«n8n агенты» (759) и «n8n ai» (856) — запросы от тех, кто уже автоматизирует на n8n и хочет поднять ИИ-агента без Python-фреймворков. В 2026 n8n — один из самых практичных путей к prod: visual workflow + AI Agent node + 400+ интеграций.
Это не intro «что такое n8n» — разбор production-архитектуры agentic workflow.
Эволюция AI в n8n
| Версия подхода | Как работало |
|---|---|
| Basic LLM Chain | Один промпт → ответ |
| AI Agent + Tools | Loop: LLM → tool → LLM |
| Sub-workflows as tools | Сложная логика как callable tool |
| Memory + Vector Store | RAG внутри workflow |
| 2026: Multi-agent | Несколько Agent nodes + routing |
Базовый Ollama: Ollama + n8n. Здесь — OpenAI / Anthropic + enterprise integrations.
Reference architecture
[Webhook/Telegram Trigger]
│
▼
[AI Agent Node] ◄── Memory (Window / Postgres)
│
┌────┴────┬──────────┬────────────┐
▼ ▼ ▼ ▼
[HTTP CRM] [Vector] [Sub-WF: Jira] [Code: validate]
│
▼
[IF escalate] → [Slack ops] + [Stop]
│
▼
[Respond to Webhook]
AI Agent node: настройка
System message (жёсткие границы):
Ты агент поддержки SaaS X. Используй search_docs перед ответом.
Никогда не обещай refund — только tool create_refund_ticket.
При 2 неудачных tool calls — escalate_to_human.
Tools — подключайте как:
- @n8n/n8n-nodes-langchain.toolHttpRequest — REST API
- Execute Workflow — sub-workflow как tool (сложная бизнес-логика)
- Calculator / Code — валидация JSON
- Vector Store Tool — RAG (Qdrant vs Pinecone)
Max iterations: 5–8. Без лимита — runaway loop и счёт API.
Sub-workflow as Tool (advanced)
Пример: tool create_jira_ticket(title, body):
1. Parent Agent вызывает tool
2. Sub-workflow: validate → Jira node → return ticket_id
3. Agent получает { "ticket_id": "PROJ-442" } в контекст
Плюсы:
- Переиспользование между агентами
- Unit-test sub-workflow отдельно
- RBAC: Jira credentials только в sub-WF
Memory patterns
| Тип | Когда |
|---|---|
| Window Buffer | 10–20 последних сообщений, support chat |
| Postgres Chat Memory | Persistent sessions, return users |
| Vector Store | FAQ + docs, не замена transactional memory |
Не смешивайте RAG и chat memory в одном bucket — разные refresh policies.
Error handling в prod
// Code node после Agent — проверка hallucination flag
const out = $input.first().json;
if (out.tool_errors > 2 || out.confidence < 0.6) {
return [{ json: { escalate: true, reason: out.last_error } }];
}
return [{ json: { escalate: false, reply: out.output } }];
Обязательно:
- Error Workflow на n8n instance level
- Retry с exponential backoff на HTTP tools
- Dead letter queue (Google Sheet / Redis) для failed runs
- Alert в Telegram при error rate > 5%
SLA и масштабирование
| Метрика | Target |
|---|---|
| p95 latency | < 8 сек (без RAG), < 15 сек (с RAG) |
| Availability | 99.5% (queue mode) |
| Concurrent chats | Queue workers × 2 |
Queue mode (Redis + workers) — must для > 20 параллельных диалогов. Single instance n8n упирается в CPU на Agent loops.
Rate limiting: перед Agent — Code node с Redis INCR per user_id.
Безопасность
- Credentials в n8n vault, не в промпте
- Webhook auth: HMAC signature
- Input sanitization — prompt injection
- Separate n8n project per environment (dev/stage/prod)
n8n vs LangGraph vs Agents SDK
| n8n AI Agent | LangGraph | OpenAI Agents SDK | |
|---|---|---|---|
| Код | Minimal | Python | Python |
| Integrations | 400+ native | DIY | OpenAI-centric |
| Observability | Execution log | LangSmith | OpenAI traces |
| Multi-agent | Routing nodes | Graph native | Handoffs |
Выбор n8n когда команда no-code/low-code и нужны CRM/Slack/Telegram быстро.
Real-world metrics (анонимный кейс)
SaaS B2B, Agent на n8n + GPT-4o-mini:
- 890 диалогов/нед, 68% без эскалации
- p95 latency 11 сек (RAG + CRM tool)
- Cost ~$190/мес API + $40 VPS queue mode
- 2 инцидента: infinite loop до fix max iterations
Checklist перед go-live
- [ ] Max iterations + timeout на Agent node
- [ ] Escalation path протестирован
- [ ] 50 adversarial prompts (injection, jailbreak)
- [ ] Backup workflow export JSON
- [ ] Observability — webhook в Langfuse
Вывод
n8n агенты в 2026 — зрелый путь к prod ИИ-агентам: Agent node + sub-workflows + queue mode + RAG. Для сложных reasoning graphs добавьте LangGraph; для стандартизации tools — MCP.
Смотрите также:
- Function Calling OpenAI + n8n
- Agentic RAG