দ্বারা Matt Connor 2026-07-15 · আপডেট করা হয়েছে 2026-08-28

VPS-এ n8n ও Claude দিয়ে AI workflow বানান

নিজের VPS-এ Claude ও n8n যুক্ত করার গাইডে credential, node-ভিত্তিক model নির্বাচন, 3টি workflow, খরচের হিসাব এবং সাধারণ error সমাধান দেখুন।

আপনি যা তৈরি করবেন

আপনি ইতিমধ্যে চালাচ্ছেন এমন n8n instance-এ 3টি কার্যকর AI workflow: একটি webhook, যা এতে পাঠানো যেকোনো কিছুর সারসংক্ষেপ তৈরি করবে; একটি scheduled feed-reader, যা article-গুলোকে structured spreadsheet row-এ রূপান্তর করবে; এবং একটি AI Agent, যা নিজে HTTP API call করে প্রশ্নের উত্তর দেবে। এটি আপনার VPS থেকে Claude API call করার no-code বিকল্প। API একই, token একই, bill একই; শুধু orchestration script-এর বদলে n8n node-এ থাকে।

আমি ধরে নিচ্ছি, Docker-এ self-hosted n8n চালানোর guide অনুযায়ী n8n ইতিমধ্যে HTTPS-এর পেছনে চালু আছে। তা না থাকলে আগে সেটি করুন। webhook-এর জন্য একটি বাস্তব TLS endpoint প্রয়োজন। আপনি যে credential store-এ API key রাখবেন, তার জন্য ওই guide-এ উল্লেখ করা encryption-key backup-ও প্রয়োজন।

এখানে মূল সমস্যা drag-and-drop নয়। প্রতিটি node-এর জন্য সঠিক model নির্বাচন, যে prompt field-গুলো নীরবে undefined interpolate করে, এবং automation unattended অবস্থায় চলে—এসবই গুরুত্বপূর্ণ। প্রতি run-এ অর্ধেক cent খরচ হওয়া workflow সস্তা, যতক্ষণ না কোনো retry loop সেটিকে এক রাতে 4000 বার চালিয়ে দেয়। এই guide-এর বেশিরভাগ অংশ এসব বিষয় নিয়ে।

একটি credential, আপনি যে key backup করেছেন সেটি দিয়ে encrypted

platform.claude.com-এর Anthropic Console-এ যান। এরপর Settings, তারপর API Keys নির্বাচন করে n8n-vps-এর মতো একটি নাম দিয়ে key তৈরি করুন। এটি একবারই দেখানো হয়। Account-এ fund যোগ করুন বা billing সেট up করুন; API usage pay-per-token ভিত্তিতে হয় এবং যেকোনো Claude.ai subscription থেকে সম্পূর্ণ আলাদা। কোনো অর্থ খরচ না করে এই তিনটি workflow তৈরি করতে চাইলে কোনো free tier নেই, শুধু একটি ছোট signup credit এবং কয়েকটি endpoint আছে যেগুলোর জন্য কোনো খরচ হয় না।

n8n-এ Credentials, Create credential নির্বাচন করুন। এরপর Anthropic বেছে নিয়ে key-টি API Key field-এ paste করে save করুন। প্রতিটি workflow-এর প্রতিটি Claude node এই stored credential-টি ব্যবহার করবে। আপনাকে কোনো node-এ key paste করতে হবে না।

দুটি অপারেশনাল নোট।

প্রথমত, n8n সংরক্ষিত credential N8N_ENCRYPTION_KEY দিয়ে encrypt করে। n8n-এর guide অনুযায়ী আপনার compose file-এ এই env var নির্দিষ্টভাবে সেট করলে container rebuild-এর পরও credential অক্ষত থাকে। আপনি n8n-কে এটি তৈরি করতে দিলে এবং পরে volume হারালে, এই key-সহ প্রতিটি সংরক্ষিত credential পুনরুদ্ধার-অযোগ্য ciphertext হয়ে যায়। এটি বাদ দিয়ে থাকলে এখনই key-এর backup নিন।

দ্বিতীয়ত, n8n credential store-কেই সম্ভাব্য ক্ষতির পরিসর হিসেবে বিবেচনা করুন। আপনার instance-এ workflow edit করতে পারে এমন যেকোনো ব্যক্তি আপনার Anthropic key ব্যবহার করে request পাঠাতে পারে। Community edition-এ credential-এর জন্য per-user permission নেই। তাই অন্য কেউ এই instance-এ login করলে account দেওয়ার আগে পড়ুন paid n8n licence-এর অধীনে কোন access control থাকে। Compromised বা নিয়ন্ত্রণহীনভাবে চলা instance-এর ব্যয়ের সীমা নির্ধারণ করতে Console-এর Settings-এ একটি spend limit সেট করুন।

Node অনুযায়ী model নির্বাচন করুন

n8n-এর Claude node-গুলোর model dropdown সরাসরি API থেকে তালিকা নেয়। তাই আপনার key যে model-গুলোতে access পায়, এখানে সেগুলোই দেখানো হয়। July 2026 অনুযায়ী, প্রতি 1 million input/output token-এর API pricing এবং lineup হলো: Claude Haiku 4.5 (claude-haiku-4-5) — $1/$5, context window 200K; Claude Sonnet 5 (claude-sonnet-5) — $3/$15, তবে August 31, 2026 পর্যন্ত introductory pricing $2/$10; এবং Claude Opus 4.8 (claude-opus-4-8) — $5/$25, যার context window 1M token। এ ছাড়া সবচেয়ে কঠিন reasoning কাজের জন্য Claude Fable 5 (claude-fable-5) — $10/$50 রয়েছে; এই guide-এর কোনো কাজেই এটি প্রয়োজন হবে না। Exact ID ব্যবহার করুন। পুরোনো tutorial-এ মনে থাকা date-suffixed variant ব্যবহার করলে 404 হবে। Pricing পরিবর্তিত হয়, তাই এখানে বা অন্য কোথাও দেখা কোনো সংখ্যার ওপর নির্ভর করার আগে platform.claude.com-এ যাচাই করুন।

যে অভ্যাস তৈরি করা দরকার: platform অনুযায়ী নয়, প্রতিটি node অনুযায়ী model বেছে নিন। Automation-এর classification, extraction, summarization এবং routing-এর মতো সাধারণ কাজ Haiku-তে খুব ভালোভাবে চলে। এর list price Sonnet-এর এক-তৃতীয়াংশ এবং Opus-এর এক-পঞ্চমাংশ। Agent এবং multi-step reasoning-এর জন্য Sonnet সংরক্ষণ করুন। যে বিরল workflow-এ ভুল উত্তরের খরচ token-এর চেয়ে বেশি, সেখানে Opus ব্যবহার করুন। পাঁচটি Claude node থাকা একটি workflow-এ model মিশিয়ে ব্যবহার করা যায় এবং সেটিই করা উচিত।

দুইটি Claude node এবং কোন ক্ষেত্রে কোনটি ব্যবহার করবেন

n8n-এ Anthropic-এর দুটি আলাদা integration রয়েছে। ভুলটি নির্বাচন করা নতুন ব্যবহারকারীদের সবচেয়ে সাধারণ সমস্যাগুলোর একটি।

Anthropic node একটি সাধারণ app node: একটি request গ্রহণ করে এবং একটি response দেয়। এর Text resource-এ Message a Model operation রয়েছে। এ ছাড়া image ও document বিশ্লেষণের operation-ও রয়েছে। Workflow logic যদি n8n-এ থাকে—trigger, Claude call, তারপর পরবর্তী node—তাহলে এটি ব্যবহার করুন। নিচের Workflow 1 এবং 2-এ এটি বা এর chain equivalent ব্যবহার করা হয়েছে।

Anthropic Chat Model node একটি sub-node। এটি AI Agent বা Basic LLM Chain-এর মতো root node-এ model সরবরাহ করে। এর নিজস্ব কোনো trigger বা output নেই। এটি model picker এবং Maximum Number of Tokens ও Sampling Temperature-এর মতো sampling option প্রদান করে। n8n documentation-এর একটি গুরুত্বপূর্ণ বিষয় মনে রাখুন: sub-node-এর expression সবসময় প্রতিটি item-এর পরিবর্তে প্রথম input item-এর ভিত্তিতে resolve হয়। তাই per-item expression sub-node-এ নয়, root node-এর prompt field-এ রাখুন।

ওয়ার্কফ্লো 1: webhook ইন, summary আউট

AI automation-এর hello-world: কোনো URL-এ POST করা যেকোনো কিছু summarize হয়ে Slack বা আপনার inbox-এ পৌঁছে যায়।

Webhook node, HTTP Method POST, path summarize। n8n আপনাকে একটি test URL এবং একটি production URL দেয়; workflow active না হওয়া পর্যন্ত production URL-টি শোনে না।
Anthropic node, Message a Model, model claude-haiku-4-5, Max Tokens প্রায় 300।
Slack node (অথবা Send Email), response text একটি channel-এ post করুন।

Prompt-এই n8n expression এবং Claude একসঙ্গে কাজ করে। POST body $json.body-এর অধীনে আসে, তাই user message field দেখতে এমন হবে:

Summarize the following feedback in three bullets, then one line:
verdict: praise | complaint | churn-risk. No preamble.

{{ $json.body.text }}

Role এবং format নির্দেশনা node-এর system prompt field-এ রাখুন, user message-এ নয়। System prompt অপরিবর্তিত থাকে, কিন্তু payload পরিবর্তিত হয়। এতে আচরণ স্থিতিশীল থাকে এবং ছয় মাস পরেও prompt বোঝা সহজ হয়। VPS থেকেই এটি পরীক্ষা করুন:

curl -X POST https://n8n.example.com/webhook/summarize \
  -H 'Content-Type: application/json' \
  -d '{"text": "Third support ticket this month about slow disk IO..."}'

Haiku-তে প্রতি run-এর খরচ: prompt-সহ 1,200-token payload-এর জন্য প্রায় $0.0012, এবং 300 tokens output-এর জন্য $0.0015; অর্থাৎ মোটামুটি এক সেন্টের এক-চতুর্থাংশ। মাসে 1,000টি run-এর খরচ $3-এর কম। একই node Opus 4.8-এ ব্যবহার করলে খরচ প্রায় পাঁচ গুণ হয়। এই অনুপাতটি আপনার তৈরি প্রতিটি workflow-এ প্রযোজ্য। তাই প্রতি node-এ model বাছাইয়ের অভ্যাস গুরুত্বপূর্ণ।

Workflow 2: নির্ধারিত RSS থেকে structured row

এবার নির্দিষ্ট সময়সূচি অনুযায়ী structured output নিয়ে কাজ করা যাক: প্রতি ঘণ্টায় একটি RSS feed পড়ুন, প্রতিটি item শ্রেণিবদ্ধ করুন এবং একটি sheet-এ row যোগ করুন।

Schedule Trigger, প্রতি ঘণ্টায়।
RSS Read, feed URL। প্রতিটি article-এর জন্য একটি করে item output দেয়।
Basic LLM Chain, যার Anthropic Chat Model sub-node-এ claude-haiku-4-5 সেট করা আছে এবং Structured Output Parser sub-node-এ একটি JSON schema রয়েছে।
Google Sheets (অথবা Postgres), প্রতিটি item-এর জন্য একটি row append করুন।

Structured Output Parser-এর কারণেই “Claude, please return JSON” একটি অনুমানের বদলে contract-এ পরিণত হয়: এটি schema অনুযায়ী model-এর reply validate করে এবং ভুল data লিখে ফেলার বদলে item-টিকে স্পষ্টভাবে fail করায়। একটি schema এমন হতে পারে:

{
  "type": "object",
  "properties": {
    "category": { "type": "string", "enum": ["release", "security", "tutorial", "other"] },
    "relevance": { "type": "number" },
    "one_line_summary": { "type": "string" }
  },
  "required": ["category", "relevance", "one_line_summary"]
}

এবং chain-এর prompt-এ feed item-এর reference থাকে:

Classify this article for a VPS hosting audience.

Title: {{ $json.title }}
Content: {{ $json.contentSnippet }}

এখানে cost calculation-এর ধরন বদলে যায়: খরচ প্রতি run নয়, প্রতি item অনুযায়ী হয়। প্রতি ঘণ্টায় 50টি article এবং দিনে 24 ঘণ্টা হলে মাসে 36,000টি Claude call হয়। Haiku ব্যবহার করলে article-এর দৈর্ঘ্যের ওপর নির্ভর করে খরচ প্রায় $40–90 হতে পারে। Opus ব্যবহার করলে খরচ প্রায় পাঁচ গুণ হয়। LLM node-এর আগে duplicate বাদ দিন—আগে দেখা link-এর বিরুদ্ধে একটি সাধারণ IF, অথবা n8n-এর Remove Duplicates node ব্যবহার করতে পারেন। এতে call-এর সংখ্যা অনেক কমে যায়, কারণ প্রতি ঘণ্টার অধিকাংশ poll-এ নতুন কিছু থাকে না। সবচেয়ে সস্তা token হলো যে call কখনো করতেই হয় না।

Workflow 3: tools ব্যবহারকারী একটি AI Agent

প্রথম দুটি workflow হলো pipeline; ধাপগুলো আপনি নির্ধারণ করেন। একটি AI Agent node এই কাঠামো উল্টে দেয়: আপনি Claude-কে একটি লক্ষ্য ও tools দেন, তারপর কাজ শেষ না হওয়া পর্যন্ত সে কোন tool কখন এবং কোন ক্রমে call করবে তা নির্ধারণ করে। n8n-এর জন্য একটি chat model sub-node এবং অন্তত একটি tool sub-node সংযুক্ত থাকা প্রয়োজন।

একটি বাস্তব build হলো monitoring system থেকে “কোন service down এবং কেন” প্রশ্নের উত্তর দেওয়া ops assistant:

Chat Trigger (অথবা webhook), যেখানে প্রশ্নটি আসে।
AI Agent, যার সঙ্গে একটি Anthropic Chat Model sub-node সংযুক্ত থাকবে এবং সেটি claude-sonnet-5-এ নির্ধারিত থাকবে। Agent tool call-এর পরিকল্পনা করে এবং সেগুলো ধারাবাহিকভাবে চালায়; সাধারণ single-tool agent পরিচালনার জন্য Haiku যথেষ্ট হতে পারে, তবে tools-এর সংখ্যা বাড়লে Sonnet হলো বাস্তবসম্মত সর্বনিম্ন পছন্দ।
tool হিসেবে সংযুক্ত একটি HTTP Request node, যা আপনার Uptime Kuma status API অথবা Zabbix endpoint-এ নির্দেশ করবে। দ্বিতীয় একটি HTTP tool দিয়ে REST API থাকা অন্য যেকোনো service-এও request পাঠানো যায়।

দুটি setting-এর প্রভাব সবচেয়ে বেশি। Agent-এর System Message-এ কাজটি নির্ধারণ করুন: “আপনি একজন ops assistant। উত্তর দেওয়ার আগে বর্তমান monitor state যাচাই করতে status tool ব্যবহার করুন। শুধু down থাকা monitor-গুলো এবং down থাকার সময়কাল report করুন।” প্রতিটি tool-এর description মানুষের জন্য documentation নয়; Claude কখন tool call করবে, তা নির্ধারণে এটিই ব্যবহৃত হয়। “Returns current up/down state for all monitored services as JSON” সঠিক সময়ে call হওয়ার সম্ভাবনা বাড়ায়; “status API” উপেক্ষিত হতে পারে বা ভুলভাবে ব্যবহৃত হতে পারে। HTTP Request node-কে tool হিসেবে সংযুক্ত করার সময় Optimize Response option চালু করুন এবং প্রয়োজনীয় JSON field নির্বাচন করুন। তা না হলে প্রতিটি verbose API response input token হিসেবে model-এর context-এ পাঠানো হবে, যার জন্য আপনাকে খরচ করতে হবে।

Agent-এ Max Iterations নির্ধারণ করুন (default হলো 10) এবং কাজ সম্পন্ন করার জন্য প্রয়োজনীয় সর্বনিম্ন সংখ্যা ব্যবহার করুন। এর ফলেই “4টি tool call-এর পরে agent হাল ছেড়ে দিল” এবং এক ডজন model round-trip-এর loop-এর মধ্যে পার্থক্য তৈরি হয়। Billing-এর ধরনও বুঝে নিন: প্রতিটি iteration-এ তখন পর্যন্ত পুরো conversation, system message, প্রশ্ন এবং আগের প্রতিটি tool result input token হিসেবে আবার পাঠানো হয়। ছয়-iteration-এর একটি agent run-এ সহজেই মোট 20,000 cumulative input token এবং 2,000 output token হতে পারে: Sonnet 5-এর introductory pricing-এ প্রায় $0.06, আর standard $3/$15 pricing-এ প্রায় $0.09। সহজ summarization run-এর তুলনায় এটি প্রায় বিশ গুণ খরচ হতে পারে। একটি agent-এর সঙ্গে অনেক tools যুক্ত করতে হলে আপনার VPS-এ MCP server চালানো-ই সাধারণত আরও পরিষ্কার architecture।

খরচ নিয়ন্ত্রণের সুরক্ষা, কারণ কেউ নজর রাখছে না

মানুষ কীবোর্ডে বসে যে নিয়ন্ত্রণগুলো স্বাভাবিকভাবে প্রয়োগ করে, unattended workflow-এ সেগুলো স্পষ্টভাবে নির্ধারণ করতে হয়। সবচেয়ে কম খরচের নিয়ন্ত্রণ আগে রেখে 4টি স্তর ব্যবহার করুন।

প্রতিটি Claude node-এ Max Tokens নির্ধারণ করুন। এটি output-এর একটি কঠোর সীমা। summarizer-এর জন্য 300 এবং classifier-এর জন্য 100 যথেষ্ট। এতে ব্যয়বহুল দিকের খরচ সীমাবদ্ধ থাকে ($5–$25 প্রতি million output tokens, যেখানে input-এর জন্য $1–$5)। এটি runaway workflow-ও থামায়: কোনো prompt-এর ত্রুটিতে Claude অতিরিক্ত লিখলে খরচ 8,000 নয়, 300 tokens পর্যন্ত সীমাবদ্ধ থাকবে।

প্রতিটি node-এর জন্য Model নির্ধারণ করুন। উপরে এটি ব্যাখ্যা করা হয়েছে। বর্তমান lineup-এ এটি খরচ 5–10 গুণ পর্যন্ত পরিবর্তন করতে পারে, এবং সেট করতে 10 seconds লাগে।

Loop-এর সীমা নির্ধারণ করুন। agent-এ Max Iterations সেট করুন। workflow-এর settings-এ একটি workflow timeout নির্ধারণ করুন, যাতে আটকে থাকা execution অনির্দিষ্টকাল চলার বদলে বন্ধ হয়ে যায়। প্রতিটি node-এ Retry On Fail ব্যবহারে সতর্ক থাকুন। সাময়িক error-এর জন্য এটি উপযুক্ত, কিন্তু retry খরচ বহুগুণ বাড়ায়। Wait Between Tries 5000 ms সহ Max Tries 3 সেট করলে কোনো স্থায়ী failure-এর ক্ষেত্রে workflow বন্ধ হওয়ার আগে প্রতিটি item-এর জন্য সর্বোচ্চ 3 বার পর্যন্ত বিল হতে পারে। যে node ইতিমধ্যে ব্যয়বহুলভাবে সফল হয়েছে, তার চারপাশে কখনও retry যুক্ত করবেন না।

পিছনে একটি error workflow রাখুন। Error Trigger node দিয়ে একটি workflow তৈরি করুন। এটি failed workflow-এর নাম ও error Slack-এ পাঠাবে। এরপর প্রতিটি AI workflow-এর settings-এ সেটিকে Error Workflow হিসেবে নির্ধারণ করুন। এই ব্যবস্থা যে failure mode ধরে, সেটি সবচেয়ে সমস্যাজনক: schedule-triggered workflow প্রতি run-এ, প্রতি hour-এ, এক সপ্তাহ ধরে error করতে পারে; প্রতিটি run বন্ধ হওয়ার আগে tokens খরচ করতে পারে। এর সঙ্গে Anthropic Console-এ একটি monthly spend limit নির্ধারণ করুন। scheduled workflow সক্রিয় করার পর প্রথম কয়েক দিন Console-এর usage page পরীক্ষা করুন। ঠিক কোন খাতে বিল হচ্ছে তা বুঝতে চাইলে token usage-এর নির্দেশিকাটি বিষয়টি বিস্তারিতভাবে ব্যাখ্যা করে।

যে সমস্যাগুলো দেখা দিতে পারে এবং আপনি যে বার্তাগুলো দেখবেন

নোড সঙ্গে সঙ্গে "Authorization failed - please check your credentials." বার্তা দিয়ে ব্যর্থ হয়। API 401 ফেরত দিয়েছে। মূল response body হলো:

{"type": "error", "error": {"type": "authentication_error", "message": "invalid x-api-key"}}

Key ভুলভাবে paste করা, অসম্পূর্ণ কপি হওয়া, শেষে whitespace থাকা, অথবা tutorial-এর placeholder ব্যবহার করা—এসব কারণে এমন হয়। n8n credential নতুন করে তৈরি করে আবার paste করুন। গতকাল কাজ করে থাকলে Console-এ key revoke করা হয়েছে কি না, অথবা volume restore-এর ফলে ভিন্ন N8N_ENCRYPTION_KEY দিয়ে encrypted credential ফিরে এসেছে কি না পরীক্ষা করুন।

Execution-গুলো 429 rate_limit_error দিয়ে দফায় দফায় ব্যর্থ হয়। বার্তাটি সাধারণত এমন হয়: "Number of request tokens has exceeded your per-minute rate limit." Rate limit প্রতি মিনিটের bucket হিসেবে প্রয়োগ হয়, এবং n8n একই সময়ে পঞ্চাশটি webhook বা RSS execution চালানো খুব সহজ করে। কাঠামোগতভাবে সমাধান করুন: parallel execution-এর বদলে ধারাবাহিকভাবে item process করুন (Loop Over Items), এবং Retry On Fail চালু করে Max Tries 3 ও Wait Between Tries-এর মান সর্বোচ্চ 5000 ms সেট করুন; n8n এই field-টির মান 5000 ms-এ সীমাবদ্ধ রাখে। Retry যেন পরের মিনিটের window-তে যায়, তার জন্য আরও দীর্ঘ backoff প্রয়োজন হলে error path-এ একটি Wait node রাখুন অথবা একবারে একটি করে item process করুন। Response-এ একটি retry-after header থাকে, যা ঠিক কতক্ষণ অপেক্ষা করতে হবে তা জানায়। n8n-এর fixed wait এটি পড়তে পারে না, তাই দীর্ঘ বিরতি নিজে তৈরি করুন।

Model-এর নাম দেওয়ার সময় 404 not_found_error পাওয়া যায়। Body-তে ভুল নামটি দেখা যায়:

{"type": "error", "error": {"type": "not_found_error", "message": "model: claude-haiku-4.5"}}

Hyphen-এর বদলে dot ব্যবহার করা (4.5-এর বদলে 4-5), পুরোনো blog post-এর date suffix ব্যবহার করা, অথবা অবসরপ্রাপ্ত model নির্দিষ্ট করা—এসব কারণে হয়। বর্তমান তালিকার সঙ্গে মিলিয়ে ID ঠিক করুন। Model field-এ dropdown থেকে বেছে না নিয়ে expression হিসেবে টাইপ করলে এই সমস্যা বেশি দেখা যায়।

Claude আপনার করা প্রশ্নের বদলে অন্য প্রশ্নের উত্তর দেয়। কোথাও কোনো error নেই, run-ও সফল দেখায়। Payload-এ message ব্যবহৃত হলেও যদি n8n expression-এ অনুপস্থিত field, যেমন {{ $json.body.text }}, reference করা হয়, তাহলে সেই expression prompt-এর মধ্যে আক্ষরিক undefined string বসিয়ে দেয়। ফলে Claude এমন একটি prompt-এর উত্তর দেয়, যার কোনো অর্থপূর্ণ প্রশ্ন নেই। Referenced node একেবারেই execute না হলে "Referenced node is unavailable" বার্তা পাবেন, কিন্তু কোনো field অনুপস্থিত থাকলে তা নীরবে ঘটে। Activate করার আগে বাস্তব data দিয়ে একবার run করুন এবং node-এর input panel-এ render হওয়া prompt পড়ুন। Expression editor resolved value-এর preview দেখায়, এবং ভালোভাবে দেখলে সেখানে undefined-ও দেখা যাবে।

FAQ

Claude-কে n8n-এর সঙ্গে কীভাবে সংযুক্ত করব?

platform.claude.com-এ Anthropic Console খুলে একটি API key তৈরি করুন। এরপর n8n-এ Anthropic ধরনের একটি credential যোগ করে সেটি API Key ফিল্ডে পেস্ট করুন। প্রতিটি Claude node, Anthropic app node এবং Anthropic Chat Model sub-node ওই সংরক্ষিত credential ব্যবহার করে। n8n এটিকে N8N_ENCRYPTION_KEY দিয়ে encrypt করে। তাই ওই key-এর backup রাখুন। নইলে volume নষ্ট হলে credential-ও হারাবেন।

প্রতি run-এ একটি AI workflow-এর খরচ কত?

প্রতি run-এ token-এর আনুমানিক সংখ্যা নির্ধারণ করুন। এরপর সেটিকে model-এর প্রতি-million token মূল্যের সঙ্গে গুণ করুন। July 2026 অনুযায়ী Haiku 4.5-এর input/output token-এর মূল্য প্রতি million-এ $1/$5। Sonnet 5-এর মূল্য $3/$15। August 2026 পর্যন্ত introductory মূল্য $2/$10। Haiku-তে একটি webhook summarization-এর খরচ প্রায় এক-চতুর্থাংশ cent। Sonnet-এ কয়েকটি tool call-সহ একটি agent run-এর খরচ প্রায় $0.06–$0.10 হতে পারে। কারণ প্রতিটি iteration-এ পুরো conversation input হিসেবে আবার পাঠানো হয়। অনুমানের ওপর নির্ভর না করে Console-এর usage page-এ run-এর প্রকৃত খরচ যাচাই করুন।

n8n automation-এর জন্য কোন Claude model ব্যবহার করব?

Classification, extraction, summarization এবং routing-এর মতো উচ্চ-পরিমাণের কাজে Haiku 4.5 ব্যবহার করুন, যেখানে speed ও price বেশি গুরুত্বপূর্ণ। AI Agent node এবং multi-step reasoning-এর জন্য Sonnet 5 ব্যবহার করুন। ভুল উত্তরের খরচ যথেষ্ট বেশি হলে এবং $5/$25 list price যুক্তিযুক্ত হলে Opus 4.8 ব্যবহার করুন। এর মূল্য Haiku-এর পাঁচ গুণ এবং Sonnet-এর তুলনায় কিছুটা কম দ্বিগুণ। Model workflow-এ নয়, প্রতিটি node-এ নির্ধারণ করুন। একটি workflow-এ তিনটি model-ই একসঙ্গে ব্যবহার করা যায়।

Claude API-তে n8n workflow-এর অতিরিক্ত খরচ কীভাবে বন্ধ করব?

একাধিক guardrail একসঙ্গে ব্যবহার করুন। প্রতিটি Claude node-এ কম Max Tokens নির্ধারণ করুন। Agent-এ Max Iterations সেট করুন। Workflow timeout নির্ধারণ করুন। Conservative Retry On Fail settings ব্যবহার করুন, যাতে failure-এর কারণে token খরচ বহুগুণ না হয়। এরপর একটি Error Trigger workflow যোগ করুন, যা কোনো AI workflow ব্যর্থ হলে Slack-এ আপনাকে alert পাঠাবে। Anthropic Console-এ একটি monthly spend limit নির্ধারণ করুন। এটিই হবে সর্বোচ্চ সীমা, যা VPS-এর কোনো configuration অতিক্রম করতে পারবে না।

AI Agent-এর tool call-এর জন্য কি অতিরিক্ত খরচ হয়?

আলাদা কোনো tool fee নেই। তবে tools বিনামূল্যে নয়। প্রতিটি tool result model-এ input token হিসেবে পাঠানো হয়। প্রতিটি agent iteration-এ এখন পর্যন্ত পুরো conversation আবার পাঠানো হয়। Filter না করা কোনো দীর্ঘ API response আপনার প্রকৃত prompt-এর চেয়ে অনেক বেশি token ব্যবহার করতে পারে। তাই HTTP Request tools-এ Optimize Response enable করুন এবং agent-এর প্রয়োজনীয় field-গুলোই শুধু return করুন।

#n8n #claude #ai #automation #workflows