n8n AI Agent node 2026 автопилот для бизнеса без кода

n8n AI Agent node — это узел, который превращает обычный воркфлоу в самостоятельного агента: он сам решает, какой инструмент вызвать, помнит контекст диалога и может работать без единой строки кода. Ниже разберем архитектуру узла, память, инструменты, суб-агентов, RAG и соберем 5 рабочих воркфлоу с промптами под конкретные бизнес-задачи.

n8n AI Agent node в 2026 году умеет подключать любую LLM, память на Postgres или Redis, десятки инструментов и MCP-серверы. Тарифы n8n Cloud стартуют от $20 в месяц, self-hosted версия бесплатна. В статье: разбор узла, RAG-настройка по шагам и 5 готовых автоматизаций для бизнеса.

Что такое AI Agent node и как он устроен?

AI Agent node в n8n это корневой узел, к которому подключаются суб-ноды: модель, память и инструменты. Сам узел не думает, думает LLM внутри него, а n8n управляет циклом решений.

Технически узел построен на LangChain и работает по принципу root node плюс sub-nodes: отдельно подключается языковая модель, отдельно память, отдельно набор инструментов. Такая иерархическая система разделяет корневые узлы, которые задают основную логику агента, и суб-ноды, отвечающие за конкретные возможности вроде интеграции с языковой моделью, управления памятью и выполнения инструментов.

Есть два основных режима работы агента. Tools agent подходит, если модель умеет нативно вызывать функции, это большинство современных моделей от Anthropic, OpenAI и Google. ReAct-режим стоит выбирать только тогда, когда модель не поддерживает нативный tool-calling. Для 90% задач бизнес-автоматизации хватает Tools agent, он проще отлаживать и он быстрее.

Какие провайдеры моделей поддерживает AI Agent node?

Узел подключается к Anthropic, OpenAI, Google, DeepSeek и десяткам других провайдеров через один и тот же интерфейс. Модель можно поменять одним кликом, не перестраивая воркфлоу.

Выбор модели напрямую влияет на стоимость и качество ответов агента. Для теста гипотезы бери дешевую модель, для продакшена переключайся на более сильную без переделки логики.

Цены актуальны на июнь 2026 по данным OpenRouter. Для российского бизнеса важный нюанс: платить за API нужно через агрегаторы или карты других юрисдикций, прямого биллинга у части провайдеров нет.

Как настроить память, чтобы агент не забывал контекст?

Simple Memory хранит последние сообщения прямо в сессии, для продакшена лучше подключить Postgres или Redis. Без чат-триггера память требует ручного Session ID.

Память подключается как отдельный суб-нод, а не встроена в саму модель. Для многоходовых агентов n8n предлагает Window Buffer Memory с последними N сообщениями, Summary Memory со скользящим резюме, а также внешнюю память на Redis или Postgres.

Есть частая ошибка новичков. Если агент запускается не по чат-триггеру, а по расписанию, память падает с ошибкой отсутствия Session ID. Нужно вручную задать статический ID в настройках Simple Memory, иначе узел просто не поймет, к какой сессии относить контекст.

Для агента с рассылкой раз в день хватает простой памяти с фиксированным ID. Для агента, который держит десятки параллельных диалогов с клиентами, нужен Postgres с ключом по session ID и колонкой summary, которая обновляется каждые несколько ходов.

Какие инструменты дать агенту, чтобы он реально работал?

Инструмент это функция, которую агент вызывает сам, когда решает, что она нужна. Чем точнее описание инструмента, тем реже агент ошибается с выбором.

Инструменты в n8n делятся на встроенные (Wikipedia, HTTP Request, Google Sheets, SERP API) и кастомные, собранные из существующих воркфлоу. Описание инструмента критично: тул-ноды предоставляют внешние API, но агент выбирает их только на основе текста описания, а не кода внутри.

Отдельно стоит MCP Client Tool. С середины 2026 года AI Agent node может напрямую использовать инструменты с удаленных MCP-серверов, а рядом появился отдельный MCP Client node для любого шага воркфлоу. Это удобно, если у тебя уже есть MCP-сервер под CRM или базу знаний, не нужно пересобирать интеграцию заново.

Главное правило от практиков: не вешай на одного агента десять задач сразу. Один агент, один фокус, узкий набор инструментов. Так меньше ошибок и дешевле счет за токены.

Что такое суб-агенты и когда нужна multi-agent архитектура?

Один агент хорош для одной задачи. Когда бизнес-процесс включает несколько ролей, например квалификацию лида и составление письма, нужен гейткипер с делегированием суб-агентам.

Схема с гейткипером реализует централизованный контроль со специализированным делегированием агентам в модульной и масштабируемой архитектуре, а мультиагентные команды позволяют нескольким специализированным агентам параллельно работать над сложной задачей с распределенным принятием решений.

На практике это выглядит так: главный агент читает заявку клиента, решает, кому передать, вызывает суб-агента по продажам или суб-агента по техподдержке как инструмент. Каждый суб-агент можно собрать как отдельный воркфлоу с собственным системным промптом, а потом подключить как tool к главному агенту.

Для бизнеса с несколькими типами обращений такая схема надежнее одного универсального промпта на всё. Полезна для маркетинговых команд: под задачи контент-плана и аналитики трендов подходит специализация вроде агента для маркетолога, которого можно взять за основу системного промпта суб-агента.

Как настроить RAG в n8n пошагово?

RAG подключает агента к твоей базе знаний вместо одной чат-истории. Документы дробятся на чанки, превращаются в эмбеддинги и попадают в векторную базу, агент ищет там ответ перед тем, как отвечать.

Шаг 1. Собери документы и подключи источник

Чаще всего источник это Google Drive: триггер срабатывает на новый или измененный файл в папке. Дальше файл скачивается внутри воркфлоу и передается в текстовый сплиттер.

Шаг 2. Разбей текст на чанки

Для корпусов поддержки и политик хорошо работают чанки размером 512-1024 токена с перекрытием 64-128 токенов, крупные чанки снижают число обращений к базе, но повышают стоимость контекста. Настройки Text Splitter меняются прямо в узле, тестировать удобно на 5-10 документах перед полной загрузкой.

Шаг 3. Подключи векторную базу и модель эмбеддингов

Pinecone, Qdrant или Supabase Vector подходят одинаково хорошо. Каждый чанк проходит через модель эмбеддингов и сохраняется в индекс. Полезно использовать неймспейсы, если у тебя несколько баз знаний под разные продукты, это упрощает фильтрацию при поиске.

Шаг 4. Подключи Vector Store как инструмент агента

Агент настраивается как Tools Agent, векторное хранилище добавляется как один из доступных инструментов, и модель сама обращается к нему, когда вопрос пользователя требует внешних знаний. Обязательно опиши инструмент словами: для какой темы он нужен, иначе агент будет игнорировать базу знаний и отвечать из головы, что для саппорта опасно.

Сколько стоит n8n для AI-агентов в 2026 году?

Self-hosted версия n8n бесплатна, платишь только за сервер. Cloud-тарифы считают исполнения воркфлоу, а не отдельные шаги, поэтому цена ниже, чем у конкурентов с почаговым биллингом.

Платные Cloud-тарифы начинаются со Starter за $20 в месяц, Pro стоит $50 в месяц, self-hosted Business обойдется в $800 в месяц при годовой оплате, а Enterprise цена рассчитывается индивидуально.

Self-хостинг реально дешевый вариант. Аренда небольшого сервера обходится в 3-7 долларов в месяц без обслуживания, это примерно в восемь раз дешевле стартового Cloud-тарифа, а исполнения при этом не ограничены. Для российского бизнеса это особенно актуально: карта для оплаты Cloud нужна зарубежная, а сервер можно арендовать проще.

Лиза: «Раньше я вручную разбирала 15-20 видео по 15 критериям, часа четыре уходило. Написала скрипт, который сам вставляет ссылки, забирает транскрипт и раскладывает по критериям. Теперь весь процесс занимает пять с половиной минут.»

5 готовых воркфлоу n8n с промптами для бизнеса

Ниже пять сценариев, которые закрывают самые частые задачи бизнеса. Для каждого: триггер, инструменты и системный промпт, который можно скопировать и адаптировать под свою нишу.

Воркфлоу 1. Лидогенерация

Триггер: форма на сайте или сообщение в Telegram-бот. Инструменты: Google Sheets для записи, HTTP Request к CRM, Telegram для уведомления менеджера.

Промпт: «Ты квалифицируешь входящие заявки для [ниша]. По ответам клиента определи бюджет, срочность и готовность к покупке. Запиши лида в таблицу с полями имя, контакт, оценка от 1 до 5. Если оценка выше 4, немедленно отправь уведомление менеджеру в Telegram с кратким summary.»

Воркфлоу 2. Саппорт на RAG

Триггер: сообщение в чат-виджете или Telegram. Инструменты: Vector Store с базой FAQ, эскалация человеку через HTTP Request к Slack.

Промпт: «Отвечай только на основе базы знаний из подключенного инструмента поиска. Если ответа там нет, честно скажи, что не знаешь, и предложи передать вопрос специалисту, не придумывай факты.»

Воркфлоу 3. Контент-план

Триггер: расписание раз в неделю. Инструменты: SERP API для трендов, Google Sheets для плана.

Промпт: «Раз в неделю собери 10 растущих поисковых запросов по теме [ниша] через инструмент поиска. Составь план из 5 тем на неделю с заголовками, целевым ключом и коротким тезисом каждой статьи. Запиши в таблицу контент-плана.»

Воркфлоу 4. Мониторинг цен конкурентов

Триггер: расписание раз в день. Инструменты: HTTP Request к страницам конкурентов, Google Sheets с историей цен.

Промпт: «Проверь цены на страницах конкурентов из списка. Сравни с сохраненными вчера значениями. Если цена изменилась больше чем на 5%, отправь алерт в Telegram с названием товара и старой и новой ценой.»

Воркфлоу 5. Email-рассылка дайджестом

Триггер: расписание. Инструменты: RSS-фиды по нише, Gmail для отправки, отдельный узел для верстки в HTML.

Промпт: «Собери 5 главных новостей за сутки из подключенных RSS-источников по теме [ниша]. Сделай короткую сводку по каждой, 2-3 предложения. Не повторяй новости, которые уже были в прошлых выпусках. Оформи как email-рассылку в markdown.»

Все пять воркфлоу можно комбинировать: например агент контент-плана может передавать темы суб-агенту рассылки как инструмент, вместо того чтобы дублировать логику в каждом отдельном сценарии.

n8n или Zapier или Make что выбрать в 2026?

n8n выигрывает по цене и гибкости для тех, кто готов немного разобраться в интерфейсе. Zapier проще для новичков, но на бесплатном тарифе AI-агента не собрать. Make где-то посередине.

Сильная сторона n8n в открытости: узел можно вскрыть, посмотреть, что происходит на каждом шаге, и переиспользовать целый воркфлоу как инструмент для другого агента. Слабая сторона честно тоже есть: интерфейс сложнее, чем у Zapier, и без базовых технических навыков self-hosting лучше не трогать.

Если процесс короткий и разовый, часто быстрее собрать его прямо промптом в Claude Code, а n8n оставить для регулярных автопилотных сценариев с расписанием и памятью.

Какие ошибки новичков ломают AI-агента в n8n?

Чаще всего агент ломается не из-за модели, а из-за плохого промпта или перегруза инструментами. Пять типичных ошибок закрывают почти все случаи сбоев.

Первая ошибка: слишком много задач на одного агента. Один агент, одна задача, узкий набор инструментов, иначе модель путается, что вызывать. Вторая: расплывчатый системный промпт без явных ограничений, что можно и что нельзя делать. Третья: забытый Session ID при запуске без чат-триггера, память просто падает с ошибкой. Четвертая: неправильная временная зона в расписании, из-за нее рассылка уходит клиентам в три часа ночи. Пятая: агент без инструкции честно признаться, что не знает ответа, начинает выдумывать факты вместо реального поиска.

Глоссарий

AI Agent node — узел в n8n, который использует LLM для принятия решений о вызове инструментов внутри воркфлоу.

RAG (Retrieval-Augmented Generation) — подход, при котором модель ищет ответ во внешней базе знаний перед генерацией ответа.

Sub-node — вспомогательный узел (модель, память, инструмент), который подключается к корневому AI Agent node.

MCP (Model Context Protocol) — протокол, через который агент получает доступ к инструментам с удаленного сервера без ручной интеграции.

Session ID — идентификатор диалога, по которому память связывает сообщения в одну сессию.

Execution — одно полное выполнение воркфлоу в n8n, единица биллинга на Cloud-тарифах.

Гейткипер (gatekeeper) — архитектура, при которой главный агент делегирует задачи специализированным суб-агентам.

Частые вопросы про n8n AI Agent node

Нужно ли программировать, чтобы собрать AI-агента в n8n? Нет, базовый агент собирается визуально: тригер, узел агента, модель, память, инструменты. Код нужен только для сложных кастомных функций через Function node.

Сколько реально стоит агент с RAG на n8n? Self-hosted версия бесплатна, платишь за сервер от 400 рублей в месяц и за токены модели. На Cloud Starter с RAG обычно достаточно тарифа за $20 в месяц при небольшом объеме запросов.

Какую модель лучше подключить к AI Agent node? Для теста подойдет DeepSeek V4 Flash из-за цены, для продакшена с диалогами клиентов лучше Claude Sonnet 4.6 или Gemini 3.1 Pro из-за качества tool-calling.

Чем n8n отличается от Zapier и Make для агентов? n8n считает биллинг по исполнению всего воркфлоу, а не по шагам, и позволяет self-hosting. Zapier на бесплатном тарифе блокирует AI-функции полностью.

Можно ли пользоваться n8n совсем бесплатно? Да, self-hosted Community Edition бесплатна и без ограничений по исполнениям, но нужен сервер и минимальные навыки администрирования.

Что такое MCP Client Tool в n8n? Это инструмент, который подключает агента к внешнему MCP-серверу напрямую, без ручной настройки каждой отдельной интеграции.

Как агент запоминает контекст без чат-триггера? Нужно вручную задать статический Session ID в узле памяти, иначе n8n не поймет, к какому диалогу относить сообщения.

Собрать первого агента можно за вечер, если начать с одного простого сценария из пяти выше и не пытаться сразу делегировать всё суб-агентам. Каталог обзоров других AI-инструментов для автоматизации смотри в каталоге на VibeCoderz, а если нужна помощь с архитектурой конкретного бизнес-процесса, пиши Максиму на консультацию.