Agent AI w n8n to node, który łączy model językowy (Chat Model), narzędzia (Tools) i pamięć (Memory) w jeden orkiestrator. W skrócie: sam decyduje, które narzędzie uruchomić, by zrealizować cel. Żeby go użyć, dodajesz node AI Agent, podpinasz model i wybierasz narzędzia.
Najważniejsze: to nie jest osobny rodzaj sztucznej inteligencji, tylko sposób spięcia modelu językowego z akcjami w przepływie automatyzacji. Poniżej wykładam wprost, czym jest ten node, czym różni się od zwykłego zapytania do modelu, czego potrzebujesz i jak zbudować działającego agenta krok po kroku. Jeśli dopiero zaczynasz, zajrzyj najpierw do podstaw n8n, Tools (narzędzia i akcje, które agent może wywołać) oraz Memory (pamięć rozmowy). Agent nie tylko generuje tekst - na podstawie celu sam wybiera, które narzędzie uruchomić, wykonuje je i decyduje, czy potrzebuje kolejnego kroku.
Pod maską agent działa iteracyjnie. Dostaje zadanie, "myśli", sięga po narzędzie (na przykład wyszukiwarkę albo zapytanie do bazy), patrzy na wynik i decyduje, co dalej - aż osiągnie cel. To kluczowa różnica wobec zwykłego wywołania modelu, które kończy się jedną odpowiedzią.
AI Agent kontra Basic LLM Chain
Trade-off między tymi dwoma podejściami sprowadza się do autonomii. Basic LLM Chain wykonuje jedno zapytanie do modelu i zwraca odpowiedź - świetnie nadaje się do prostych zadań, jak streszczenie tekstu czy klasyfikacja. Agent AI iteruje i sam sięga po narzędzia, więc poradzi sobie z zadaniem wieloetapowym, gdzie z góry nie wiesz, ile kroków będzie potrzebnych.
Konkret: jeśli zadanie da się rozwiązać jednym promptem, użyj LLM Chain - jest prostszy i tańszy. Jeśli agent musi coś sprawdzić, policzyć albo pobrać dane, zanim odpowie, sięgasz po node AI Agent. Szerszy obraz tego, jak n8n łączy automatyzację z modelami, opisuję w tekście o AI w n8n serwer, który go udźwignie. Rozłóżmy to po kolei.
Działająca instancja n8n
n8n uruchomisz na dwa sposoby: w wersji chmurowej (n8n Cloud) albo we własnej infrastrukturze przez docker compose (self-host). Self-host jest darmowy i daje pełną kontrolę nad danymi, co przy pracy z agentem AI bywa istotne - przez node przepływają treści maili, dokumentów czy zapytań klientów. Sama platforma to dojrzałe narzędzie open-source: ponad 180 000 gwiazdek na GitHub, zgodność z SOC2 i ponad 422 integracje (dane projektu). Jak postawić n8n od zera, opisuję w podstawach n8n albo Claude (Anthropic). Płacisz za token, start jest natychmiastowy, ale dane wychodzą na zewnątrz. Druga droga to model lokalny przez Ollama, podpięty pod n8n przez endpoint typu http://localhost:11434.
Nie chcesz płacić za API i wysyłać danych do chmury? Podepnij lokalny model przez Ollama sprawdzi się do tego zadania.
Jak zbudować agenta AI w n8n krok po kroku
W praktyce budowa agenta to siedem kroków. Poniżej przechodzę przez każdy z nich - od triggera, przez podpięcie modelu, po test. Dokładne nazwy pól w interfejsie potrafią się różnić między wersjami, więc gdy coś nie zgadza się z opisem, sprawdź w aktualnej dokumentacji n8n.
- Dodaj trigger. Każdy przepływ zaczyna się od wyzwalacza. Do testów w interfejsie wygodny jest Chat Trigger - daje okno czatu wprost w n8n. Na produkcji częściej użyjesz Webhook (gdy agenta wywołuje inny system) albo Schedule (gdy ma działać cyklicznie).
- Dodaj node AI Agent. Z palety nodów AI wybierz AI Agent. W jego konfiguracji wskazujesz typ agenta - na przykład Tools Agent, gdy agent ma korzystać z narzędzi, albo wariant konwersacyjny do prostszych rozmów. To serce całego przepływu.
- Podepnij Chat Model. Agent bez modelu to agent bez "mózgu". Jako sub-node dołącz Chat Model - OpenAI Chat Model przy chmurowym API albo Ollama Chat Model przy modelu lokalnym. To tutaj rozstrzyga się Twój wybór: płatne API kontra darmowy, prywatny model przez Ollama, HTTP Request (zapytanie do dowolnego API), Google Sheets (zapis i odczyt arkusza) czy Vector Store (przeszukiwanie bazy embeddingów). Agent sam decyduje, kiedy sięgnąć po dane narzędzie. Pro tip: zacznij od jednego, dwóch narzędzi i dokładaj kolejne, gdy podstawa działa.
- Dodaj Memory (opcjonalnie). Bez pamięci agent traktuje każdą wiadomość osobno i nie pamięta, o czym była rozmowa chwilę wcześniej. Sub-node Memory, na przykład Window Buffer Memory, przechowuje kontekst ostatnich wiadomości, dzięki czemu agent rozumie odwołania w dłuższej rozmowie. Dodaj go wszędzie tam, gdzie liczy się ciągłość konwersacji.
- Przetestuj agenta. Uruchom przepływ przez Chat Trigger i zadaj pytanie. Następnie zajrzyj do logów wykonania (execution) - zobaczysz, które narzędzie agent wybrał, jakie dane pobrał i jak doszedł do odpowiedzi. To najlepszy sposób, by zrozumieć, jak agent "myśli", i wyłapać, gdzie się myli.
Pro tip: nie buduj od razu rozbudowanego przepływu. Postaw agenta z jednym narzędziem, sprawdź, czy działa, i dopiero potem dokładaj kolejne klocki. Łatwiej zdiagnozować problem, gdy ruchomych części jest mało.
Przykład - agent AI obsługujący zapytania
W praktyce najczęstszy scenariusz dla firmy wygląda tak: agent czyta przychodzące maile albo zgłoszenia z formularza, klasyfikuje je (na przykład "reklamacja", "zapytanie ofertowe", "wsparcie") i albo odpisuje na proste sprawy, albo zapisuje sprawę do dalszej obsługi. Jako storage agent użyje Google Sheets, a przy większej skali bazy danych - Supabase albo PostgreSQL.
Przepływ wygląda mniej więcej tak: Webhook odbiera zgłoszenie, agent z odpowiednim System Promptem klasyfikuje treść, sięga po narzędzie zapisu (Google Sheets lub baza), a w razie potrzeby generuje odpowiedź. Dzięki Memory agent rozumie kontekst, gdy klient odpisuje w tym samym wątku.
Drugi przykład - RAG nad dokumentami
Konkret: drugie częste zastosowanie to RAG, czyli agent odpowiadający na pytania na podstawie Twoich dokumentów. Dokumenty trafiają wcześniej do bazy wektorowej - Pinecone albo Qdrant - jako embeddingi. Agent dostaje pytanie, odpytuje Vector Store o pasujące fragmenty i na ich podstawie buduje odpowiedź. To sposób, by model odpowiadał konkretami z Twojej wiedzy, a nie ogólnikami.
| Gotowe punkty startowe znajdziesz wśród gotowych przepływów z agentem | Chmurowe API (OpenAI, Anthropic) | |
|---|---|---|
| Gdzie lądują dane | na Twoim serwerze | na serwerach dostawcy |
| Koszt | darmowy (prąd i sprzęt) | opłata za token |
| Wymagania serwera | RAM, często GPU | brak (liczy dostawca) |
| Próg wejścia | konfiguracja serwera | klucz API |
| Jakość największych modeli | zależna od Twojego sprzętu | bardzo wysoka |
| Praca offline | tak | nie |
Trade-off: chmura daje dostęp do potężnych modeli bez inwestycji w sprzęt, ale dane wychodzą poza firmę, a rachunek rośnie z użyciem. Lokalny model przez Ollama ma sens. Jeśli model ma liczyć szybko, kluczowa jest akceleracja GPU pod lokalny LLM jest prawidłowy.
- Za dużo Tools naraz. Gdy agent ma do wyboru kilkanaście narzędzi, częściej się gubi i wybiera złe. Zacznij od jednego, dwóch i dokładaj kolejne stopniowo.
- Pominięcie Memory tam, gdzie potrzebny kontekst. Bez pamięci rozmowa traci ciągłość - agent nie wie, o czym była mowa zdanie wcześniej. Dodaj Memory wszędzie, gdzie liczy się wątek.
- Niedoszacowanie zasobów serwera przy lokalnym LLM. Za mały RAM kończy się timeoutem albo błędem braku pamięci (OOM). Dobierz sprzęt do rozmiaru modelu - patrz akceleracja GPU pod lokalny LLM.
- Słaby System Prompt. Ogólnikowy prompt daje nieprzewidywalne działanie. Opisz rolę, język i granice agenta wprost.
- Brak limitów i obsługi błędów. Agent w pętli potrafi wielokrotnie wywoływać płatne API, co generuje koszty. Ustaw limity iteracji i obsługę błędów, zanim wypuścisz przepływ na produkcję.
FAQ - agent AI w n8n
Co umożliwia node AI Agent w n8n?
Node AI Agent łączy model językowy (Chat Model), narzędzia (Tools) i pamięć (Memory) w jeden orkiestrator. Dzięki temu agent nie tylko generuje tekst, ale sam decyduje, które narzędzie uruchomić, by zrealizować cel. Działa iteracyjnie: sięga po dane, sprawdza wynik i decyduje o kolejnym kroku, aż wykona zadanie.
Czym różni się AI Agent od LLM Chain w n8n?
AI Agent iteruje i sam wybiera narzędzia, więc poradzi sobie z zadaniem wieloetapowym, gdzie z góry nie wiesz, ile kroków zajmie. Basic LLM Chain wykonuje jednorazowe zapytanie do modelu i zwraca odpowiedź, bez wyboru narzędzi. Do prostych zadań wystarczy chain, do złożonych potrzebujesz agenta.
Czy agent AI w n8n może działać na lokalnym modelu?
Tak. Zamiast płatnego API podpinasz Ollama Chat Model i wskazujesz lokalny endpoint, na przykład http://localhost:11434. Agent korzysta wtedy z darmowego, prywatnego modelu działającego na Twoim serwerze, a dane nie opuszczają infrastruktury. Wymaga to jednak sprzętu z odpowiednim RAM, a często i GPU.
Czy agent AI w n8n jest darmowy?
n8n w wersji self-host jest darmowy, więc sam node AI Agent nic nie kosztuje. Płacisz za "mózg" agenta: albo za chmurowe API modelu (opłata za token), albo za serwer pod lokalny model. Jeśli zależy Ci na zerowym koszcie zapytań, postaw model lokalnie na własnym VPS.
Jak dodać pamięć do agenta AI w n8n?
Dodaj do agenta sub-node Memory, na przykład Window Buffer Memory. Przechowuje on kontekst ostatnich wiadomości, dzięki czemu agent pamięta, o czym była rozmowa, i rozumie odwołania w dłuższej konwersacji. Bez pamięci każda wiadomość jest traktowana osobno, więc wątek traci ciągłość między kolejnymi pytaniami.
Jaki serwer jest potrzebny pod agenta z lokalnym LLM?
Potrzebujesz VPS z odpowiednim RAM, a przy większych modelach także z GPU. Rozmiar zależy od modelu: mały odpalisz na skromnej maszynie, większy wymaga kilkudziesięciu gigabajtów pamięci. Niedoszacowanie zasobów kończy się timeoutem lub błędem braku pamięci, dlatego dobierz sprzęt z zapasem do skali użycia.
Co dalej z agentem AI w n8n
W skrócie: agent AI w n8n to node, który łączy model, narzędzia i pamięć, a Ty decydujesz, czy "mózgiem" będzie chmurowe API, czy darmowy model lokalny. Dobra kolejność jest prosta: zbuduj agenta z jednym narzędziem, przetestuj go w logach wykonania, a potem dokładaj kolejne klocki.
Gdy podstawy działają, rozbuduj zestaw: po inspirację sięgnij do gotowych przepływów z agentem, a jeśli chcesz uniknąć opłat za API, podłącz lokalny model przez Ollama z zapasem pamięci.
