n8n + AI-агенти: як зібрати свій перший workflow

Якщо ти колись будував workflow у n8n, ти знаєш схему: спрацьовує тригер, потім виконується жорстко закодована послідовність кроків — пошук контакту, надсилання імейлу, запис результату. Все передбачено. Детерміновано. Передбачувано.

AI-агенти працюють інакше. Замість того щоб ти сам хореографував кожен крок, ти даєш AI-агенту набір доступних інструментів, описуєш, що треба досягти, а агент сам вирішує, які інструменти викликати, в якому порядку, скільки разів і коли зупинитися. Це різниця між грою в шахи з наперед визначеними ходами та грою, де система визначає найкращий хід для кожної позиції. Така гнучкість потужна — і вартує доданої складності, якщо ти розв’язуєш задачі, де шлях не відомий наперед.

Це покроковий гайд до створення твого першого AI-агента в n8n. Ми побудуємо конкретний приклад: агента кваліфікації вхідних лідів, який визначає інформацію про компанію, оцінює ліда за розміром компанії та індустрією, і постить результат у Slack. На кінці ти будеш знати, як підключити ноду AI-агента, дати йому інструменти, обробляти помилки і розгорнути щось, що насправді працює.

Передумови

Перш ніж розпочнити, тобі знадобиться:

Інстанс n8n. Або self-hosted (через Docker, VPS чи Coolify), або n8n Cloud (який має free tier). Я припускаю, що ти можеш SSH’итися в інстанс або отримати доступ до редактора n8n Cloud.
API ключ LLM. OpenAI (GPT-4 або 4o-mini), Anthropic Claude або інший провайдер, який підтримує tool calling. Вартість зазвичай кілька центів за запуск workflow.
Доступ на читання до джерела даних. У нашому прикладі ми використаємо HTTP запит до публічної бази даних компаній (або мок). На практиці це зазвичай API твого CRM (HubSpot, Pipedrive, Salesforce).
Доступ на запис у Slack (або куди ти хочеш логувати результати). Тобі знадобиться Slack bot token з дозволом chat:write.

Що робить workflow “агентним” порівняно з фіксованою послідовністю

Фіксований workflow виглядає так:

Спрацьовує тригер (нова форма).
Крок 1: Пошук людини в HubSpot.
Крок 2: Якщо не знайдено, створення контакту.
Крок 3: Надсилання вітального імейлу.
Крок 4: Логування в базу даних.

Кожен шлях передбачений. Ти як розробник контролюєш логіку.

Агентний workflow виглядає так:

Спрацьовує тригер (нова форма).
AI-агент отримує: дані форми + список доступних інструментів (пошук компанії, оцінка ліда, надсилання імейлу, логування результату).
Агент вирішує: «Мені спочатку треба знайти компанію, оцінити її, потім вирішити, чи надсилати імейл чи постити алерт у Slack на основі оцінки».
Агент виконує виклики інструментів у будь-якому порядку та частоті, яку він вирішить.
Workflow повертає фінальні міркування та результати агента.

Ключева різниця: агент сам вибирає, які інструменти викликати і в якому порядку. Ти надаєш вказівки через системні промпти та визначення інструментів, але агент має свободу дій. Це неймовірно корисно, коли workflow залежить від того, що ти виявиш по дорозі — наприклад, «якщо компанія — стартап, обробляй її інакше, ніж якщо це enterprise».

У n8n агентні workflow будуються за допомогою ноди AI-агента (також звана «n8n AI Agent» або в деяких версіях — «Langchain Agent»), поєднаної з будь-яким LLM, який підтримує function calling.

Крок 1: Налаштування тригера

Почни з найпростішого тригера: webhook. Це моделює відправку форми або вхідну подію.

Створи новий workflow у n8n.
Додай ноду Webhook (у n8n це під Core Nodes → Webhook).
Встав HTTP метод POST та дай їй шлях типу /lead-intake.
Збережи ноду. n8n дасть тобі webhook URL для тестування.

Для прикладу, припусти, що webhook отримує JSON типу:

{
  "name": "Alice Chen",
  "email": "alice@example.com",
  "company": "Acme Corp",
  "message": "Interested in your automation service"
}

Крок 2: Додавання ноди AI-агента з можливістю виклику інструментів

Тепер додай ноду AI-агента:

У редакторі n8n додай нову ноду → шукай «AI Agent» (точна назва залежить від версії n8n; шукай «Langchain Agent» або «AI Agent»).
Приєднай її до ноди Webhook.
Обери модель LLM і додай свій API ключ (OpenAI, Anthropic тощо). Переконайся, що модель підтримує function calling (GPT-4 Turbo, Claude 3 Haiku/Sonnet/Opus тощо).
У конфігурації агента напиши системний промпт. Це критично — це розповідає агенту, яка його робота:

You are a lead qualification agent. Your job is to:
1. Look up the company information using the available tools.
2. Score the lead based on company size, industry, and the inbound message.
3. Post a summary to Slack with the score and recommendation.

Be methodical. Look up the company first, then score, then notify. Do not skip steps.

Залиш «Max Iterations» на 10-15. Це максимальна кількість викликів інструментів, які агент зробить перед зупинкою (обмеження безпеки).

Крок 3: Визначення інструментів агента

Тут ти визначаєш, що агент насправді може робити. У n8n ти використовуватимеш розділ «Tools» ноди AI-агента, щоб перелічити кожен інструмент. Кожен інструмент — це або:

Вбудована нода n8n (HTTP Request, CRM Query, Slack Message тощо), або
Користувацький інструмент, визначений через JSON.

Для нашого агента кваліфікації лідів визнач три інструменти:

Інструмент 1: Пошук інформації про компанію

Використай ноду HTTP Request (або native ноду CRM, якщо ти використовуєш HubSpot).

Ім'я інструменту: lookup_company
Опис: "Отримати дані про компанію, включаючи розмір, індустрію та місцезнаходження. Приймає назву компанії як вхід і повертає company_size (small/medium/large), industry та headquarters location."
Вхідні дані: company_name (string)
Вихідні дані: { company_size, industry, location, founded_year }

У n8n посилайся на це, приєднавши ноду HTTP Request до масиву «Tools» ноди AI-агента, або створивши sub-workflow, який агент може викликати.

Інструмент 2: Оцінка ліда

Створи ноду Code (або використай виклик функції Claude), яка оцінює на основі критеріїв:

Ім'я інструменту: score_lead
Опис: "Оцінити ліда за шкалою 1-10 на основі розміру компанії, індустрії та настрою повідомлення. Повертає оцінку, міркування та рекомендацію (cold, warm, hot)."
Вхідні дані: company_size, industry, message
Вихідні дані: { score, reasoning, recommendation }

Інструмент 3: Постинг у Slack

Використай ноду HTTP Request або Slack:

Ім'я інструменту: post_to_slack
Опис: "Постити повідомлення в канал sales-leads з резюме ліда та оцінкою."
Вхідні дані: lead_name, company, score, recommendation
Вихідні дані: { status, timestamp }

У ноді AI-агента n8n ти будеш посилатися на ці інструменти. Точний синтаксис залежить від твоєї версії n8n, але виглядає так:

[
  {
    "name": "lookup_company",
    "description": "Fetch company details by name.",
    "inputSchema": {
      "type": "object",
      "properties": {
        "company_name": { "type": "string" }
      },
      "required": ["company_name"]
    }
  },
  {
    "name": "score_lead",
    "description": "Score the lead 1-10 based on company and message.",
    "inputSchema": {
      "type": "object",
      "properties": {
        "company_size": { "type": "string" },
        "industry": { "type": "string" },
        "message": { "type": "string" }
      }
    }
  },
  {
    "name": "post_to_slack",
    "description": "Post the lead summary to Slack.",
    "inputSchema": {
      "type": "object",
      "properties": {
        "lead_name": { "type": "string" },
        "company": { "type": "string" },
        "score": { "type": "number" },
        "recommendation": { "type": "string" }
      }
    }
  }
]

Крок 4: Обробка пам’яті та контексту

Однією з найскладніших частин агентних workflow є управління станом: забезпечення того, щоб агент пам’ятав, що він виявив на попередніх кроках, та міг на це посилатися.

n8n керує цим через історію повідомлень у ноді AI-агента. Кожен виклик інструменту та відповідь логується, тому агент бачить:

Агент: "Я знайду інформацію про Acme Corp."
Відповідь інструменту: { company_size: "large", industry: "SaaS", founded_year: 2015 }
Агент: "Acme це велика SaaS компанія. Враховуючи позитивне повідомлення, оцінка ліда 8/10."

Контекстне вікно LLM включає все це. Якщо ти запускаєш многокроковий workflow, який займає якийсь час, ти можеш явно передавати стан між нодами:

Після завершення AI-агента додай ноду Merge або Code для вилучення та логування фінального виводу агента:

{
  "lead": webhook.data.name,
  "company": webhook.data.company,
  "agent_score": agent.output.score,
  "agent_reasoning": agent.output.reasoning,
  "actions_taken": agent.output.tool_calls
}

Збережи це у базі даних (PostgreSQL, MongoDB, Airtable) для аудиту та повторного запуску workflow за потреби.

Крок 5: Тестування, обробка помилок та гарантії

Перед розгортанням, тестуй локально:

Використовуй кнопку Test у n8n, щоб надіслати приклад JSON до твого webhook.
Спостерігай за виконанням ноди агента. Ти побачиш кожен виклик інструменту та міркування агента в панелі налагодження.
Перевір Slack — чи постилось повідомлення?

Тепер додай обробку помилок:

Обробка timeout: Якщо LLM не відповідає за 30 секунд, workflow повинен завершитися корректно. У n8n використовуй блок Try-Catch навколо ноди AI-агента:

Try:
  - Run AI Agent
Catch:
  - Log error to database
  - Post error message to Slack (e.g., "Lead qualification failed. Manual review required.")

Обмеження викликів інструментів: Встав maxIterations на ноді AI-агента до розумного значення (10-15). Якщо агент застрягне в циклі, викликаючи той самий інструмент повторно, він зупиниться після N ітерацій.

Захист від галюцинацій: Деякі LLM іноді придумують назви інструментів, які не існують. Перевір це:

Використанням меншої, економічної моделі типу Claude Haiku, яка має тенденцію бути більш консервативною у виклику інструментів, ніж більші моделі.
Збереженням описів інструментів лаконічними та однозначними.
Тестуванням з твоїм реальним LLM перед розгортанням.

Обмеження вартості: Якщо ти викликаєш дорогий LLM, додай ноду conditional, яка перевіряє довжину запиту або кошторис вартості перед викликом AI-агента. Для прикладу кваліфікації лідів ти, ймовірно, в порядку (малі запити, кілька викликів інструментів). Для high-volume workflow стежи за витратою токенів.

Приклад кваліфікації лідів — пошагове проходження

Ось конкретне проходження того, що відбується, коли форма Alice приходить:

Webhook спрацьовує. n8n отримує: { name: "Alice Chen", email: "alice@example.com", company: "Acme Corp", message: "Interested in your automation service" }
AI-агент починає роботу. LLM (Claude, GPT-4) отримує дані форми та системний промпт:

«You are a lead qualification agent. Look up Acme Corp, score Alice based on company info and her message, then post to Slack.»
Агент викликає lookup_company з вхідними даними "Acme Corp". Нода HTTP Request виконується й повертає:

{ company_size: "large", industry: "SaaS", location: "San Francisco", founded_year: 2015 }
Агент викликає score_lead з:

{ company_size: "large", industry: "SaaS", message: "Interested in your automation service" }

Нода Code повертає:

{ score: 8, reasoning: "Large SaaS company, established (2015), message indicates genuine interest. High-intent lead.", recommendation: "hot" }
Агент викликає post_to_slack:

{ lead_name: "Alice Chen", company: "Acme Corp", score: 8, recommendation: "hot" }

Slack отримує й постить повідомлення у #sales-leads.
Workflow завершується. n8n повертає повну історію виконання: міркування агента, всі виклики інструментів, фінальні результати.

Все це займає 5-10 секунд (залежно від затримки LLM). Наступного разу, коли приходить ліда, агент повторює точний же процес, без того щоб ти кодив це.

Типові помилки, яких треба уникати

1. Необмежений доступ до інструментів. Не давай агенту інструменти, які йому не потрібні. Якщо він може викликати delete_all_leads та send_unlimited_emails, і він придумує виклик інструменту, ти це потім пожалкуєш. Будь конкретним: «агент може шукати компанії та постити у Slack — не більше того».

2. Без обмежень вартості чи rate-limiting. Якщо твій інструмент lookup_company запитує платний API, і агент викликає його 20 разів на одного ліда, ти отримаєш рахунок. Додай:

Rate limiting: «Цей інструмент може бути викликаний максимум 3 рази на workflow».
Кошторис вартості: Перед викликом дорогого LLM оціни вартість токенів і скасуй виклик, якщо вона перевищує твій поріг.

3. Без fallback, коли виклик LLM впадає. Проблеми з мережею, перебої API, rate limits — це трапляється. Завжди захищай ноду AI-агента обробкою помилок. Fallback може бути: «Залогуй у базу даних, надішли алерт команді ops, не намагайся постити у Slack».

4. Без людини в контурі для high-stakes дій. Якщо агент оцінює лідів і оцінка визначає наступні дії (auto-send email, auto-add to HubSpot, auto-book a call), ти, ймовірно, хочеш, щоб людина переглянула високо-ставочні рішення. Додай крок перегляду:

If score >= 8, create a task in Linear for the sales team to review before auto-emailing.
If score < 5, auto-decline silently.
If 5 <= score < 8, add to a "manual review" queue.

5. Невиразні системні промпти. «Be helpful» чи «analyze the lead» не спрацює. Будь явним:

«Score leads 1-10 based only on: company_size (1 point if small, 3 if medium, 5 if large), industry match (0-2 points if matches our target list), and message sentiment (1-3 points). Do not score based on personal name, email domain, or other factors.»

Розпочинаємо роботу

Щоб запустити свій перший агентний workflow:

Створи простий тригер (webhook, запланований або ручний).
Додай ноду AI-агента з одним інструментом (наприклад, HTTP пошук).
Тестуй локально через кнопку Test у n8n.
Додай обробку помилок (Try-Catch, fallback повідомлення).
Розгорни і моніторь тиждень, щоб впіймати edge cases.

Агентні workflow не панацея. Вони найкраще працюють для workflow, де шлях не передбачений — класифікація, дослідження, прийняття рішень, многокроковий пошук. Для простих автоматизацій (надсилання імейлу при сабміті форми) залишайся з фіксованими послідовностями; вони швидші й передбачуваніші.

Але коли тобі потрібна гнучкість, коли наступний крок залежить від того, що ти виявиш, агенти — це гейм-чейнджери. Почни з малого, тестуй ретельно й ітеруй.

Готовий будувати? Якщо тобі потрібна допомога в масштабуванні автоматизації чи розробці складних workflow, подивись на нашу послугу AI-автоматизація процесів. А якщо ти хочеш глибше заглибнутися в паттерни агентного дизайну, системні промпти та production практики, курс AI Product Builder охоплює все це hands-on.