Większość workflowów w n8n działa jak dobrze zaprojektowany skrypt: wyzwalacz uruchamia sekwencję, każdy węzeł wykonuje przypisane zadanie, dane płyną według z góry określonej ścieżki. To wystarczy do setek automatyzacji. Jednak kiedy pojawiają się zadania wymagające oceny kontekstu, wyboru między kilkoma ścieżkami działania lub iterowania z zewnętrznym systemem aż do osiągnięcia celu – zwykły workflow się zatrzymuje. W tym miejscu wchodzą agenci AI. Agenci AI w n8n to węzły, które nie tylko przetwarzają dane, ale podejmują decyzje: wybierają jakich narzędzi użyć, w jakiej kolejności i ile razy, żeby zadanie zostało wykonane właściwie. Ten przewodnik pokazuje jak działają, jak je budować i kiedy warto po nie sięgać. # n8n ai agents
Co to jest agent AI w n8n?
Agent AI w n8n to specjalny węzeł, który łączy model językowy (LLM) z zestawem narzędzi zewnętrznych i pozwala mu samodzielnie zdecydować, które z nich wywołać, żeby odpowiedzieć na pytanie lub wykonać zadanie. To definicja, od której warto wyjść, bo różnica między zwykłym workflowem a agentem jest fundamentalna.
Zwykły workflow n8n wykonuje wcześniej zdefiniowaną sekwencję: krok 1, krok 2, krok 3. Agenci AI dostają cel i sami planują ścieżkę do jego osiągnięcia, korzystając z dostępnych narzędzi. Dlatego agenci nadają się do zadań, których wyniku nie da się z góry przewidzieć – takich jak analiza wiadomości klienta i podjęcie odpowiedniej akcji, wyszukiwanie informacji w wielu źródłach jednocześnie lub zarządzanie złożonymi procesami z wieloma wariantami.
Kluczowa różnica między workflow a agentem: workflow wie co zrobić z góry. Agent decyduje co zrobić na podstawie kontekstu.
Agenci AI w n8n działają w pętli: otrzymują zadanie, analizują dostępne narzędzia, wybierają jedno, wywołują je, analizują wynik, a następnie decydują czy zadanie jest zakończone czy należy wykonać kolejny krok. Ten cykl może powtórzyć się kilka razy zanim agent zwróci odpowiedź.
Architektura węzła AI Agent – jak to działa?
Węzeł AI Agent w n8n składa się z trzech elementów: modelu językowego, pamięci i narzędzi. Zrozumienie tej architektury to podstawa skutecznego budowania agentów.
Model językowy (LLM) to mózg agenta. Może to być GPT-4o, Claude 3.5 Sonnet, Mistral, Gemini lub inny obsługiwany model. To właśnie LLM decyduje, które narzędzie wywołać i jak zinterpretować jego wynik. Wybór modelu wpływa bezpośrednio na jakość decyzji agenta, natomiast tańsze modele (GPT-4o Mini, Mistral Small) sprawdzają się przy prostszych zadaniach.
Pamięć (Memory) pozwala agentowi pamiętać poprzednie wiadomości w ramach rozmowy. Bez niej każde zapytanie jest traktowane jako nowe, bez kontekstu z wcześniejszych interakcji. W n8n dostępne są różne typy pamięci: in-memory (dla bieżącej sesji), bufor okienkowy wiadomości lub zewnętrzne bazy danych dla trwałej historii.
Narzędzia (Tools) to akcje, które agent może wykonać. One decydują o możliwościach konkretnego agenta: może przeszukiwać internet, wysyłać maile, odpytywać bazy danych, wywoływać zewnętrzne API czy uruchamiać kod. Bez narzędzi agent potrafi jedynie rozmawiać – dlatego właśnie dobór i konfiguracja narzędzi to najważniejsza część budowy agenta.
n8n obsługuje kilka typów agentów, przy czym najczęściej używany to ReAct Agent (Reasoning and Acting), który myśli krok po kroku zanim wybierze narzędzie. Poza tym dostępne są Conversational Agent (zoptymalizowany pod rozmowy wieloturowe) i Plan and Execute Agent (planuje całą sekwencję z góry, potem wykonuje). Jeśli chcesz zobaczyć kompletny przykład asystenta AI zbudowanego w n8n od zera, przeczytaj asystent AI w n8n – kompletny przewodnik.
Jak zbudować pierwszego agenta AI w n8n?
Budowa podstawowego agenta AI w n8n zajmuje kilkanaście minut. Poniżej opisujemy każdy krok, żeby po raz pierwszy uruchomić działającego agenta.
Krok 1: Wybierz wyzwalacz
Zacznij od węzła wyzwalającego. Chat Trigger to dobry wybór na start, bo daje gotowy interfejs do testowania rozmowy bezpośrednio w edytorze n8n. Alternatywnie możesz użyć Webhook (dla wywołań z zewnętrznych serwisów) lub dowolnego innego wyzwalacza pasującego do Twojego przypadku użycia.
Krok 2: Dodaj węzeł AI Agent
Dodaj węzeł AI Agent z sekcji AI w palecie węzłów. W konfiguracji musisz wskazać model językowy – n8n obsługuje OpenAI, Anthropic, Google Gemini, Mistral, Azure OpenAI, Ollama i inne. Każdy wymaga podłączenia własnych danych dostępowych przez system credentials n8n.
Krok 3: Napisz system prompt
System prompt to instrukcja definiująca rolę agenta, jego ograniczenia i sposób działania. Precyzyjny system prompt to fundament niezawodnego agenta. Przykład dla agenta obsługi klienta: “Jesteś asystentem sklepu internetowego [nazwa]. Odpowiadasz wyłącznie na pytania dotyczące zamówień, produktów i polityki zwrotów. Jeśli pytanie wykracza poza ten zakres, informujesz o tym i proponujesz kontakt z działem obsługi. Zawsze odpowiadasz po polsku, profesjonalnie i zwięźle.”
Krok 4: Podłącz narzędzia
Każde narzędzie dodajesz jako osobny węzeł podłączony do AI Agent przez port narzędzi. Węzeł HTTP Request jako narzędzie pozwala agentowi odpytywać zewnętrzne API. Węzeł Code daje dostęp do logiki JavaScript lub Python. Węzły integracji (Gmail, Google Sheets, Slack, Notion) dają dostęp do zewnętrznych serwisów. Pamiętaj, że każde narzędzie musi mieć dobry opis – agent wybiera narzędzia właśnie na jego podstawie.
Krok 5: Ustaw limit iteracji
Zawsze konfiguruj maksymalną liczbę iteracji (Max Iterations) w ustawieniach węzła AI Agent. Domyślna wartość 10 jest bezpieczna na start, jednak dla prostych zadań warto obniżyć ją do 3-5, żeby uniknąć sytuacji gdy agent “kręci się w kółko” i zużywa tokeny bez postępu.
Jakie narzędzia może mieć agent AI w n8n?
Narzędzia dostępne dla agenta AI w n8n dzielą się na kilka kategorii. Właśnie one określają co Twój agent faktycznie potrafi zrobić.
Wbudowane narzędzia n8n:
- Calculator – obliczenia matematyczne bez ryzyka halucynacji numerycznych
- Code Tool – wykonywanie kodu JavaScript lub Python (dla złożonej logiki)
- Wikipedia – pobieranie treści artykułów
- SerpAPI / Brave Search – wyszukiwanie aktualne w internecie
Narzędzia na bazie HTTP Request:
Możesz zamienić dowolny węzeł HTTP Request w narzędzie agenta. Wystarczy opisać kiedy i jak go używać, a agent samodzielnie zdecyduje kiedy wysłać zapytanie do danego API. Dzięki temu agenci mogą integrować się praktycznie z każdym serwisem posiadającym API – od baz danych przez narzędzia CRM po wewnętrzne systemy firmowe.
Węzły integracji jako narzędzia:
Wiele węzłów n8n można bezpośrednio podłączyć jako narzędzie agenta. Najczęściej używane to: Gmail (odczyt i wysyłka maili), Google Sheets (odczyt i zapis danych), Slack (wysyłanie wiadomości w kanałach), Notion (tworzenie i edycja stron), GitHub (tworzenie issues i PR-ów).
Sub-agenci i workflow jako narzędzia:
W zaawansowanych konfiguracjach jeden agent może używać jako narzędzia wywołania innego agenta lub całego workflow n8n. Taka architektura multi-agent pozwala budować systemy, w których główny agent koordynuje pracę wyspecjalizowanych sub-agentów odpowiedzialnych za konkretne domeny – na przykład agent ogólny deleguje zadania do agenta bazodanowego i agenta komunikacyjnego. Zasady projektowania takich systemów na produkcji opisuje 12 zasad budowania agentów AI w produkcji.
Praktyczne przykłady agentów AI w n8n
Teoria nabiera sensu przy konkretnych przypadkach użycia. Poniżej trzy typy agentów, które można zbudować bezpośrednio w n8n.
Agent obsługi zapytań email
Wyzwalacz: Gmail Trigger (nowa wiadomość). Narzędzia: Gmail (odczyt wątku, wysyłka odpowiedzi), Google Sheets (baza produktów i polityk). System prompt definiuje ton komunikacji i zasady odpowiedzi. Agent analizuje zapytanie, sprawdza bazę danych, formułuje odpowiedź i wysyła ją. Dla standardowych zapytań działa w pełni autonomicznie, natomiast dla niestandardowych eskaluje do człowieka przez Slacka.
Agent do raportowania tygodniowego
Wyzwalacz: harmonogram (np. co poniedziałek rano). Narzędzia: HTTP Request do API z danymi sprzedażowymi i analitycznymi, Code Tool do obliczeń i formatowania, Gmail lub Slack do wysyłki. Agent zbiera dane z kilku źródeł, oblicza kluczowe wskaźniki, generuje podsumowanie tekstowe i rozsyła raport do odpowiednich osób. Efekt: raport który wcześniej zajmował 30 minut ręcznej pracy generuje się sam.
Agent wsparcia wewnętrznego (helpdesk)
Wyzwalacz: Slack App Mention (gdy ktoś oznaczy bota). Narzędzia: Notion (wewnętrzna baza wiedzy), Jira (tworzenie ticketów), Slack (odpowiedź w wątku). Agent przeszukuje bazę wiedzy i próbuje odpowiedzieć na pytanie pracownika. Jeśli odpowiedź nie istnieje w bazie, automatycznie tworzy ticket w Jira i informuje o tym rozmówcę. Poza tym loguje zapytania do Sheets, co pomaga zidentyfikować białe plamy w dokumentacji.
Kurs n8n 2.0 · Kodożercy
n8n + AI = automatyzacje, które naprawdę myślą
n8n pozwala podłączyć modele AI do swoich workflowów – wysyłać dane do ChatGPT, analizować wyniki, reagować automatycznie. Kurs n8n 2.0 na Kodożercach pokaże Ci jak to połączyć.
Sprawdź jak to działa →
Najczęstsze błędy przy budowie agentów AI w n8n
Agenci AI to potężne narzędzie, ale kilka typowych błędów potrafi zepsuć nawet dobrze zaplanowany projekt.
Zbyt ogólny system prompt
System prompt w stylu “Jesteś pomocnym asystentem” to przepis na nieprzewidywalne zachowanie. Im dokładniej zdefiniujesz co agent ma robić, jakich narzędzi używać w konkretnych sytuacjach i co robić gdy napotka problem poza zakresem, tym bardziej przewidywalnie będzie działał. Dobry system prompt to minimum 5-10 zdań z konkretnymi instrukcjami.
Brak limitu iteracji
Pominięcie lub zbyt wysoki limit iteracji sprawia, że agent może wykonywać dziesiątki wywołań API próbując rozwiązać zadanie, którego nie jest w stanie wykonać. Koszt tokenów rośnie liniowo z liczbą iteracji, dlatego na etapie testów warto ustawić niski limit (3-5) i podnosić go dopiero gdy logika agenta jest przetestowana i stabilna.
Narzędzia bez precyzyjnych opisów
Każde narzędzie podłączone do agenta musi mieć precyzyjny opis mówiący kiedy i po co je użyć. Agent decyduje o wyborze narzędzia wyłącznie na podstawie tego opisu. Niejasny lub zbyt krótki opis prowadzi do pomyłek w wyborze narzędzia albo do ignorowania go w ogóle, nawet gdy byłoby to właściwa opcja.
Brak walidacji wyników
Agenci AI mogą halucynować – generować wiarygodnie brzmiące, ale nieprawdziwe wyniki. Dlatego dla zadań gdzie błąd ma realne konsekwencje (wysyłka maila, zapis do bazy danych, tworzenie dokumentu) warto dodać węzeł walidacji lub etap weryfikacji przez człowieka przed finalnymi akcjami. Human-in-the-loop to nie słabość projektu – to świadoma decyzja architektoniczna. Osobnym problemem jest bezpieczeństwo narzędzi używanych przez agenta – zewnętrzne integracje mogą kryć ukryte instrukcje. Szczegóły w artykule bezpieczeństwo serwerów MCP w AI agentach.
Jeden agent do wszystkiego
Budowanie jednego agenta który ma robić wszystko naraz kończy się zwykle agentem który nic nie robi dobrze. Lepsze podejście to wyspecjalizowani agenci odpowiedzialni za konkretne domeny, koordynowani przez agenta orkiestratora. Poza tym wyspecjalizowani agenci są łatwiejsi do testowania i debugowania gdy coś idzie nie tak.
FAQ – Najczęstsze pytania o agentów AI w n8n
Czym różni się węzeł AI Agent od AI Chain w n8n?
AI Chain to sekwencja wywołań LLM wykonywana zawsze w tej samej kolejności – bez możliwości wyboru narzędzi czy iteracji. AI Agent natomiast sam decyduje, które narzędzia wywołać i kiedy zakończyć działanie. Chain jest prostszy i tańszy w utrzymaniu, Agent jest bardziej elastyczny i nadaje się do zadań wymagających oceny kontekstu w czasie rzeczywistym.
Czy budowa agentów AI w n8n wymaga programowania?
Nie. Podstawowego agenta AI w n8n można zbudować bez napisania ani jednej linii kodu – konfiguracja sprowadza się do wybrania modelu, napisania system promptu i podłączenia narzędzi przez interfejs graficzny. Programowanie (węzeł Code Tool) staje się potrzebne dopiero przy zaawansowanej logice przetwarzania danych lub integracji z serwisami bez gotowych węzłów n8n.
Jak kontrolować koszty tokenów przy agentach AI?
Kluczowe są trzy ustawienia: limit iteracji (Max Iterations), wybór modelu LLM (tańsze modele jak GPT-4o Mini zamiast GPT-4o dla prostszych zadań) i długość system promptu. Warto też dodać logowanie do Google Sheets, żeby śledzić liczbę tokenów zużywanych przez konkretnego agenta w czasie. Poza tym warto skonfigurować alerty kosztowe bezpośrednio w panelu OpenAI lub Anthropic.
Czy agenci AI w n8n mogą działać asynchronicznie?
Tak. Agent uruchomiony przez webhook może wysłać natychmiastowe potwierdzenie, a wynik dostarczyć później (np. emailem lub przez Slacka). Wymaga to rozdzielenia workflow na część synchroniczną (potwierdzenie przyjęcia zadania) i asynchroniczną (właściwa praca agenta). To przydatne gdy zadanie agenta trwa długo i nie chcesz trzymać otwartego połączenia HTTP przez kilkadziesiąt sekund.
Które modele AI działają najlepiej z węzłem AI Agent w n8n?
n8n obsługuje modele OpenAI, Anthropic, Google Gemini, Mistral i Ollama (lokalne modele). Do zadań wymagających złożonego wnioskowania i wielu narzędzi najlepiej sprawdzają się GPT-4o i Claude 3.5 Sonnet. Do prostych zadań klasyfikacji lub ekstrakcji danych wystarczają znacznie tańsze modele jak GPT-4o Mini lub Mistral Small. Dobra praktyka to zaczynanie od tańszego modelu i przechodzenie do droższego tylko wtedy, gdy wyniki są niewystarczające.
Podsumowanie
Agenci AI w n8n (n8n ai agents) to węzły łączące modele językowe z zewnętrznymi narzędziami, pozwalające budować workflow, które nie tylko wykonują sekwencję kroków, ale samodzielnie decydują jak osiągnąć cel. Kluczowe elementy każdego agenta to LLM jako mózg decyzyjny, opcjonalna pamięć rozmowy i zestaw narzędzi. Najważniejsza różnica względem zwykłych workflowów: możliwość iteracji, dynamiczny wybór narzędzi i obsługa zadań, których przebiegu nie da się z góry przewidzieć. Przy budowie agentów warto zadbać o precyzyjny system prompt, rozsądny limit iteracji i dobre opisy dla każdego narzędzia – bo to właśnie te elementy decydują o niezawodności agenta w środowisku produkcyjnym.
# n8n ai agents
