Cách xây dựng quy trình AI với n8n và LangChain
n8n và LangChain cùng nhau giải quyết một vấn đề mà hầu hết các đội ngũ đều gặp phải: bạn muốn có các tác nhân AI kết nối với dữ liệu thực tế và kích hoạt các hành động thực sự, nhưng việc tích hợp LangChain trong Python đồng nghĩa với việc phải duy trì toàn bộ ngăn xếp ứng dụng. Các node LangChain gốc của n8n cho phép bạn kéo và thả các tác nhân, chuỗi, bộ nhớ và kho vector vào các quy trình trực quan, sau đó kết nối chúng với hơn 400 tích hợp mà không cần viết mã SDK.
Những gì bạn nhận được: Thư viện Node LangChain của n8n
n8n cung cấp hơn 70 node AI triển khai các khái niệm LangChain dưới dạng các khối xây dựng trực quan. Thay vì nhập langchain trong Python và ghép nối các module lại với nhau, bạn chỉ cần kết nối các node trên canvas. Dưới đây là bảng phân tích đầy đủ:
| Danh mục Node | Chức năng | Các Node chính |
|---|---|---|
| Node gốc (Root Nodes) | Logic AI cốt lõi (bộ "não") | AI Agent, Basic LLM Chain, Q&A Chain, Summarization Chain |
| Mô hình Chat | Kết nối LLM | OpenAI, Anthropic Claude, Google Gemini, Ollama, Groq, Mistral, DeepSeek |
| Bộ nhớ | Duy trì hội thoại | Simple Memory, Redis, Postgres, MongoDB, Zep |
| Kho Vector | Lưu trữ + truy xuất tài liệu | Pinecone, Qdrant, Supabase, Chroma, Weaviate, PGVector, In-Memory |
| Embeddings | Chuyển đổi văn bản thành vector | OpenAI, Cohere, HuggingFace, Ollama, AWS Bedrock |
| Công cụ | Khả năng mở rộng bên ngoài cho tác nhân | Calculator, SerpAPI, Wikipedia, Custom Code, MCP Client, Workflow Tool |
| Trình phân tích đầu ra | Định dạng phản hồi có cấu trúc | Auto-fixing, Structured, Item List |
| Trình tách văn bản | Chia nhỏ tài liệu | Character, Recursive Character, Token |
Kiến trúc này sử dụng những gì n8n gọi là cluster nodes, trong đó một node gốc (như AI Agent) kết nối với các node con (mô hình chat, bộ nhớ, công cụ) để mở rộng khả năng của nó. Hãy coi đây là hệ thống module của LangChain, nhưng ở dạng trực quan.
Cách n8n ánh xạ sang các khái niệm LangChain
Nếu bạn đã từng sử dụng LangChain qua mã lệnh, cách ánh xạ của n8n rất đơn giản:
| Khái niệm LangChain | Tương đương trong n8n | Khi nào nên dùng |
|---|---|---|
ChatOpenAI() | Node con OpenAI Chat Model | Bất kỳ quy trình nào cần LLM |
ConversationBufferMemory() | Simple Memory / Redis Memory | Hội thoại nhiều lượt |
RetrievalQA.from_chain_type() | Q&A Chain + Vector Store Retriever | Hỏi đáp dựa trên tài liệu |
AgentExecutor với công cụ | Node AI Agent (loại Tools Agent) | Lựa chọn công cụ động |
RecursiveCharacterTextSplitter() | Node con Recursive Character Text Splitter | Chia nhỏ tài liệu cho RAG |
FAISS.from_documents() | Simple Vector Store (Insert Documents) | Lưu trữ embeddings cục bộ |
Sự khác biệt then chốt? Trong mã lệnh, bạn phải viết 50-100 dòng để kết nối chúng. Trong n8n, bạn chỉ cần kết nối 4-6 node trên canvas và cấu hình chúng thông qua các menu thả xuống.
Xây dựng quy trình Hỏi đáp Tài liệu (RAG)
Hãy cùng xây dựng một thứ gì đó thực tế. Quy trình này nhập tài liệu PDF, lưu trữ chúng trong cơ sở dữ liệu vector và trả lời các câu hỏi về nội dung của chúng. Đây là mô hình RAG (Retrieval-Augmented Generation) kinh điển, quy trình LangChain hữu ích nhất cho các đội ngũ kinh doanh.
Bước 1: Thiết lập quy trình nhập dữ liệu
Tạo một quy trình mới để tải tài liệu. Bạn sẽ chạy quy trình này mỗi khi có tài liệu mới cần thêm vào.
Các node cần thêm:
- Manual Trigger, Nhấp để chạy quá trình nhập liệu
- Google Drive node (hoặc HTTP Request, Read Binary File), Lấy tài liệu nguồn của bạn
- Simple Vector Store, Đặt thao tác thành Insert Documents
- Node con OpenAI Embeddings, Kết nối với Vector Store, chuyển đổi văn bản thành vector
- Node con Default Data Loader, Phân tích cú pháp nội dung tài liệu thành các đoạn nhỏ
- Node con Recursive Character Text Splitter, Chia nội dung thành các đoạn khoảng 500 token với độ chồng lấp 50 token
Chi tiết cấu hình cho Vector Store:
- Thao tác:
Insert Documents - Memory Key: Đặt một tên mô tả như
company-docs(đây là cách bạn sẽ tham chiếu đến nó sau này) - Data Loader kết nối như một node con và xử lý việc phân tích cú pháp PDF/văn bản tự động
Cấu hình cho Text Splitter:
- Chunk Size: 500 (token)
- Chunk Overlap: 50 (đảm bảo ngữ cảnh không bị mất ở ranh giới)
- Phương thức tách: Recursive Character (xử lý thông minh Markdown, HTML và văn bản thuần)
Bước 2: Xây dựng quy trình Tác nhân Hỏi đáp
Bây giờ hãy tạo một quy trình thứ hai, đây là quy trình mà người dùng sẽ tương tác.
Các node cần thêm:
- Chat Trigger, Cung cấp giao diện chat cho các câu hỏi
- AI Agent (loại Tools Agent), Bộ não quyết định cần làm gì
- Node con OpenAI Chat Model, Kết nối GPT-4o hoặc GPT-4o-mini
- Node con Simple Memory, Ghi nhớ ngữ cảnh hội thoại
- Node con Vector Store Tool, Cung cấp cho tác nhân quyền truy cập vào tài liệu của bạn
Cấu hình cho node AI Agent:
- Agent Type: Tools Agent (tùy chọn linh hoạt nhất, nó quyết định khi nào và cách sử dụng công cụ)
- System Prompt:
Bạn là một trợ lý hữu ích trả lời các câu hỏi dựa trên tài liệu công ty của chúng tôi. Luôn trích dẫn tài liệu mà bạn tìm thấy câu trả lời. Nếu thông tin không có trong tài liệu, hãy nói rõ điều đó.
Cấu hình cho Vector Store Tool:
- Name:
search_documents - Description:
Tìm kiếm cơ sở kiến thức công ty để lấy thông tin liên quan. Sử dụng công cụ này khi người dùng hỏi về chính sách, quy trình hoặc tài liệu của công ty. - Vector Store: Chọn Simple Vector Store của bạn
- Embedding model: Cùng mô hình OpenAI Embeddings bạn đã dùng khi nhập liệu
- Top K: 4 (số lượng đoạn văn bản liên quan cần truy xuất)
Mô tả này quan trọng hơn bạn nghĩ. Tác nhân sử dụng nó để quyết định khi nào gọi công cụ thay vì trả lời từ kiến thức sẵn có của nó. Hãy cụ thể.
Bước 3: Kiểm tra và tinh chỉnh
Nhấp vào Chat trong bảng điều khiển dưới cùng để mở giao diện chat tích hợp sẵn của n8n. Đặt một câu hỏi về tài liệu của bạn. Theo dõi dấu vết thực thi, n8n sẽ hiển thị chính xác các node nào đã kích hoạt, lập luận của tác nhân là gì và những đoạn tài liệu nào đã được truy xuất.
Các vấn đề thường gặp ở giai đoạn này:
- Tác nhân không sử dụng công cụ: Mô tả công cụ của bạn quá mơ hồ. Hãy làm rõ kiến thức mà công cụ chứa đựng.
- Truy xuất các đoạn không liên quan: Tăng độ chồng lấp đoạn hoặc giảm kích thước đoạn. Thử 300 token với độ chồng lấp 100.
- Phản hồi chậm: Chuyển sang GPT-4o-mini cho mô hình chat. Nó rẻ hơn gấp 10 lần và đủ nhanh cho hầu hết các tác vụ hỏi đáp.
Xây dựng tác nhân gọi công cụ
Quy trình hỏi đáp ở trên rất tuyệt vời cho tài liệu. Nhưng còn một tác nhân có thể tìm kiếm web, thực hiện tính toán, truy vấn cơ sở dữ liệu VÀ trả lời từ tài liệu thì sao? Đó là lúc Tools Agent thực sự tỏa sáng.
Thiết lập quy trình
- Chat Trigger, Đầu vào từ người dùng
- AI Agent (Tools Agent), Định tuyến đến công cụ phù hợp
- OpenAI Chat Model, GPT-4o cho khả năng suy luận phức tạp
- Simple Memory, Lịch sử hội thoại
- Nhiều công cụ được kết nối:
- SerpAPI Tool, Khả năng tìm kiếm web
- Calculator Tool, Phép toán
- Vector Store Tool, Cơ sở kiến thức tài liệu của bạn
- Custom Code Tool, Bất kỳ hàm JavaScript nào bạn viết
- Workflow Tool, Kích hoạt một quy trình n8n khác như một công cụ
Workflow Tool là vũ khí bí mật của n8n. Nó cho phép bạn bọc bất kỳ quy trình n8n nào thành một công cụ mà tác nhân có thể gọi. Có một quy trình kiểm tra hàng tồn kho? Biến nó thành một công cụ. Một quy trình gửi tin nhắn Slack? Công cụ. Một quy trình truy vấn CRM của bạn? Công cụ. Đây là nơi hơn 400 node tích hợp của n8n trở nên khả dụng cho tác nhân AI của bạn.
System Prompt cho tác nhân đa công cụ
System prompt của bạn cần thông báo cho tác nhân về các khả năng của nó:
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.Mẫu prompt này trực tiếp kiểm soát cách tác nhân định tuyến giữa các công cụ. Các prompt mơ hồ dẫn đến việc tác nhân sử dụng tìm kiếm web khi lẽ ra chúng nên kiểm tra tài liệu của bạn trước.
Chọn loại tác nhân phù hợp
n8n cung cấp sáu loại tác nhân. Dưới đây là thời điểm nên chọn từng loại:
| Loại tác nhân | Phù hợp nhất cho | Hỗ trợ công cụ? | Ghi chú |
|---|---|---|---|
| Tools Agent | Hầu hết các trường hợp | Có | Lựa chọn mặc định, linh hoạt, đáng tin cậy |
| Conversational Agent | Chatbot đơn giản | Có | Ít khả năng hơn nhưng nhẹ hơn |
| ReAct Agent | Chuỗi suy luận phức tạp | Có | Hiển thị các bước suy luận rõ ràng |
| OpenAI Functions Agent | Tính năng dành riêng cho OpenAI | Có | Sử dụng API gọi hàm của OpenAI |
| Plan and Execute Agent | Tác vụ nhiều bước | Có | Lập kế hoạch trước, sau đó thực hiện, tốt cho quy trình phức tạp |
| SQL Agent | Truy vấn cơ sở dữ liệu | Hạn chế | Tạo và chạy SQL trên cơ sở dữ liệu của bạn |
Đối với hầu hết các đội ngũ, Tools Agent là điểm khởi đầu đúng đắn. Nó xử lý tốt việc định tuyến đa công cụ, hoạt động với mọi nhà cung cấp LLM và bạn luôn có thể chuyển đổi sau này. Nếu so sánh với việc xây dựng tác nhân bằng mã với các framework như LangGraph hoặc CrewAI, lợi thế ở đây là không có chi phí triển khai, tác nhân của bạn chạy ngay trong hạ tầng của n8n.
Thêm bộ nhớ lưu trữ lâu dài
Theo mặc định, node con Simple Memory giữ lịch sử hội thoại trong bộ nhớ, nó sẽ biến mất khi quy trình khởi động lại. Để sử dụng trong sản phẩm thực tế, bạn sẽ cần bộ nhớ bền vững.
Các lựa chọn của bạn:
| Loại bộ nhớ | Tính bền vững | Effort thiết lập | Phù hợp nhất cho |
|---|---|---|---|
| Simple Memory | Chỉ phiên làm việc | Không có | Kiểm thử, nguyên mẫu |
| Redis Chat Memory | Bền vững, nhanh | Trung bình (cần Redis) | Chatbot sản phẩm |
| Postgres Chat Memory | Bền vững, có thể truy vấn | Trung bình (cần Postgres) | Khi bạn muốn phân tích hội thoại |
| MongoDB Chat Memory | Bền vững, linh hoạt | Trung bình (cần MongoDB) | Lưu trữ hướng tài liệu |
| Zep Memory | Bền vững + tóm tắt | Trung bình (cần Zep) | Hội thoại dài vượt quá cửa sổ ngữ cảnh |
Zep đáng được nhấn mạnh nếu bạn đang xây dựng bất cứ thứ gì với lịch sử hội thoại dài. Nó tự động tóm tắt các tin nhắn cũ để tác nhân của bạn không bị tràn bộ nhớ ngữ cảnh ở lượt thứ 50 của cuộc hội thoại.
Để thêm bộ nhớ bền vững, chỉ cần thay thế node con Simple Memory bằng Redis/Postgres/Zep. Phần còn lại của quy trình vẫn giữ nguyên.
Kết nối với các nhà cung cấp LLM khác nhau
Mọi node gốc cần LLM đều chấp nhận một node con Chat Model. Việc chuyển đổi nhà cung cấp chỉ là thay đổi một node:
| Nhà cung cấp | Tên Node | Các mô hình có sẵn | Ghi chú |
|---|---|---|---|
| OpenAI | OpenAI Chat Model | GPT-4o, GPT-4o-mini, o1, o3-mini | Được kiểm thử rộng rãi nhất với n8n |
| Anthropic | Anthropic Chat Model | Claude 3.5 Sonnet, Claude 3 Opus | Mạnh mẽ cho phân tích và ngữ cảnh dài |
| Google Gemini Chat Model | Gemini 1.5 Pro, Gemini Flash | Gói miễn phí tốt | |
| Ollama | Ollama Chat Model | Llama 3, Mistral, Phi-3 | Hoàn toàn cục bộ, không tốn phí API |
| Groq | Groq Chat Model | Llama 3, Mixtral | Suy luận cực nhanh |
| AWS Bedrock | AWS Bedrock Chat Model | Claude, Titan, Llama | Tích hợp doanh nghiệp AWS |
Đối với phát triển và kiểm thử cục bộ, Ollama là tùy chọn không tốn phí, chạy các mô hình trên máy của bạn và kết nối n8n với localhost:11434. Đối với sản phẩm thực tế, hầu hết các đội ngũ sử dụng OpenAI hoặc Anthropic tùy thuộc vào nhiệm vụ.
Các công thức quy trình thực tế
Dưới đây là ba mẫu sẵn sàng cho sản phẩm mà bạn có thể xây dựng trong vòng chưa đầy 30 phút:
Công thức 1: Phân loại vé hỗ trợ tự động
Trigger: Email mới đến (node Gmail/Outlook) Chain: Basic LLM Chain với prompt phân loại Output: Định tuyến đến các kênh Slack khác nhau dựa trên danh mục
Prompt thực hiện phần việc nặng nhọc: Phân loại email hỗ trợ này vào chính xác một danh mục: billing, technical, feature_request, hoặc other. Chỉ trả lời với tên danh mục.
Công thức 2: Bản tin nội dung hàng tuần
Trigger: Lịch trình (mỗi Thứ Hai lúc 9 giờ sáng) Agent: Tools Agent với SerpAPI + Custom Code Tool Memory: Không cần thiết (tác vụ một lần) Output: Báo cáo tóm tắt gửi đến Slack/Email
Tác nhân tìm kiếm tin tức ngành, tóm tắt 5 bài viết hàng đầu và định dạng thành bản tin. Custom Code Tool xử lý mọi logic định dạng dễ thực hiện trong JavaScript hơn là trong prompt.
Công thức 3: Bot Slack dựa trên tài liệu
Trigger: Tin nhắn Slack trong một kênh cụ thể Agent: Tools Agent với Vector Store Tool Memory: Redis Chat Memory (khóa theo ID luồng Slack) Output: Trả lời trong luồng Slack
Đây là quy trình hỏi đáp từ trước, nhưng được kích hoạt bởi Slack thay vì giao diện chat. Khóa bộ nhớ dựa trên luồng có nghĩa là mỗi cuộc hội thoại Slack có ngữ cảnh riêng.
Đối với các đội ngũ đang khám phá các công cụ RAG nào nên sử dụng cùng với n8n, lựa chọn kho vector ít quan trọng hơn chiến lược chia nhỏ đoạn văn bản của bạn. Hãy bắt đầu với Simple (In-Memory) Vector Store để tạo nguyên mẫu, sau đó chuyển sang Pinecone hoặc Qdrant cho sản phẩm thực tế.
Những sai lầm phổ biến và cách tránh
Sau khi xây dựng hàng chục quy trình AI n8n, đây là những cạm bẫy khiến mọi người vấp ngã:
1. Bỏ qua system prompt. Node AI Agent hoạt động mà không cần system prompt, nhưng hiệu quả kém. Luôn xác định vai trò của tác nhân, các công cụ có sẵn và hành vi mong muốn. Mười phút cho prompt sẽ tiết kiệm hàng giờ gỡ lỗi các phản hồi kỳ lạ.
2. Sử dụng một quy trình khổng lồ duy nhất. Tách biệt việc nhập liệu và truy vấn thành các quy trình riêng biệt. Quy trình nhập liệu chạy thỉnh thoảng (khi có tài liệu mới). Quy trình truy vấn chạy liên tục. Trộn lẫn chúng tạo ra xung đột thực thi.
3. Chọn kích thước đoạn sai. Chia nhỏ mặc định (1000 ký tự) hoạt động tốt cho nội dung chung. Đối với tài liệu kỹ thuật, giảm xuống 300-500 token. Đối với tài liệu pháp lý, tăng lên 800-1000 token với độ chồng lấp cao hơn. Không có kích thước đoạn "đúng" phổ quát, hãy kiểm thử với tài liệu thực tế của bạn.
4. Bỏ qua nhật ký thực thi. n8n hiển thị dấu vết thực thi đầy đủ cho mỗi lần chạy quy trình. Khi một tác nhân đưa ra câu trả lời sai, hãy kiểm tra xem nó đã gọi công cụ nào (hoặc không gọi), những đoạn nào đã được truy xuất và lập luận nó đưa ra là gì. Nhật ký cho bạn biết chính xác nơi mọi thứ đã sai.
5. Trả tiền cho GPT-4o khi không cần thiết. Đối với phân loại, tóm tắt và hỏi đáp đơn giản, GPT-4o-mini tốt bằng 90% với chỉ 10% chi phí. Chỉ dành GPT-4o hoặc Claude cho các tác vụ suy luận đa bước phức tạp.
Cách Techsy tiếp cận tự động hóa AI với n8n
Chúng tôi đã xây dựng các quy trình AI n8n cho khách hàng từ các startup 3 người đến các đội ngũ doanh nghiệp. Quy trình của chúng tôi:
- Vẽ sơ đồ luồng quyết định, Trước khi mở n8n, chúng tôi vẽ sơ đồ mọi điểm quyết định và nguồn dữ liệu
- Tạo nguyên mẫu với Simple Vector Store, Làm cho logic cốt lõi hoạt động với lưu trữ trong bộ nhớ
- Kiểm thử sớm với dữ liệu thực, Dữ liệu kiểm thử tổng hợp che giấu các vấn đề về chia nhỏ và truy xuất
- Thêm bộ nhớ và tính bền vững, Chỉ sau khi logic hỏi đáp hoặc tác nhân cốt lõi đã được xác thực
- Giám sát và lặp lại, Theo dõi các lệnh gọi công cụ nào thành công, đoạn nào được truy xuất và nơi người dùng cảm thấy thất vọng
Nếu bạn đang xây dựng các tác nhân AI cho quy trình kinh doanh và muốn hỗ trợ thiết kế kiến trúc, liên hệ để được tư vấn miễn phí.
Câu hỏi thường gặp
Tôi có cần biết LangChain để sử dụng các node AI của n8n không?
Không. n8n trừu tượng hóa LangChain thành các node trực quan với cấu hình dropdown. Hiểu các khái niệm LangChain (tác nhân, chuỗi, bộ nhớ, retriever) giúp bạn đưa ra các quyết định thiết kế tốt hơn, nhưng bạn không bao giờ phải viết mã LangChain trừ khi bạn chọn sử dụng node LangChain Code.
Tôi có thể sử dụng LLM cục bộ với n8n thay vì OpenAI không?
Có. Kết nối node con Ollama Chat Model với bất kỳ mô hình nào đang chạy trên máy của bạn (Llama 3, Mistral, Phi-3, v.v.). Trỏ nó đến http://localhost:11434 và bạn có một quy trình AI hoàn toàn riêng tư, không tốn phí. Groq là một lựa chọn khác cho suy luận nhanh mà không cần quản lý phần cứng riêng.
Sự khác biệt giữa Chain và Agent trong n8n là gì?
Một chain tuân theo một trình tự cố định, đầu vào đi qua bước A, rồi B, rồi C. Một agent quyết định động các công cụ cần gọi dựa trên đầu vào. Sử dụng chains cho các tác vụ có thể dự đoán (tóm tắt, phân loại). Sử dụng agents khi quy trình cần đưa ra quyết định về việc cần làm tiếp theo.
Simple Vector Store có thể xử lý bao nhiêu tài liệu?
Simple (In-Memory) Vector Store hoạt động tốt để tạo nguyên mẫu với vài trăm tài liệu. Đối với sản phẩm thực tế với hàng nghìn tài liệu, hãy chuyển sang Pinecone, Qdrant, Supabase hoặc Chroma. Quy trình vẫn giữ nguyên, bạn chỉ cần thay thế node kho vector.
Tôi có thể kích hoạt các quy trình AI n8n từ các ứng dụng bên ngoài không?
Có. Sử dụng node Webhook Trigger để expose quy trình AI của bạn dưới dạng điểm cuối API. Bất kỳ ứng dụng nào có thể thực hiện yêu cầu HTTP đều có thể gửi dữ liệu đến tác nhân của bạn và nhận phản hồi. Đây là cách bạn tích hợp các quy trình AI n8n vào các sản phẩm hiện có.
n8n có miễn phí cho các quy trình AI không?
n8n Community Edition hoàn toàn mã nguồn mở và miễn phí để tự lưu trữ. Tất cả các node LangChain đều được bao gồm. Các gói Cloud bắt đầu từ $24/tháng nếu bạn không muốn quản lý hạ tầng. Chi phí API LLM (OpenAI, Anthropic, v.v.) là riêng biệt và do nhà cung cấp tính phí.
n8n xử lý lỗi trong các quy trình tác nhân AI như thế nào?
n8n có xử lý lỗi tích hợp ở cấp độ node. Bạn có thể đặt logic thử lại, đường dẫn dự phòng và quy trình xử lý lỗi. Đối với các vấn đề cụ thể về AI (như timeout LLM hoặc giới hạn tốc độ), hãy thêm thử lại với backoff theo cấp số nhân trên node con Chat Model. Nhật ký thực thi hiển thị chính xác nơi xảy ra lỗi.
Tôi có thể sử dụng các quy trình AI của n8n với khóa API của riêng mình không?
Có. Mọi node LLM đều yêu cầu bạn tạo thông tin xác thực với khóa API của riêng mình. n8n lưu trữ thông tin xác thực đã được mã hóa. Nếu bạn tự lưu trữ, các khóa này không bao giờ rời khỏi hạ tầng của bạn.
Node LangChain Code dùng để làm gì?
Node LangChain Code cho phép bạn viết JavaScript tùy chỉnh sử dụng trực tiếp các module LangChain. Đây là lối thoát khi các node trực quan của n8n không bao phủ chính xác trường hợp sử dụng của bạn, có thể bạn cần một retriever tùy chỉnh, một mẫu prompt cụ thể hoặc một module LangChain mà n8n chưa bọc sẵn.
Làm thế nào để chia sẻ các quy trình AI n8n với đội ngũ của tôi?
Xuất quy trình dưới dạng JSON (Ctrl+Shift+E) và chia sẻ tệp. Bất kỳ ai cũng có thể nhập nó vào instance n8n của họ. Để cộng tác nhóm, n8n Cloud bao gồm các không gian làm việc chia sẻ với lịch sử phiên bản. Bạn cũng có thể commit các tệp JSON quy trình vào Git để kiểm soát phiên bản.