n8n Yapay Zeka Ajanları Eğitimi: Akıllı Workflow'lar Adım Adım

n8n Yapay Zeka Ajanları Eğitimi: Akıllı Workflow'lar Adım Adım

"Bir yapay zeka ajanı istiyorum" ile "Çalışan bir yapay zeka ajanım var" arasındaki boşluk genellikle yüzlerce satır Python bağlantı kodundan oluşur. n8n yapay zeka ajanları bu boşluğu, gerçekten bir şeyler yapan LLM destekli ajanları sürükleyip bırakarak ve birbirine bağlayarak oluşturabileceğiniz görsel bir workflow editörüyle kapatır — web'de arama yapar, veritabanlarını sorgular, e-posta gönderir, tablolar günceller. Framework kalıp kodları yerine bir sistem promptu yazarsınız.

Bu eğitim, sıfırdan iki gerçek ajan workflow'u kurmanız için sizi adım adım yönlendirir: bir web araştırma ajanı ve hafızalı bir müşteri destek botu. Sonunda ihtiyaç duyduğunuz her node türünü ve bunların nasıl bir araya geldiğini anlayacaksınız.

n8n Nedir (ve Yapay Zeka Ajanları İçin Neden Kullanılır)?

n8n, açık kaynaklı bir workflow otomasyon platformudur — Zapier gibi düşünün, ancak kendi sunucunuza kurulabilir ve "gerektiğinde kod yaz" felsefesiyle çalışır. Node tabanlı görsel bir editör aracılığıyla 500'den fazla hizmeti birbirine bağlar.

n8n'i yapay zeka ajanları için özellikle ilginç kılan şey, yerel LangChain entegrasyonudur. LangChain Python kodu yazmak yerine, aynı kavramları (ajanlar, araçlar, hafıza, modeller) görsel node'lar olarak yapılandırırsınız. AI Agent node'u akıl yürütme döngüsünü üstlenir — siz sadece neyle düşüneceğini ve neler yapabileceğini bağlarsınız.

Neden saf kod yerine n8n'i seçmelisiniz?

• Görsel hata ayıklama: ajanın akıl yürütme zincirinin tam olarak nerede koptuğunu görürsünüz
• 500'den fazla entegrasyon anında ajan aracına dönüşür (Slack, Gmail, Google Sheets, veritabanları)
• Ücretsiz kendi sunucunuzda barındırın (Community Edition) veya n8n Cloud'u ayda 20 $'dan kullanın
• MCP desteği, n8n workflow'larının harici yapay zeka ajanları için araçlara dönüşmesini sağlar ve bunun tersi de geçerlidir

LangGraph, CrewAI veya OpenAI Agents SDK gibi farklı ajan çerçevelerini değerlendiriyorsanız, n8n farklı bir kategoriye girer — Python çalışma ortamını yönetmeden üretim ajanları isteyen kişiler içindir.

n8n AI Agent Node'u Nasıl Çalışır?

n8n'deki her yapay zeka ajanı workflow'unun hiyerarşik bir yapısı vardır. Agent node'u merkezdedir ve yetenekler sağlamak için alt node'lar aşağıya bağlanır.

İşte anatomisi:

Tools Agent, zamanın %90'ında kullanacağınız ajandır. En esnek ajan türüdür — promptunuzu alır, hangi araçları çağıracağını akıl yürütür, bunları çalıştırır ve bir yanıt bulana kadar döner. Arka planda bir ReAct döngüsü (Reason + Act) çalıştırır: düşün, hareket et, gözlemle, tekrarla.

n8n ayrıca özel ajanlar da sunar — veritabanı sorguları için bir SQL Agent, görevleri alt adımlara bölen bir Plan and Execute Agent ve daha basit sohbet akışları için bir Conversational Agent. Ancak Tools Agent, çoğu kullanım durumunu kapsar.

Başlamadan Önce Nelere İhtiyacınız Var?

Herhangi bir şey inşa etmeden önce şu üç şeyi hazırlayın:

1. n8n örneği — ya n8n Cloud'a kaydolun (ayda 20 $ Starter) ya da Docker ile kendi sunucunuzda çalıştırın:

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

1. Bir LLM API anahtarı — OpenAI, Anthropic veya Google Gemini. Ücretsiz yerel modeller için Ollama da kullanabilirsiniz, ancak araç çağırma performansı değişkenlik gösterebilir.

2. Bir araç API anahtarı (isteğe bağlı) — web araması için SerpAPI (ayda 50 $) veya Brave Search API (ücretsiz katman). Arama olmadan da ajan oluşturabilirsiniz, ancak en yaygın ilk araç budur.

n8n çalışmaya başladığında, http://localhost:5678 (kendi sunucunuzda) veya bulut kontrol panelinizi açın. Yeni bir workflow oluşturun ve hazırsınız.

Ajan 1'i Oluşturma: Bir Web Araştırma Ajanı

Bu ajan bir konu alır, web'de arama yapar, sonuçları okur ve yapılandırılmış bir özet yazar. Bu, n8n yapay zeka ajanlarının "merhaba dünya"sıdır ve içerik araştırması için gerçekten kullanışlıdır.

Adım 1: Manual Trigger Ekleme

+ düğmesine tıklayın ve "Manual Trigger" arayın. Canvas'a bırakın. Bu, "Test Workflow" düğmesine tıklayarak workflow'u test etmenizi sağlar — daha sonra bir webhook veya sohbet tetikleyicisiyle değiştireceksiniz.

Adım 2: Edit Fields Node'u Ekleme

Tetikleyicinin ardından bir Edit Fields node'u ekleyin. "Model Context Protocol'daki Son Gelişmeler" gibi bir dize değeriyle topic adında bir alan ayarlayın. Bu, kullanıcı girişini simüle eder.

Adım 3: AI Agent Node'unu Ekleme

"AI Agent" arayın ve ekleyin. Ajan türü olarak Tools Agent'ı seçin.

System Message alanına davranışı tanımlayan bir prompt yazın:

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.

Prompt altında ifadeyi ayarlayın: {{ $json.topic }} — bu, konuyu Edit Fields node'undan çeker.

Adım 4: Chat Model Bağlama

Bir alt node eklemek için Agent node'unun altındaki +'ya tıklayın. OpenAI Chat Model'i seçin (veya kullandığınız LLM'yi).

Yapılandırın:

• Model: gpt-4o (veya daha ucuz çalıştırmalar için gpt-4o-mini)
• Temperature: 0.3 (daha düşük = daha olgusal, daha az yaratıcı)

API anahtarınızı kimlik bilgileri bölümüne yapıştırın.

Adım 5: Arama Aracını Ekleme

Bir araç alt node'u eklemek için tekrar +'ya tıklayın. SerpAPI'yi seçin (veya özel bir arama API'sine bağlanmak istiyorsanız HTTP Request Tool'u seçin).

SerpAPI için:

• API anahtarınızı kimlik bilgisi olarak ekleyin
• Ajan, arama yapması gerektiğine karar verdiğinde bu aracı çağırır

Ücretsiz bir alternatif için Brave Search API'ye bağlanan HTTP Request Tool'u kullanın:

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

$fromAI() ifadesi sihirdir — ajana "buraya hangi değeri geçireceğine sen karar ver" der.

Adım 6: Test Etme

Test Workflow'u tıklayın. Sağdaki yürütme panelini izleyin. Şunları göreceksiniz:

1. Ajan konuyu alır
2. Arama yapmaya karar verir (araç çağrısı)
3. SerpAPI sonuçları döndürür
4. Ajan sonuçlar hakkında akıl yürütür
5. Daha fazla ayrıntı için yeniden arama yapabilir
6. Nihai bir özet üretir

Ajan yakınsamadan döngüye giriyorsa, sistem promptunuzun muhtemelen daha keskin talimatlara ihtiyacı vardır. Aramayı tam olarak ne zaman durduracağını söyleyin.

Ajan 2'yi Oluşturma: Hafızalı Müşteri Destek Botu

Araştırma ajanı durumsuzdu — her çalışmanın ardından her şeyi unutuyordu. Bir müşteri destek botunun konuşmayı hatırlaması gerekir. Ajan hafızası burada devreye girer.

Adım 1: Chat Trigger Kullanma

Bu sefer, Manual Trigger yerine Chat Trigger node'uyla başlayın. Bu, konuşmaları test etmek için n8n'in yerleşik sohbet widget'ını sağlar.

Adım 2: Ajanı Yapılandırma

Bir Tools Agent node'u ekleyin. Sistem promptu:

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

Adım 3: Hafıza Ekleme

Bir alt node eklemek için Agent'taki +'ya tıklayın ve Window Buffer Memory'yi seçin.

• Context Window Length: 10 (son 10 mesaj çiftini hatırlar)
• Session ID: {{ $json.sessionId }} (sohbet tetikleyicisinden)

Bu en basit hafıza seçeneğidir — son mesajları kayan pencerede tutar. Oturumlar arası kalıcı hafızaya ihtiyaç duyan üretim botları için bunun yerine Postgres Chat Memory veya Redis Chat Memory kullanın. En iyi yapay zeka ajanı hafıza araçları rehberimiz bu yaklaşımlar arasındaki farkları kapsar.

Adım 4: Araç Ekleme

İki araç alt node'u ekleyin:

Araç 1 — Bilgi Tabanı (Vector Store QA): Bir vector store'da ürün belgeleriniz varsa (Pinecone, Qdrant, Supabase), Vector Store Question Answer Tool'u kullanın. Bu temelde tek bir node'da RAG (Retrieval-Augmented Generation)'dır.

Araç 2 — Bilet Oluşturma (HTTP Request): Bilet API'nize POST yapacak şekilde yapılandırılmış bir HTTP Request Tool ekleyin:

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') }}"
}

Adım 5: Konuşmayı Test Etme

Test Workflow'u tıklayın ve sohbet panelini açın. Çok turlu bir konuşma deneyin:

• "Merhaba, ben Alex. Görevlerimi CSV olarak nasıl dışa aktarırım?"
• "Peki ya PDF dışa aktarma?"
• "Aslında PDF dışa aktarma bende çalışmıyor — bir hata bildirebilir misiniz?"

Ajanın ilk iki soru için bilgi tabanını aramasını ve üçüncü soru için bir bilet oluşturmasını izleyin. Hafıza node'u, ajanın Alex'in adını ve PDF sorununu hatırlamasını sağlar.

Ajanlarınızı Genişletmek İçin MCP Kullanma

n8n artık Model Context Protocol (MCP)'yi her iki yönde de destekliyor — ve işler burada gerçekten güçleniyor.

MCP sunucularını tüketme: Ajanınıza MCP Client Tool alt node'unu ekleyin. Herhangi bir MCP sunucu URL'sine yönlendirin ve ajan, o sunucunun sunduğu tüm araçları otomatik olarak keşfeder ve çağırabilir. Tek bir node, onlarca araç.

Workflow'ları MCP araçları olarak sunma: Herhangi bir n8n workflow'unu MCP uyumlu bir araca dönüştürmek için MCP Server Trigger node'unu kullanın. Claude Desktop, Cursor veya VS Code'da çalışan harici ajanlar daha sonra n8n workflow'larınızı keşfedip çağırabilir. Bir "Slack bildirimi gönder" workflow'unu bir kez oluşturun ve yığınınızdaki her MCP uyumlu ajan onu kullanabilir.

Bu çift yönlü MCP desteği, n8n'i bir ajan merkezine dönüştürür — n8n ajanlarınız MCP aracılığıyla harici araçları çağırır ve harici ajanlar MCP aracılığıyla n8n workflow'larınızı çağırır.

Daha İyi n8n Ajanları İçin Pratik İpuçları

Düzinelerce ajan workflow'u oluşturduktan sonra, asıl önemli olan şunlar:

Araç sayısını düşük tutun. Ajanlar 5–7'den fazla araçla kafası karışır. Daha fazlasına ihtiyaç duyuyorsanız, uzmanlaşmış "işçi ajanlara" delege eden bir "yönetici ajan" oluşturun — n8n, ajan-ajan workflow'larını destekler.

Sistem promptlarında açık olun. Sadece "kullanıcıya yardım et" demeyin. Tam kuralları, çıktı formatlarını ve her aracın ne zaman kullanılacağını belirtin. Promptunuz ne kadar spesifik olursa, sürpriz araç çağrısı o kadar az olur.

Token limitleri belirleyin. Chat Model yapılandırmasında maksimum token limiti ayarlayın. Limitin olmaması, kafası karışmış bir ajanın tek döngüde API bütçenizi tüketmesine yol açabilir.

Hata işleme node'ları kullanın. Hataları yakalayan ve sizi Slack veya e-posta aracılığıyla bilgilendiren bir Error Trigger workflow'u ekleyin. Aksi takdirde ajanlar sessizce başarısız olur.

Önce uç durumlarla test edin. Ajanınıza bilmemesi gereken bir şey sorun. "Bilmiyorum" demek yerine halüsinasyon görüyorsa, promptunuzun korkulara ihtiyacı var demektir.

Geliştirme sırasında her şeyi kaydedin. Yürütme günlüğünü etkinleştirin (Pro plan veya kendi sunucunuzda mevcuttur), böylece bir ajanın tam olarak nerede yanlış gittiğini yeniden oynatabilir ve hata ayıklayabilirsiniz.

n8n Ajanları Ne Zaman Mantıklıdır (ve Ne Zaman Değildir)?

n8n şu durumlarda iyi bir seçimdir:

• Python altyapısını yönetmeden üretim ajanları istiyorsanız
• Workflow'larınız birden fazla SaaS aracını bağlıyorsa (Slack, Gmail, Notion, veritabanları)
• Ekibiniz ajan davranışını değiştirmesi gereken geliştiricisiz üyeleri içeriyorsa
• Ajan akıl yürütme zincirlerinin görsel hata ayıklamasına ihtiyaç duyuyorsanız

n8n muhtemelen yanlış seçimdir eğer:

• Ajan mimarileri üzerinde ince taneli kontrole ihtiyaç duyuyorsanız (bunun yerine LangGraph veya CrewAI kullanın)
• Ajanınız entegrasyon olmadan tamamen hesaplamalıdır (ML hattı, veri işleme)
• Karmaşık durum yönetimiyle çok ajanlı bir araştırma sistemi kuruyorsanız

İş otomasyonu kullanım durumları için — müşteri destek botları, veri işleme ajanları, araştırma asistanları, potansiyel müşteri nitelendirme — n8n, güç ve erişilebilirlik arasındaki tatlı noktayı yakalamaktadır.

SSS

n8n yapay zeka ajanları için hangi LLM'leri destekliyor?

n8n; OpenAI (GPT-4o, GPT-4, GPT-3.5), Anthropic Claude (Claude 3.5 ve 4 ailesi), Google Gemini, Mistral, Cohere, HuggingFace modelleri ve Ollama aracılığıyla yerel modelleri destekler. Modelleri tek bir alt node'u değiştirerek değiştirebilirsiniz — workflow değişikliği gerekmez.

Yapay zeka ajanları oluşturmak için n8n ücretsiz midir?

Kendi sunucunuzda barındırılan Community Edition, yürütme limiti olmaksızın tamamen ücretsizdir. n8n Cloud, 2.500 yürütmeyle ayda 20 $'dan (Starter) başlar. LLM sağlayıcınıza (OpenAI, Anthropic vb.) API çağrıları için ayrıca ödeme yapmaya devam edersiniz.

n8n'nin yapay zeka ajanı Python'da ajan yazmakla nasıl karşılaştırılır?

n8n, özelleştirmeyi hız karşılığında takas eder. LangChain ile Python ajanı her akıl yürütme adımında tam kontrol sağlar. n8n, görsel hata ayıklama ve 500'den fazla yerleşik entegrasyonla bu yeteneğin %80'ini zamanın %20'sinde sunar. Araştırma veya yeni mimariler için Python'u, iş otomasyonu için n8n'i seçin.

n8n ajanları web araması ve veritabanları gibi araçları kullanabilir mi?

Evet. n8n ajanları, node olarak mevcut olan herhangi bir aracı kullanabilir — SerpAPI, Brave Search, HTTP Request (herhangi bir API için), SQL veritabanları, Google Sheets, Slack ve yüzlerce daha fazlası. Bunları Agent node'unun altına alt node olarak eklersiniz.

n8n'deki MCP Client Tool nedir?

MCP Client Tool, n8n ajanınızı harici MCP (Model Context Protocol) sunucularına bağlar. Ajanınız, o sunucunun sunduğu tüm araçları otomatik olarak keşfeder ve akıl yürütme sırasında onları çağırabilir. Onlarca harici aracın kilidini açabilen tek bir node'dur.

n8n AI ajanına nasıl hafıza eklerim?

Agent node'unuzun altına bir hafıza alt node'u ekleyin. Window Buffer Memory en basit seçenektir (son N mesajı tutar). Oturumlar arası kalıcı hafıza için Postgres Chat Memory, Redis Chat Memory veya Zep Memory kullanın. Bireysel konuşmaları takip etmek için bir oturum kimliği ayarlayın.

n8n'de birden fazla ajanı bağlayabilir miyim?

Evet. n8n, bir "yönetici" ajanın uzmanlaşmış "işçi" ajanlara görev devrettiği ajan-ajan workflow'larını destekler. Her işçiyi ayrı bir alt workflow olarak oluşturur ve bunları Call n8n Workflow aracı aracılığıyla bağlarsınız.

Tools Agent ile diğer ajan türleri arasındaki fark nedir?

Tools Agent bir ReAct akıl yürütme döngüsü kullanır ve herhangi bir araçla çalışır. OpenAI Functions Agent, OpenAI'nın yerel fonksiyon çağırma API'sini kullanır (biraz daha hızlı ancak yalnızca OpenAI). SQL Agent veritabanı sorguları için özelleşmiştir. Plan and Execute Agent karmaşık görevleri alt adımlara böler. Çoğu kullanım durumu için Tools Agent ile başlayın.

Bir n8n ajanını üretime nasıl dağıtırım?

Kendi sunucunuzda barındırma için: PostgreSQL ve Redis ile Docker Compose kullanın, yatay ölçeklendirme için kuyruk modunu etkinleştirin ve SSL ile ters proxy'nin arkasına yerleştirin. Bulut için: workflow'u etkinleştirmeniz yeterlidir — n8n altyapıyı yönetir. Her iki durumda da harici uygulamaların ajanınızı çağırabilmesi için Chat Trigger'ı Webhook trigger ile değiştirin.

n8n ajanları dosya yükleme ve görüntüleri işleyebilir mi?

n8n, ikili veri işleme özelliğiyle dosyaları işleyebilir. Webhook aracılığıyla dosya yüklemesi alan, metin çıkaran (örneğin bir PDF ayrıştırıcısıyla Code node'u kullanarak) ve içerik üzerinde akıl yürüten ajanlar oluşturabilirsiniz. Yerel görüntü analizi, LLM'nizin çok modlu girişi destekleyip desteklemediğine bağlıdır (GPT-4o destekler, örneğin).

Kaynaklar

• n8n AI Agent Node Documentation
• n8n AI Agents Platform Overview
• n8n Pricing Plans
• n8n MCP Server Integration