Tutorial n8n AI Agents: Creează fluxuri de lucru inteligente pas cu pas

Tutorial n8n AI Agents: Creează fluxuri de lucru inteligente pas cu pas

Distanța dintre „vreau un agent AI” și „am un agent AI funcțional” este de obicei reprezentată de sute de linii de cod Python de legătură. Agenții AI n8n reduc această distanță prin intermediul unui editor vizual de fluxuri de lucru, unde poți trage, plasa și conecta agenți alimentați de LLM care execută efectiv acțiuni: caută pe web, interoghează baze de date, trimit emailuri, actualizează foi de calcul. Tu scrii un prompt de sistem în loc să te ocupi de codul repetitiv al unui framework.

Acest tutorial te ghidează pas cu pas în construirea a două fluxuri de lucru reale pentru agenți, de la zero: un agent de cercetare web și un bot de suport pentru clienți cu memorie. La final, vei înțelege fiecare tip de nod necesar și modul în care acestea se îmbină.

Ce este n8n (și de ce să-l folosești pentru agenți AI)?

n8n este o platformă open-source de automatizare a fluxurilor de lucru; gândește-te la ea ca la Zapier, dar care poate fi găzduită pe propriile servere și urmează filosofia „cod doar când ai nevoie”. Conectează peste 500 de servicii printr-un editor vizual bazat pe noduri.

Ceea ce face n8n interesant în mod specific pentru agenții AI este integrarea sa nativă LangChain. În loc să scrii cod Python LangChain, configurezi aceleași concepte (agenți, instrumente, memorie, modele) sub formă de noduri vizuale. Nodul AI Agent gestionează bucla de raționament, tu trebuie doar să specifici cu ce trebuie să „gândească” și ce acțiuni poate întreprinde.

De ce să alegi n8n în detrimentul codului pur?

• Depanare vizuală: vezi exact unde se rupe lanțul de raționament al agentului
• Peste 500 de integrări devin instantaneu instrumente pentru agent (Slack, Gmail, Google Sheets, baze de date)
• Găzduire proprie gratuită (Ediția Community) sau utilizarea n8n Cloud începând cu 20 USD/lună
• Suportul MCP permite fluxurilor de lucru n8n să devină instrumente pentru agenți AI externi și invers

Dacă evaluezi diferite framework-uri de agenți precum LangGraph, CrewAI sau OpenAI Agents SDK, n8n se încadrează într-o categorie diferită: este destinat persoanelor care doresc agenți de producție fără a gestiona un runtime Python.

Cum funcționează nodul AI Agent din n8n

Fiecare flux de lucru al unui agent AI în n8n are o structură ierarhică. Nodul Agent stă în centru, iar sub-nodurile se conectează dedesubt pentru a oferi capabilități.

Iată anatomia acestuia:

Tools Agent este cel pe care îl vei folosi în 90% din cazuri. Este cel mai flexibil tip de agent: preia promptul tău, raționează asupra instrumentelor pe care trebuie să le apeleze, le execută și repetă procesul până când obține un răspuns. În spate, rulează o buclă ReAct (Reason + Act / Raționează + Acționează): gândește, acționează, observă, repetă.

n8n oferă, de asemenea, agenți specializați: un SQL Agent pentru interogări de baze de date, un Plan and Execute Agent care descompune sarcinile în pași secundari și un Conversational Agent pentru fluxuri de chat mai simple. Dar Tools Agent acoperă majoritatea cazurilor de utilizare.

Ce ai nevoie înainte de a începe

Înainte de a construi orice, asigură-te că ai aceste trei lucruri pregătite:

1. O instanță n8n: fie te înregistrezi pentru n8n Cloud (Starter, 20 USD/lună), fie o găzduiești singur cu Docker:

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

1. O cheie API pentru un LLM: OpenAI, Anthropic sau Google Gemini. Poți folosi și Ollama pentru modele locale gratuite, deși performanța apelării instrumentelor variază.

2. O cheie API pentru un instrument (opțional): SerpAPI pentru căutare web (50 USD/lună) sau Brave Search API (nivel gratuit). Poți construi agenți fără căutare, dar acesta este cel mai frecvent prim instrument.

Odată ce n8n rulează, deschide http://localhost:5678 (auto-găzduit) sau panoul tău cloud. Creează un nou flux de lucru și ești gata.

Construiește Agentul 1: Un Agent de Cercetare Web

Acest agent preia un subiect, caută pe web, citește rezultatele și scrie un rezumat structurat. Este „hello world”-ul agenților AI n8n și este util în mod real pentru cercetarea de conținut.

Pasul 1: Adaugă un declanșator manual

Fă clic pe butonul + și caută „Manual Trigger”. Plasează-l pe canvas. Acest lucru îți permite să testezi fluxul de lucru făcând clic pe „Test Workflow”; îl vei schimba ulterior cu un webhook sau un declanșator de chat.

Pasul 2: Adaugă un nod Edit Fields

Adaugă un nod Edit Fields după declanșator. Setează un câmp numit topic cu o valoare șir de caractere, cum ar fi "Latest developments in Model Context Protocol". Aceasta simulează input-ul utilizatorului.

Pasul 3: Adaugă nodul AI Agent

Caută „AI Agent” și adaugă-l. Selectează Tools Agent ca tip de agent.

În câmpul System Message, scrie un prompt care definește comportamentul:

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.

La secțiunea Prompt, setează expresia: {{ $json.topic }}, aceasta preia subiectul din nodul Edit Fields.

Pasul 4: Conectează un model de chat

Fă clic pe + de sub nodul Agent pentru a adăuga un sub-nod. Selectează OpenAI Chat Model (sau orice alt LLM folosești).

Configurează-l:

• Model: gpt-4o (sau gpt-4o-mini pentru costuri mai mici)
• Temperature: 0.3 (mai mic = mai factual, mai puțin creativ)

Lipește cheia ta API în secțiunea de credențiale.

Pasul 5: Adaugă instrumentul de căutare

Fă clic din nou pe + pentru a adăuga un sub-nod de tip instrument. Alege SerpAPI (sau HTTP Request Tool dacă dorești să accesezi un API de căutare personalizat).

Pentru SerpAPI:

• Adaugă cheia ta API ca și credențială
• Agentul va apela acest instrument ori de câte ori decide că trebuie să caute

Pentru o alternativă gratuită, folosește HTTP Request Tool configurat să acceseze API-ul Brave Search:

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

Expresia $fromAI() este magia: îi spune agentului „tu decizi ce valoare să transmiți aici”.

Pasul 6: Testează-l

Fă clic pe Test Workflow. Urmărește panoul de execuție din dreapta. Vei vedea:

1. Agentul primește subiectul
2. Decide să caute (apel de instrument)
3. SerpAPI returnează rezultatele
4. Agentul raționează asupra rezultatelor
5. S-ar putea să caute din nou pentru mai multe detalii
6. Produce un rezumat final

Dacă agentul intră într-o buclă fără a converge, probabil că promptul de sistem are nevoie de instrucțiuni mai precise. Spune-i exact când să oprească căutarea.

Construiește Agentul 2: Un Bot de Suport pentru Clienți cu Memorie

Agentul de cercetare era stateless (fără stare); uita totul după fiecare rulare. Un bot de suport pentru clienți trebuie să își amintească conversația. Aici intervine memoria agentului.

Pasul 1: Folosește un Chat Trigger

De data aceasta, începe cu nodul Chat Trigger în loc de Manual Trigger. Acesta îți oferă widget-ul de chat încorporat al n8n pentru testarea conversațiilor.

Pasul 2: Configurează agentul

Adaugă un nod Tools Agent. Prompt de sistem:

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

Pasul 3: Adaugă memorie

Fă clic pe + pe Agent pentru a adăuga un sub-nod și selectează Window Buffer Memory.

• Context Window Length: 10 (își amintește ultimele 10 perechi de mesaje)
• Session ID: {{ $json.sessionId }} (de la declanșatorul de chat)

Aceasta este cea mai simplă opțiune de memorie; păstrează mesajele recente într-o fereastră glisantă. Pentru boții de producție care au nevoie de memorie persistentă între sesiuni, folosește în schimb Postgres Chat Memory sau Redis Chat Memory. Ghidul nostru despre cele mai bune instrumente de memorie pentru agenți AI acoperă compromisurile dintre aceste abordări.

Pasul 4: Adaugă instrumente

Adaugă două sub-noduri de tip instrument:

Instrumentul 1 -- Bază de cunoștințe (Vector Store QA): Dacă ai documentație de produs într-un vector store (Pinecone, Qdrant, Supabase), folosește Vector Store Question Answer Tool. Aceasta este practic RAG (Retrieval-Augmented Generation) într-un singur nod.

Instrumentul 2 -- Crearea tichetelor (HTTP Request): Adaugă un HTTP Request Tool configurat să facă POST către API-ul tău de 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') }}"
}

Pasul 5: Testează conversația

Fă clic pe Test Workflow și deschide panoul de chat. Încearcă o conversație cu mai multe tururi:

• „Salut, sunt Alex. Cum îmi export sarcinile în CSV?”
• „Dar exportul în PDF?”
• „De fapt, exportul PDF nu funcționează pentru mine, poți deschide un tichet de bug?”

Urmărește cum agentul caută în baza de cunoștințe pentru primele două întrebări și creează un tichet pentru a treia. Nodul de memorie asigură faptul că își amintește numele lui Alex și contextul problemei cu PDF-ul.

Utilizarea MCP pentru a-ți extinde agenții

n8n suportă acum Model Context Protocol (MCP) în ambele sensuri, iar aici lucrurile devin puternice.

Consumarea serverelor MCP: Adaugă sub-nodul MCP Client Tool agentului tău. Indică-l către orice URL de server MCP, iar agentul va descoperi automat și va putea invoca toate instrumentele expuse de acel server. Un singur nod, zeci de instrumente.

Expunerea fluxurilor de lucru ca instrumente MCP: Folosește nodul MCP Server Trigger pentru a transforma orice flux de lucru n8n într-un instrument compatibil MCP. Agenții externi care rulează în Claude Desktop, Cursor sau VS Code pot apoi descoperi și apela fluxurile tale de lucru n8n. Construiește o dată un flux de lucru „trimite notificare Slack” și fiecare agent compatibil MCP din stiva ta îl poate utiliza.

Acest suport bidirecțional MCP transformă n8n într-un hub de agenți: agenții tăi n8n apelează instrumente externe prin MCP, iar agenții externi apelează fluxurile tale de lucru n8n prin MCP.

Sfaturi practice pentru agenți n8n mai buni

După construirea a zeci de fluxuri de lucru cu agenți, iată ceea contează cu adevărat:

Menține un număr redus de instrumente. Agenții se confuză dacă au mai mult de 5-7 instrumente. Dacă ai nevoie de mai multe, creează un „agent manager” care direcționează sarcini către „agenți worker” specializați; n8n suportă fluxuri de lucru agent-la-agent.

Fii prescriptiv în prompturile de sistem. Nu spune doar „ajută utilizatorul”. Specifică reguli exacte, formate de ieșire și când să folosești fiecare instrument. Cu cât promptul este mai specific, cu atât vor fi mai puține apeluri surpriză ale instrumentelor.

Setează limite de tokeni. În configurația Modelului de Chat, setează o limită maximă de tokeni. Fără una, un agent confuz îți poate epuiza bugetul API într-o singură buclă.

Folosește noduri de gestionare a erorilor. Adaugă un flux de lucru Error Trigger care prinde eșecurile și te notifică prin Slack sau email. Altfel, agenții eșuează în tăcere.

Testează mai întâi cu cazuri limită. Întreabă-ți agentul ceva ce nu ar trebui să știe. Dacă halucinează în loc să spună „Nu știu”, promptul tău are nevoie de garduri de protecție.

Loghează totul în dezvoltare. Activează logarea execuției (disponibilă pe planul Pro sau auto-găzduit) astfel încât să poți reda și depana exact locul în care un agent a greșit.

Când agenții n8n au sens (și când nu)

n8n este o potrivire excelentă dacă:

• Dorești agenți de producție fără a gestiona infrastructură Python
• Fluxurile tale de lucru conectează multiple instrumente SaaS (Slack, Gmail, Notion, baze de date)
• Echipa ta include persoane care nu sunt dezvoltatori și care trebuie să modifice comportamentul agentului
• Ai nevoie de depanare vizuală a lanțurilor de raționament ale agentului

n8n este probabil alegerea greșită dacă:

• Ai nevoie de control fin asupra arhitecturilor agenților (folosește în schimb LangGraph sau CrewAI)
• Agentul tău este pur computațional (pipeline ML, procesare de date) fără integrări
• Construiești un sistem de cercetare multi-agent cu gestionare complexă a stării

Pentru cazuri de utilizare în automatizarea afacerilor, boți de suport pentru clienți, agenți de procesare a datelor, asistenți de cercetare, calificare de lead-uri, n8n atinge punctul optim între putere și accesibilitate.

Întrebări frecvente (FAQ)

Ce LLM-uri suportă n8n pentru agenții AI?

n8n suportă OpenAI (GPT-4o, GPT-4, GPT-3.5), Anthropic Claude (familia Claude 3.5 și 4), Google Gemini, Mistral, Cohere, modele HuggingFace și modele locale prin Ollama. Schimbi modelele modificând un singur sub-nod, fără a fi necesare modificări ale fluxului de lucru.

Este n8n gratuit pentru construirea agenților AI?

Ediția Community auto-găzduită este complet gratuită, fără limite de execuție. n8n Cloud începe de la 20 USD/lună (Starter) cu 2.500 de execuții. Vei plăti în continuare separat furnizorului tău LLM (OpenAI, Anthropic etc.) pentru apelurile API.

Cum se compară AI Agent din n8n cu scrierea agenților în Python?

n8n schimbă personalizarea cu viteza. Un agent Python cu LangChain îți oferă control total asupra fiecărui pas de raționament. n8n îți oferă 80% din acea capacitate în 20% din timp, cu depanare vizuală și peste 500 de integrări încorporate. Alege Python pentru cercetare sau arhitecturi noi; alege n8n pentru automatizarea afacerilor.

Pot agenții n8n să folosească instrumente precum căutarea web și bazele de date?

Da. Agenții n8n pot folosi orice instrument disponibil ca nod: SerpAPI, Brave Search, HTTP Request (pentru orice API), baze de date SQL, Google Sheets, Slack și sute altele. Le adaugi ca sub-noduri sub nodul Agent.

Ce este MCP Client Tool în n8n?

MCP Client Tool conectează agentul tău n8n la servere MCP externe (Model Context Protocol). Agentul tău descoperă automat toate instrumentele expuse de acel server și le poate apela în timpul raționamentului. Este un singur nod care poate debloca zeci de instrumente externe.

Cum adaug memorie la un agent AI n8n?

Adaugă un sub-nod de memorie sub nodul tău Agent. Window Buffer Memory este cea mai simplă opțiune (păstrează ultimele N mesaje). Pentru memorie persistentă între sesiuni, folosește Postgres Chat Memory, Redis Chat Memory sau Zep Memory. Setează un ID de sesiune pentru a urmări conversațiile individuale.

Pot conecta mai mulți agenți în n8n?

Da. n8n suportă fluxuri de lucru agent-la-agent, unde un agent „manager” deleagă sarcini către agenți „worker” specializați. Construiești fiecare worker ca un sub-flux de lucru separat și îi conectezi prin instrumentul Call n8n Workflow.

Care este diferența dintre Tools Agent și alte tipuri de agenți?

Tools Agent folosește o buclă de raționament ReAct și funcționează cu orice instrument. OpenAI Functions Agent folosește API-ul nativ de apelare a funcțiilor OpenAI (puțin mai rapid, dar doar pentru OpenAI). SQL Agent este specializat pentru interogări de baze de date. Plan and Execute Agent descompune sarcinile complexe în pași secundari. Pentru majoritatea cazurilor de utilizare, începe cu Tools Agent.

Cum implementez un agent n8n în producție?

Pentru auto-găzduire: folosește Docker Compose cu PostgreSQL și Redis, activează modul queue pentru scalare orizontală și pune-l în spatele unui reverse proxy cu SSL. Pentru cloud: activează simplu fluxul de lucru, n8n gestionează infrastructura. În ambele cazuri, schimbă Chat Trigger cu un Webhook trigger astfel încât aplicațiile externe să poată apela agentul tău.

Pot agenții n8n să gestioneze încărcări de fișiere și imagini?

n8n poate procesa fișiere prin gestionarea datelor binare. Poți construi agenți care primesc încărcări de fișiere prin webhook, extrag text (folosind, de exemplu, un nod Code cu un parser PDF) și raționează asupra conținutului. Analiza nativă a imaginilor/viziunii depinde de suportul LLM-ului tău pentru input multimodal (GPT-4o suportă, de exemplu).

Surse

• Documentația nodului n8n AI Agent
• Prezentarea platformei n8n AI Agents
• Planuri de prețuri n8n
• Integrarea serverului MCP n8n