Cadeia de Perguntas e Respostas, Cadeia de Sumarização |
| Modelos de Chat | Ligações a LLM | OpenAI, Anthropic Claude, Google Gemini, Ollama, Groq, Mistral, DeepSeek |
| Memória | Persistência de conversas | Memória Simples, Redis, Postgres, MongoDB, Zep |
| Bases de Dados Vetoriais | Armazenamento e recuperação de documentos | Pinecone, Qdrant, Supabase, Chroma, Weaviate, PGVector, Em Memória |
| Embeddings | Conversão de texto para vetores | OpenAI, Cohere, HuggingFace, Ollama, AWS Bedrock |
| Ferramentas | Capacidades externas para agentes | Calculadora, SerpAPI, Wikipedia, Código Personalizado, Cliente MCP, Ferramenta de Fluxo de Trabalho |
| Analisadores de Saída | Formatação de respostas estruturadas | Correção Automática, Estruturado, Lista de Itens |
| Divisores de Texto | Fragmentação de documentos | Caráter, Caráter Recursivo, Token |
A arquitetura utiliza o que o n8n chama de nós de cluster: um nó raiz (como o Agente de IA) liga-se a subnós (modelo de chat, memória, ferramentas) que estendem as suas capacidades. Pense nisso como o sistema de módulos do LangChain, mas visual.
Como o n8n Mapeia os Conceitos do LangChain
Se já utilizou o LangChain em código, o mapeamento do n8n é direto:
| Conceito do LangChain | Equivalente no n8n | Quando Utilizar |
|---|---|---|
ChatOpenAI() | Subnó Modelo de Chat OpenAI | Qualquer fluxo que necessite de um LLM |
ConversationBufferMemory() | Memória Simples / Memória Redis | Conversas com múltiplas trocas de mensagens |
RetrievalQA.from_chain_type() | Cadeia de Perguntas e Respostas + Recuperador de Base de Dados Vetorial | Resposta a perguntas sobre documentos |
AgentExecutor com ferramentas | Nó Agente de IA (tipo Ferramentas) | Seleção dinâmica de ferramentas |
RecursiveCharacterTextSplitter() | Subnó Divisor de Texto por Caráter Recursivo | Fragmentação de documentos para RAG |
FAISS.from_documents() | Base de Dados Vetorial Simples (Inserir Documentos) | Armazenamento local de embeddings |
A diferença crítica? No código, escreve 50 a 100 linhas para ligar estes componentes. No n8n, liga 4 a 6 nós numa tela e configura-os através de menus suspensos.
Construir um Pipeline de Perguntas e Respostas sobre Documentos (RAG)
Vamos construir algo real. Este fluxo ingere documentos PDF, armazena-os numa base de dados vetorial e responde a perguntas sobre o seu conteúdo. É um padrão clássico de RAG (Geração Aumentada por Recuperação), o fluxo de trabalho LangChain mais útil para equipas empresariais.
Passo 1: Configurar o Fluxo de Ingestão de Dados
Crie um novo fluxo de trabalho para carregar documentos. Executará este fluxo sempre que tiver novos documentos para adicionar.
Nós a adicionar:
- Acionador Manual, Clique para executar a ingestão
- Nó Google Drive (ou Pedido HTTP, Ler Ficheiro Binário), Obtém os seus documentos de origem
- Base de Dados Vetorial Simples, Definir operação para Inserir Documentos
- Subnó Embeddings OpenAI, Liga-se à Base de Dados Vetorial, converte texto em vetores
- Subnó Carregador de Dados Padrão, Analisa o conteúdo do documento em fragmentos
- Subnó Divisor de Texto por Caráter Recursivo, Divide o conteúdo em fragmentos de ~500 tokens com sobreposição de 50 tokens
Detalhes de configuração para a Base de Dados Vetorial:
- Operação:
Inserir Documentos - Chave de Memória: Dê-lhe um nome descritivo como
documentos-empresa(é assim que fará referência mais tarde) - O Carregador de Dados liga-se como um subnó e trata automaticamente da análise de PDF/texto
Configuração para o Divisor de Texto:
- Tamanho do Fragmento: 500 (tokens)
- Sobreposição do Fragmento: 50 (garante que o contexto não se perde nas fronteiras)
- Método de divisão: Caráter Recursivo (lida inteligentemente com Markdown, HTML e texto simples)
Passo 2: Construir o Fluxo de Trabalho do Agente de Perguntas e Respostas
Agora crie um segundo fluxo de trabalho; este é aquele com que os utilizadores interagem.
Nós a adicionar:
- Acionador de Chat, Fornece a interface de chat para perguntas
- Agente de IA (tipo Ferramentas), O cérebro que decide o que fazer
- Subnó Modelo de Chat OpenAI, Ligue o GPT-4o ou GPT-4o-mini
- Subnó Memória Simples, Recorda o contexto da conversa
- Subnó Ferramenta de Base de Dados Vetorial, Dá ao agente acesso aos seus documentos
Configuração para o nó Agente de IA:
- Tipo de Agente: Agente de Ferramentas (a opção mais flexível, decide quando e como usar ferramentas)
- Prompt do Sistema:
Você é um assistente prestativo que responde a perguntas com base nos documentos da nossa empresa. Cite sempre o documento onde encontrou a resposta. Se a informação não estiver nos documentos, indique-o claramente.
Configuração para a Ferramenta de Base de Dados Vetorial:
- Nome:
pesquisar_documentos - Descrição:
Pesquise na base de conhecimento da empresa por informações relevantes. Use esta ferramenta quando o utilizador perguntar sobre políticas, procedimentos ou documentação da empresa. - Base de Dados Vetorial: Selecione a sua Base de Dados Vetorial Simples
- Modelo de embedding: O mesmo modelo OpenAI Embeddings que usou durante a ingestão
- Top K: 4 (número de fragmentos relevantes a recuperar)
Essa descrição é mais importante do que pensa. O agente usa-a para decidir quando chamar a ferramenta versus responder com o seu próprio conhecimento. Seja específico.
Passo 3: Testar e Refinar
Clique em Chat no painel inferior para abrir a interface de chat integrada do n8n. Faça uma pergunta sobre os seus documentos. Observe o rasto de execução; o n8n mostra-lhe exatamente quais os nós ativados, qual foi o raciocínio do agente e quais os fragmentos de documentos recuperados.
Problemas comuns nesta fase:
- O agente não usa a ferramenta: A descrição da sua ferramenta é muito vaga. Torne-a específica sobre o conhecimento que a ferramenta contém.
- Recupera fragmentos irrelevantes: Aumente a sobreposição dos fragmentos ou diminua o tamanho do fragmento. Tente 300 tokens com 100 de sobreposição.
- Respostas lentas: Mude para o GPT-4o-mini para o modelo de chat. É 10 vezes mais barato e suficientemente rápido para a maioria das tarefas de perguntas e respostas.
Construir um Agente com Chamada de Ferramentas
O pipeline de perguntas e respostas acima é excelente para documentos. Mas e quanto a um agente que possa pesquisar na web, realizar cálculos, consultar bases de dados E responder a partir de documentos? É aqui que o Agente de Ferramentas realmente brilha.
Configuração do Fluxo de Trabalho
- Acionador de Chat, Entrada do utilizador
- Agente de IA (Ferramentas), Encaminha para a ferramenta certa
- Modelo de Chat OpenAI, GPT-4o para raciocínio complexo
- Memória Simples, Histórico da conversa
- Várias ferramentas ligadas:
- Ferramenta SerpAPI, Capacidade de pesquisa na web
- Ferramenta Calculadora, Operações matemáticas
- Ferramenta de Base de Dados Vetorial, A sua base de conhecimento documental
- Ferramenta de Código Personalizado, Qualquer função JavaScript que escreva
- Ferramenta de Fluxo de Trabalho, Aciona outro fluxo de trabalho n8n como uma ferramenta
A Ferramenta de Fluxo de Trabalho é a arma secreta do n8n. Permite-lhe encapsular qualquer fluxo de trabalho n8n como uma ferramenta que o agente pode chamar. Tem um fluxo que verifica o inventário? Transforme-o numa ferramenta. Um que envia mensagens no Slack? Ferramenta. Um que consulta o seu CRM? Ferramenta. É aqui que os mais de 400 nós de integração do n8n ficam disponíveis para o seu agente de IA.
Prompt do Sistema para Agentes Multi-Ferramenta
O seu prompt do sistema precisa de informar o agente sobre as suas capacidades:
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.Este padrão de prompt controla diretamente como o agente encaminha entre ferramentas. Prompts vagos levam os agentes a usar a pesquisa na web quando deveriam verificar primeiro os seus documentos.
Escolher o Tipo de Agente Adequado
O n8n oferece seis tipos de agentes. Eis quando escolher cada um:
| Tipo de Agente | Ideal Para | Suporta Ferramentas? | Notas |
|---|---|---|---|
| Agente de Ferramentas | Maioria dos casos de uso | Sim | Escolha padrão, flexível, fiável |
| Agente Conversacional | Chatbots simples | Sim | Menos capaz, mas mais leve |
| Agente ReAct | Cadeias de raciocínio complexas | Sim | Mostra etapas explícitas de raciocínio |
| Agente de Funções OpenAI | Funcionalidades específicas da OpenAI | Sim | Usa a API de chamada de funções da OpenAI |
| Agente Planear e Executar | Tarefas multi-etapas | Sim | Planeia primeiro, depois executa; bom para fluxos complexos |
| Agente SQL | Consultas a bases de dados | Limitado | Gera e executa SQL na sua base de dados |
Para a maioria das equipas, o Agente de Ferramentas é o ponto de partida correto. Lida bem com o encaminhamento multi-ferramenta, funciona com qualquer fornecedor de LLM e pode sempre mudar mais tarde. Se estiver a comparar isto com criar agentes em código com frameworks como LangGraph ou CrewAI, a vantagem aqui é zero sobrecarga de implementação; o seu agente corre dentro da infraestrutura do n8n.
Adicionar Memória Persistente
Por defeito, o subnó Memória Simples mantém o histórico da conversa na memória; desaparece quando o fluxo de trabalho reinicia. Para uso em produção, desejará memória persistente.
As suas opções:
| Tipo de Memória | Persistência | Esforço de Configuração | Ideal Para |
|---|---|---|---|
| Memória Simples | Apenas sessão | Nenhum | Testes, prototipagem |
| Memória de Chat Redis | Persistente, rápida | Médio (precisa de Redis) | Chatbots de produção |
| Memória de Chat Postgres | Persistente, consultável | Médio (precisa de Postgres) | Quando deseja analisar conversas |
| Memória de Chat MongoDB | Persistente, flexível | Médio (precisa de MongoDB) | Armazenamento orientado a documentos |
| Memória Zep | Persistente + sumarização | Médio (precisa de Zep) | Conversas longas que excedem janelas de contexto |
O Zep vale a pena destacar se estiver a construir algo com históricos de conversas longos. Resume automaticamente mensagens mais antigas para que o seu agente não esgote a janela de contexto na 50ª troca de uma conversa.
Para adicionar memória persistente, basta substituir o subnó Memória Simples por Redis/Postgres/Zep. O resto do seu fluxo de trabalho permanece idêntico.
Ligar a Diferentes Fornecedores de LLM
Cada nó raiz que necessita de um LLM aceita um subnó Modelo de Chat. Trocar de fornecedor é uma alteração de um único nó:
| Fornecedor | Nome do Nó | Modelos Disponíveis | Notas |
|---|---|---|---|
| OpenAI | Modelo de Chat OpenAI | GPT-4o, GPT-4o-mini, o1, o3-mini | Mais amplamente testado com n8n |
| Anthropic | Modelo de Chat Anthropic | Claude 3.5 Sonnet, Claude 3 Opus | Forte para análise e contexto longo |
| Modelo de Chat Google Gemini | Gemini 1.5 Pro, Gemini Flash | Boa camada gratuita | |
| Ollama | Modelo de Chat Ollama | Llama 3, Mistral, Phi-3 | Totalmente local, sem custos de API |
| Groq | Modelo de Chat Groq | Llama 3, Mixtral | Inferência extremamente rápida |
| AWS Bedrock | Modelo de Chat AWS Bedrock | Claude, Titan, Llama | Integração empresarial AWS |
Para desenvolvimento local e testes, o Ollama é a opção de custo zero; execute modelos na sua máquina e ligue o n8n a localhost:11434. Para produção, a maioria das equipas usa OpenAI ou Anthropic, dependendo da tarefa.
Receitas de Fluxos de Trabalho do Mundo Real
Eis três padrões prontos para produção que pode construir em menos de 30 minutos:
Receita 1: Classificação Automatizada de Tickets de Suporte
Acionador: Chegada de novo email (nó Gmail/Outlook) Cadeia: Cadeia LLM Básica com um prompt de classificação Saída: Encaminha para diferentes canais do Slack com base na categoria
O prompt faz o trabalho pesado: Classifique este email de suporte em exatamente uma categoria: faturacao, tecnico, pedido_funcionalidade ou outro. Responda apenas com o nome da categoria.
Receita 2: Resumo Semanal de Conteúdo
Acionador: Agendamento (todas as segundas-feiras às 9h) Agente: Agente de Ferramentas com SerpAPI + Ferramenta de Código Personalizado Memória: Não necessária (tarefa única) Saída: Relatório resumido enviado para Slack/Email
O agente pesquisa notícias da indústria, resume os 5 principais artigos e formata um resumo. A Ferramenta de Código Personalizado trata de qualquer lógica de formatação que seja mais fácil em JavaScript do que num prompt.
Receita 3: Bot do Slack Fundamentado em Documentos
Acionador: Mensagem do Slack num canal específico Agente: Agente de Ferramentas com Ferramenta de Base de Dados Vetorial Memória: Memória de Chat Redis (chaveada pelo ID da thread do Slack) Saída: Responder à thread do Slack
Este é o pipeline de perguntas e respostas anterior, mas acionado pelo Slack em vez de uma interface de chat. A chave de memória baseada na thread significa que cada conversa no Slack tem o seu próprio contexto.
Para equipas que exploram quais ferramentas RAG usar juntamente com o n8n, a escolha da base de dados vetorial importa menos do que a sua estratégia de fragmentação. Comece com a Base de Dados Vetorial Simples (Em Memória) para prototipagem e depois mude para Pinecone ou Qdrant para produção.
Erros Comuns e Como Evitá-los
Após criar dezenas de fluxos de trabalho de IA no n8n, estas são as armadilhas que confundem as pessoas:
1. Ignorar o prompt do sistema. O nó Agente de IA funciona sem um prompt do sistema, mas mal. Defina sempre o papel do agente, as ferramentas disponíveis e o comportamento preferido. Dez minutos no prompt poupam horas de depuração de respostas estranhas.
2. Usar um único fluxo gigante. Separe a ingestão e a consulta em fluxos de trabalho separados. O fluxo de ingestão corre ocasionalmente (quando chegam novos documentos). O fluxo de consulta corre constantemente. Misturá-los cria conflitos de execução.
3. Escolher o tamanho errado de fragmento. A fragmentação padrão (1000 caracteres) funciona para conteúdo geral. Para docs técnicos, reduza para 300-500 tokens. Para documentos legais, aumente para 800-1000 tokens com maior sobreposição. Não existe um tamanho de fragmento "certo" universal; teste com os seus documentos reais.
4. Ignorar o registo de execução. O n8n mostra o rasto completo de execução para cada execução de fluxo. Quando um agente dá uma resposta errada, verifique qual ferramenta chamou (ou não chamou), quais fragmentos foram recuperados e que raciocínio apresentou. O registo diz-lhe exatamente onde as coisas correram mal.
5. Pagar pelo GPT-4o quando não precisa. Para classificação, sumarização e perguntas e respostas simples, o GPT-4o-mini é 90% tão bom por 10% do custo. Reserve o GPT-4o ou Claude para raciocínio complexo multi-etapas.
Como a Techsy Aborda a Automação de IA com n8n
Criámos fluxos de trabalho de IA no n8n para clientes que vão desde startups de 3 pessoas até equipas empresariais. O nosso processo:
- Mapear o fluxo de decisão, Antes de abrir o n8n, diagramamos cada ponto de decisão e fonte de dados
- Prototipar com Base de Dados Vetorial Simples, Fazer a lógica central funcionar com armazenamento em memória
- Testar com dados reais cedo, Dados de teste sintéticos escondem problemas de fragmentação e recuperação
- Adicionar memória e persistência, Apenas após a lógica central de perguntas/respostas ou do agente ser validada
- Monitorizar e iterar, Rastrear quais chamadas de ferramenta têm sucesso, quais fragmentos são recuperados e onde os utilizadores ficam frustrados
Se estiver a criar agentes de IA para fluxos de trabalho empresariais e quiser ajuda a desenhar a arquitetura, contacte-nos para uma consulta gratuita.
Perguntas Frequentes
Preciso de saber LangChain para usar os nós de IA do n8n?
Não. O n8n abstrai o LangChain em nós visuais com configurações em menus suspensos. Compreender os conceitos do LangChain (agentes, cadeias, memória, recuperadores) ajuda-o a tomar melhores decisões de design, mas nunca escreve código LangChain a menos que opte por usar o nó Código LangChain.
Posso usar LLMs locais com o n8n em vez da OpenAI?
Sim. Ligue o subnó Modelo de Chat Ollama a qualquer modelo em execução na sua máquina (Llama 3, Mistral, Phi-3, etc.). Aponte-o para http://localhost:11434 e terá um fluxo de trabalho de IA totalmente privado e de custo zero. O Groq é outra opção para inferência rápida sem gerir o seu próprio hardware.
Qual é a diferença entre uma Cadeia e um Agente no n8n?
Uma cadeia segue uma sequência fixa; a entrada passa pela etapa A, depois B, depois C. Um agente decide dinamicamente quais ferramentas chamar com base na entrada. Use cadeias para tarefas previsíveis (sumarização, classificação). Use agentes quando o fluxo precisar de tomar decisões sobre o que fazer a seguir.
Quantos documentos pode a Base de Dados Vetorial Simples gerir?
A Base de Dados Vetorial Simples (Em Memória) funciona bem para prototipagem com algumas centenas de documentos. Para produção com milhares de documentos, mude para Pinecone, Qdrant, Supabase ou Chroma. O fluxo de trabalho permanece o mesmo; basta trocar o nó da base de dados vetorial.
Posso acionar fluxos de trabalho de IA do n8n a partir de aplicações externas?
Sim. Use o nó Acionador Webhook para expor o seu fluxo de trabalho de IA como um endpoint de API. Qualquer aplicação que possa fazer pedidos HTTP pode enviar dados ao seu agente e obter uma resposta. É assim que integra fluxos de trabalho de IA do n8n em produtos existentes.
O n8n é gratuito para fluxos de trabalho de IA?
A Edição Comunitária do n8n é totalmente open source e gratuita para auto-hospedagem. Todos os nós LangChain estão incluídos. Os planos Cloud começam em $24/mês se não quiser gerir infraestrutura. Os custos da API LLM (OpenAI, Anthropic, etc.) são separados e faturados pelo fornecedor.
Como é que o n8n lida com erros em fluxos de trabalho de agentes de IA?
O n8n tem tratamento de erros integrado ao nível do nó. Pode definir lógica de repetição, caminhos de fallback e fluxos de erro. Para problemas específicos de IA (como tempos de espera do LLM ou limites de taxa), adicione uma repetição com backoff exponencial no subnó Modelo de Chat. O registo de execução mostra exatamente onde ocorrem as falhas.
Posso usar os fluxos de trabalho de IA do n8n com as minhas próprias chaves de API?
Sim. Cada nó LLM exige que crie uma credencial com a sua própria chave de API. O n8n armazena as credenciais encriptadas. Se estiver a auto-hospedar, as chaves nunca saem da sua infraestrutura.
Para que serve o nó Código LangChain?
O nó Código LangChain permite-lhe escrever JavaScript personalizado que usa módulos LangChain diretamente. É uma válvula de escape para quando os nós visuais do n8n não cobrem o seu caso de uso exato; talvez precise de um recuperador personalizado, um modelo de prompt específico ou um módulo LangChain que o n8