Собрать AI агента в n8n с нуля можно за один вечер: связать trigger, LLM node на Claude Sonnet 5, один-два tools и память в правильном порядке, и уже на выходе получить рабочего бота, который отвечает на сообщения, ищет данные и вызывает инструменты сам. В статье разберем всю цепочку по шагам: с чего начать, куда воткнуть LLM node, как описать tools, чтобы агент их не путал, и что дает память между сообщениями.
TL;DR. Первый AI агент в n8n собирается из четырех блоков: trigger запускает workflow, LLM node (Anthropic Chat Model с Claude Sonnet 5) думает, tools дают агенту руки, memory удерживает контекст диалога. На пустом канвасе это час-два работы, если заранее готов API-ключ и понятная одна задача для агента.
Что нужно подготовить перед сборкой агента в n8n?
Перед стартом нужен аккаунт n8n, API-ключ модели с балансом и одна конкретная задача для агента. Без этого сборка растягивается на догадки по ходу дела.
Аккаунт в n8n можно завести бесплатно в облаке или поднять self-host на своем сервере, разница только в контроле над данными и стоимости хостинга. Дальше нужен API-ключ модели: для Claude это ключ из Anthropic Developer Console, и на балансе должно быть минимум 5 долларов, иначе LLM node вернет ошибку соединения при первом же тесте. Ключ показывается один раз в момент создания, поэтому его сразу сохраняют в менеджер паролей.
Третье условие проще технических, но чаще всего его пропускают: сформулировать, что именно агент должен делать. "Отвечать на вопросы клиентов по каталогу" это рабочая задача, "быть полезным ассистентом" нет. Чем конкретнее роль на старте, тем меньше правок системного промпта после первых тестов.
Как настроить trigger для AI агента в n8n?
Trigger это событие, которое запускает workflow: сообщение в чате, вебхук или расписание. Для диалогового агента почти всегда берут Chat Trigger, для фоновой автоматизации Webhook или Schedule Trigger.
У любого workflow в n8n есть узел-триггер со значком молнии, и без него автоматизацию можно запустить только вручную из редактора. On Chat Message или Chat Trigger добавляет встроенное окно чата и автоматически создает session ID для каждого пользователя, это и есть ключ, на который потом навешивается память диалога.
Если агент должен реагировать на внешние события, например на новую заявку с сайта или сообщение в Telegram, берут Webhook Trigger. Он срабатывает мгновенно на вызов извне, в отличие от Schedule Trigger, который сам проверяет часы и запускает workflow по расписанию, как обычный cron. Для регулярных отчетов подходит расписание, для живого диалога с пользователем чат-триггер.
| Тип trigger | Когда срабатывает | Для какой задачи |
|---|---|---|
| Chat Trigger / On Chat Message | При новом сообщении в чате | Диалоговый агент, тестирование в редакторе |
| Webhook | При вызове извне (форма, CRM, Telegram) | Реакция на события других систем |
| Schedule Trigger | По расписанию, как cron | Регулярные отчеты, фоновые задачи |
Как подключить LLM node и выбрать Claude Sonnet 5?
LLM node это мозг агента, отдельный подузел, который подключается в слот Chat Model узла AI Agent. Для Claude в панели узлов ищут не "Claude", а Anthropic Chat Model.
AI Agent node в n8n устроен как корневой узел с пустыми слотами под модель, память и инструменты снизу. В слот модели добавляют Anthropic Chat Model, создают новый credential и вставляют API-ключ из Anthropic Console. Узел сам подтягивает список доступных моделей через API и сортирует их по дате выхода, поэтому Claude Sonnet 5 появляется в выпадающем списке сразу после релиза, отдельно искать номер версии не нужно.
Частая ошибка новичков: тестируют подключение сразу после создания ключа и получают ошибку, хотя ключ верный. Причина почти всегда одна, на балансе Anthropic ноль долларов. Пополнение решает проблему за минуту. Второй момент: модель в LLM node это не то же самое, что подписка Claude Pro в приложении, оплата идет отдельно через баланс API.
Для не-Claude сценариев в n8n так же подключается OpenAI Chat Model или локальная модель через LM Studio: сервер LM Studio отдает модель по API, а в n8n она указывается как OpenAI-совместимый endpoint с адресом сервера вместо облачного. Внутри Docker для этого используют host.docker вместо localhost, иначе n8n не видит локальный сервер.
Какие tools дать агенту и как их описать?
Tools превращают агента из чат-бота в исполнителя: HTTP-запрос, чтение таблицы, поиск по базе данных. Агенту нужен минимальный набор инструментов с четким условием, когда каждый вызывать, а не весь список "на всякий случай".
Хороший tool в n8n описывается по одному правилу: название, что делает, при каком условии агент должен его вызвать. Для HTTP Request tool это метод запроса, точный URL и заголовки, для Data Table или Google Sheets tool это конкретные поля, по которым идет поиск. Без условия вызова агент либо дергает инструмент на каждом сообщении, либо игнорирует его вовсе, и оба варианта ломают логику workflow.
Максим Наговицын: «Автоматизация должна закрывать одну понятную задачу за раз. GoBanana выросла до 200 000 с лишним пользователей и принесла 12 с лишним миллионов рублей без бюджета на рекламу именно потому, что мы не пытались в одном процессе закрыть сразу продажи, поддержку и аналитику. С агентами в n8n тот же принцип: один tool на один тип действия, потом добавляете следующий».
Для сложных сценариев, где агенту нужно пять-семь инструментов сразу, их обычно разбивают на суб-агентов или отдельные workflow, вызываемые друг из друга. Так проще держать в голове логику и легче найти, на каком шаге агент свернул не туда.
Как настроить memory, чтобы агент помнил диалог?
Memory хранит историю сообщений между запусками, без нее агент отвечает на каждое сообщение так, будто видит пользователя впервые. Simple Memory подходит для теста, для продакшена нужна база данных.
Simple Memory это встроенный узел, который сохраняет переписку прямо в сессии workflow по session ID из trigger. Она отлично работает во время сборки и отладки, но данные пропадают при перезапуске n8n или сохранении workflow, поэтому для реальных пользователей ее не используют. На проде подключают Postgres Memory или Redis Memory: они пишут историю в базу, и контекст переживает рестарт сервера и масштабируется на множество параллельных диалогов.
| Тип памяти | Где хранится | Переживает перезапуск | Когда использовать |
|---|---|---|---|
| Simple Memory | В сессии workflow | Нет | Тестирование, демо, разработка |
| Postgres Memory | В базе данных | Да | Продакшен, несколько пользователей |
| Redis Memory | В базе данных | Да | Продакшен, высокая нагрузка |
Отдельный случай, RAG поверх базы знаний. Если агент должен отвечать по документам компании, к нему добавляют Vector Store как tool, а Window Buffer Memory держит контекст самого диалога отдельно от поиска по знаниям. Это два разных механизма: память помнит, что уже сказали, RAG ищет, что ответить по фактам.
Как собрать первый рабочий workflow за 2 часа?
Порядок сборки: trigger, узел AI Agent, LLM node в слот модели, tools, memory, системное сообщение, тест, публикация. Менять порядок блоков не стоит, каждый следующий опирается на предыдущий.
Ниже пошаговый план, который укладывается в два часа при готовом API-ключе.
- Создайте workflow, добавьте Chat Trigger и закрепите тестовое сообщение, чтобы не печатать его заново при каждом прогоне.
- Добавьте узел AI Agent и соедините его с trigger.
- В слот модели подключите Anthropic Chat Model, создайте credential и выберите Claude Sonnet 5.
- Добавьте один tool под вашу задачу, например HTTP Request или Data Table, и опишите условие вызова.
- Подключите Simple Memory на session ID из trigger, чтобы агент помнил предыдущие сообщения в рамках теста.
- Напишите системное сообщение: роль агента, тон ответа и прямой запрет придумывать факты при нехватке данных.
- Откройте чат в редакторе и прогоните три-четыре сценария, включая пограничные случаи.
- Просмотрите логи исполнения, чтобы увидеть, какой tool агент вызвал и почему.
- Опубликуйте workflow и, если нужен внешний доступ, откройте его через Chat Hub или публичную ссылку триггера.
Сильные и слабые стороны такой сборки
n8n дает визуальный canvas, где весь путь запроса виден одним взглядом, а логи исполнения показывают, каким tool и почему воспользовался агент, это упрощает отладку сильнее, чем разбор кода построчно. Обратная сторона: агент в n8n живет внутри узла одного workflow, и для сложной многошаговой логики с несколькими независимыми ролями приходится либо дробить процесс на связанные workflow, либо переходить на кодовые фреймворки с более гибким циклом рассуждений.
Какие ошибки чаще всего убивают первого агента?
Три частые причины, почему агент "не работает": нет баланса на API, слишком много инструментов без описаний, отсутствует правило честно признавать нехватку данных.
Первая ошибка, пустой баланс у провайдера модели: подключение выглядит настроенным, но при первом сообщении летит ошибка соединения. Вторая, слишком щедрый список tools "на будущее": агент путается в выборе и вызывает не тот инструмент. Третья, отсутствие явного правила про честность: без него модель на пустой ответ из базы данных начинает придумывать правдоподобный текст вместо того, чтобы сказать "информации нет".
Отдельно стоит проблема с памятью в проде. Команда, которая тестировала агента на Simple Memory, а потом выкатила его пользователям без замены на Postgres или Redis, обычно теряет контекст диалогов при первом же перезапуске сервера и потом долго разбирается, почему агент "стал тупее". Меняйте тип памяти до запуска, а не после жалоб.
Что выбрать для первого агента, n8n или готовый сервис?
n8n дает визуальный конструктор и гибкость кода, где нужно, готовые сервисы вроде Zapier дают меньше настройки памяти и инструментов, зато проще стартуют для линейных задач без ветвления.
Для линейной автоматизации без AI, отправить письмо после формы, продублировать заказ в таблицу, разница между сервисами невелика. Для AI агента с памятью, инструментами и условной логикой n8n дает больше контроля: можно подключить любую модель через отдельный LLM node, выбрать тип памяти под нагрузку и держать всю логику на одном канвасе, включая кастомный код там, где встроенных узлов не хватает.
Глоссарий
- Trigger - узел, который запускает workflow: сообщение в чате, вебхук или расписание.
- LLM node - подузел с языковой моделью, например Anthropic Chat Model, подключается в слот Chat Model агента.
- AI Agent node - корневой узел n8n, который объединяет модель, память и tools в одного агента.
- Tool - инструмент, который агент вызывает сам: HTTP-запрос, чтение таблицы, поиск по базе.
- Memory - механизм хранения истории сообщений между запусками агента.
- Session ID - идентификатор конкретного диалога, по которому память находит нужную историю.
- Credential - сохраненные в n8n данные для подключения к внешнему сервису, например API-ключ.
- RAG - поиск по внешней базе знаний с добавлением найденного в ответ модели.
- Webhook - URL, вызов которого извне запускает workflow.
- Chat Hub - встроенный в n8n интерфейс для общения с опубликованными агентами.
Частые вопросы про AI агента в n8n
Сколько времени уходит на первого AI агента в n8n? На простого агента с одним tool и Simple Memory уходит час-два, если заранее готовы API-ключ и понятная задача. На агента с базой знаний и продакшен-памятью закладывайте день.
Нужен ли Claude Pro или ChatGPT Plus для работы LLM node? Нет. LLM node работает через отдельный API-ключ платформы, а не через подписку в приложении. Для Claude это баланс в Anthropic Console, для OpenAI отдельный биллинг в платформе.
Почему в поиске узлов n8n нет Claude? Узел называется Anthropic Chat Model, а не Claude. Ищите по слову Anthropic, иначе панель узлов ничего не найдет.
Чем Simple Memory отличается от Postgres Memory? Simple Memory хранит переписку прямо в сессии workflow и обнуляется при перезапуске n8n. Postgres или Redis Memory сохраняют историю в базе и переживают перезапуск, поэтому их берут в продакшен.
Можно ли подключить к n8n локальную модель вместо Claude? Да, через LM Studio: локальный сервер отдает модель по API, а в n8n она подключается как OpenAI-совместимый chat model с указанием адреса сервера.
Сколько инструментов давать AI агенту в n8n? Для первого агента хватает одного-двух tools с четким описанием. Каждый лишний инструмент это дополнительный шанс, что агент выберет не тот путь.
Что делать, если агент выдумывает ответ вместо честного "не знаю"? Пропишите в системном сообщении прямой запрет на догадки и явную инструкцию сообщать об отсутствии данных, вместо того чтобы модель заполняла пробел правдоподобным текстом.
Разобраться с выбором модели и инструментов для своего агента проще после обзора всего стека: в каталоге AI-инструментов собраны разборы IDE и AI-сервисов для вайбкодинга, включая карточку n8n и Claude Code. Если нужна помощь с конкретным workflow, запишитесь на консультацию к Максиму.
Обновлено: июль 2026.