Agent AI w n8n: węzeł agenta, narzędzia, pamięć i kontrola człowieka
Pierwszego agenta w n8n da się złożyć w jedno popołudnie i właśnie dlatego tak wiele z nich nie przeżywa tygodnia z prawdziwymi danymi. Opisuję, z czego się składa i co dokładam przed uruchomieniem u klienta.
Autor: Szymon Łakomy. Aktualizacja:
Z czego składa się agent w edytorze
AI Agent jest w n8n węzłem głównym, do którego podpinasz węzły pomocnicze. Przepływ zaczyna się od wyzwalacza: Chat Trigger, nowej wiadomości w Gmailu albo webhooka z innego systemu.
Model
Model czatu od OpenAI, Anthropic albo innego dostawcy, podłączony przez dane uwierzytelniające z kluczem API. W opcjach ustawiasz między innymi temperaturę i maksymalną długość odpowiedzi.
Narzędzia
Czynności, które agent wywołuje sam: zapytanie do API, inny przepływ n8n, wyszukanie w bazie, szkic maila. Każde narzędzie ma opis, z którego model wnioskuje, kiedy go użyć.
Pamięć
Historia rozmowy przypisana do klucza sesji. Prosta pamięć (Simple Memory) trzyma ją w procesie n8n, pamięć w Postgres przetrwa restart serwera.
Instrukcja i format
Komunikat systemowy z rolą, zasadami i zakazami oraz parser odpowiedzi strukturalnej, dzięki któremu agent zwraca konkretne pola zamiast swobodnego tekstu.
Demo a wersja, która pracuje codziennie
| Obszar | Typowe demo | Wersja produkcyjna |
|---|---|---|
| Uprawnienia | pełny dostęp do skrzynki, CRM i sklepu | tylko narzędzia potrzebne do zadania, większość w trybie odczytu |
| Akcje z ryzykiem | agent wysyła i zapisuje sam | propozycja trafia do człowieka, a przepływ czeka na zatwierdzenie |
| Logi | podgląd wykonania w edytorze | zapis decyzji i wywołań narzędzi z numerem sprawy, trzymany poza listą wykonań |
| Koszt | nikt go nie liczy | limit iteracji agenta, limit tokenów i limit wydatków na koncie dostawcy modelu |
| Testy | trzy przykłady wymyślone przez autora | zestaw prawdziwych, zanonimizowanych przypadków uruchamiany po każdej zmianie promptu lub modelu |
| Błędy | przepływ staje i nikt nie wie dlaczego | przepływ z Error Trigger powiadamia osobę, a sprawa wraca do kolejki ręcznej |
Zatwierdzanie najprościej zrobić operacją Send and Wait for Response w węźle Slacka albo Gmaila: osoba dostaje propozycję z przyciskami, a przepływ czeka na jej decyzję.
Przykład: agent do firmowej skrzynki
- Wyzwalacz Gmail sprawdza nowe wiadomości z etykietą Zamówienia.
- Agent rozpoznaje rodzaj sprawy (pytanie o status, reklamacja, faktura, inne) i zwraca go w ustalonym formacie.
- Przy pytaniu o status wywołuje narzędzie, które przez HTTP Request odczytuje zamówienie z BaseLinkera. To narzędzie ma tylko prawo odczytu.
- Agent tworzy szkic odpowiedzi w Gmailu zamiast ją wysyłać. Reklamacje trafiają na Slacka do osoby, która je prowadzi.
- Każda decyzja ląduje w tabeli z identyfikatorem wiadomości, kategorią i listą wywołanych narzędzi.
Zakres, poziomy wdrożenia i zasady bezpieczeństwa takiego agenta opisuję na stronie usługi agent AI do skrzynki mailowej. Odczyt statusu zamówienia bez udziału AI pokazuję w tekście BaseLinker w n8n.
Koszt tokenów pod kontrolą
Załóżmy, że typowy mail to trzy wywołania modelu. Wiadomość z długim wątkiem cytowanych odpowiedzi, na której agent wpada w pętlę, może zrobić ich dwanaście, każde z kilkukrotnie dłuższym tekstem. Jedna taka wiadomość zużywa wtedy tyle tokenów, co kilkanaście zwykłych. Dlatego ustawiam:
- maksymalną liczbę iteracji w opcjach węzła agenta,
- obcinanie cytowanej historii i stopek, zanim treść trafi do modelu,
- mniejszy model do klasyfikacji, a większy tylko do pisania odpowiedzi,
- miesięczny limit wydatków na koncie u dostawcy modelu, który zatrzyma błąd, zanim zrobi się drogi.
Koszt samego wdrożenia omawiam na stronie ile kosztuje agent AI.
Kiedy wystarczy przepływ z jednym wywołaniem modelu
Agent sam decyduje, którego narzędzia użyć i ile razy. Jeśli kolejność kroków jest stała, taniej i pewniej działa zwykły przepływ z jednym węzłem modelu, na przykład Text Classifier do przypisania kategorii albo Information Extractor do wyciągnięcia numeru zamówienia i kwoty. Resztę robią zwykłe węzły. Różnicę opisuję w tekście automatyzacja czy agent AI, a samo pojęcie na stronie co to jest agent AI.
Najczęstsze pytania
Który model wybrać do agenta w n8n?
Taki, który poprawnie wywołuje narzędzia i trzyma ustalony format odpowiedzi. W n8n podłączysz modele OpenAI, Anthropic i innych dostawców, więc wybieram po testach na przykładach klienta, a nie po rankingach. Model da się później podmienić bez przebudowy przepływu.
Czy treść maili trafia do dostawcy modelu?
Tak, wszystko, co przekazujesz agentowi, idzie do API modelu. Dlatego wycinam zbędne dane, sprawdzam warunki przetwarzania u dostawcy, a przy wrażliwych treściach rozważam lokalny model AI. To nie jest porada prawna, zasady przetwarzania danych osobowych ustal z osobą odpowiedzialną za RODO.
Czy pamięć agenta przetrwa restart serwera?
Prosta pamięć nie, bo trzyma rozmowę w procesie n8n. Do pracy produkcyjnej podłączam pamięć w bazie Postgres, z kluczem sesji przypisanym do klienta albo wątku wiadomości.
Czy agent w n8n może korzystać z serwera MCP?
Tak. n8n ma węzeł klienta MCP, przez który agent sięga po narzędzia wystawione przez serwer MCP, oraz wyzwalacz, który sam udostępnia przepływy jako serwer MCP. Więcej w tekście serwer MCP dla firmy.
Powiązane strony
Masz agenta, który działa tylko na demo?
Napisz, co ma robić i na jakich danych. Sprawdzę, czego brakuje do codziennej pracy, i podam wycenę.