VPS-এ n8n ও Claude দিয়ে AI workflow বানান

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-এর backup রেখেছেন সেটি দিয়ে encrypted

platform.claude.com-এর Anthropic Console-এ গিয়ে Settings, তারপর API Keys নির্বাচন করুন এবং n8n-vps-এর মতো একটি নাম দিয়ে key তৈরি করুন। এটি একবারই দেখানো হয়। key তৈরি করার সময় Console-এ expiration বেছে নিতে হয়; তারিখটি লিখে রাখুন, কারণ expired key হলে নিচের failure modes অংশে বর্ণিত একই 401 error দিয়ে unattended workflow ব্যর্থ হয়। Account-এ fund যোগ করুন অথবা billing সেট up করুন; API usage pay-per-token পদ্ধতিতে হয় এবং prepaid credit থেকে খরচ কাটা হয়। Pro subscription এতে অন্তর্ভুক্ত নয়। তবে Claude Max এবং Team plan-এ এখন monthly Claude API credit অন্তর্ভুক্ত থাকে—Max 5x-এ $100, Max 20x-এ $200 এবং Team-এ pooled সর্বোচ্চ $500—যা claude.ai-এর billing settings-এ Console organization link করে claim করতে হয়। এই credit n8n যে ধরনের API call করে সেগুলোর খরচ দেয়, Claude Code-এর খরচ দেয় না, এবং প্রতিটি billing cycle-এর শেষে expire হয়। কোনো অর্থ খরচ না করে এই তিনটি workflow তৈরি করার আশা থাকলে, Anthropic-এর pricing FAQ অনুযায়ী নতুন user-রা API পরীক্ষা করার জন্য অল্প পরিমাণ free credit পায়। তাই নতুন Console account-এ billing যোগ করার আগে starter credit দিয়ে এই workflow-গুলো পরীক্ষা করা যায়। credit শেষ হয়ে গেলে প্রতিটি Claude call-এর জন্য token অনুযায়ী billing হয়। কিছু বিষয় token খরচের অতিরিক্ত কোনো অর্থ নেয় না। এর মধ্যে token counting endpoint এবং প্রতি organization-এ প্রতি মাসে সর্বোচ্চ 1,550 free hours code-execution time অন্তর্ভুক্ত। তবে এই তিনটি workflow-এর কোনোটিই code execution ব্যবহার করে না। free API credit কী কী খরচে ব্যবহার করা যায় অংশে বিস্তারিত আছে।

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

দুটি operational বিষয় মনে রাখুন। প্রথমত, n8n stored credential-গুলো N8N_ENCRYPTION_KEY দিয়ে encrypt করে। n8n guide অনুযায়ী compose file-এ এই env var-টি explicit সেট করলে container rebuild-এর পরও credential অক্ষত থাকে। কিন্তু n8n-কে একটি key generate করতে দিয়ে পরে volume হারালে এই key-সহ সব stored credential unrecoverable ciphertext হয়ে যায়। যদি আগে backup না করে থাকেন, এখনই key-টির backup নিন। দ্বিতীয়ত, n8n credential store-কে blast radius হিসেবে বিবেচনা করুন। যে কেউ আপনার Anthropic credential ব্যবহার করতে পারলে আপনার key দিয়ে request পাঠাতে পারবে। Community edition-এ সেটি আপনি এবং instance owner; n8n-এর docs-এ বলা আছে, "Only the instance owner and the user who creates them can access workflows and credentials", তাই অন্য Member account-গুলো এতে পৌঁছাতে পারে না। Self-hosted n8n-এ workflow এবং credential share করা paid feature, যা Business বা Enterprise plan-এ পাওয়া যায়। কোনো workflow share করার পর তার editor-রা সেই workflow যে credential ব্যবহার করে, সেগুলো ব্যবহার করতে পারে। তাই অন্য কেউ এই instance-এ login করলে account দেওয়ার আগে paid n8n licence-এর পেছনে কোন access control থাকে পড়ুন। Compromised বা runaway instance-এর খরচের সীমা নির্ধারণ করতে Console-এর Settings-এ spend limit সেট করুন।

মডেল নির্বাচন প্রতিটি node-এর জন্য আলাদা সিদ্ধান্ত

n8n-এর Claude node-গুলোর model dropdown সরাসরি API থেকে মডেলের তালিকা নেয়। তাই আপনার key কোন মডেল ব্যবহার করতে পারে, সেখানে সেটিই দেখা যায়। এই গাইডে ব্যবহৃত মডেলগুলোর API মূল্য, October 2026 অনুযায়ী প্রতি million input/output token-এ, হলো: Claude Haiku 4.5 (claude-haiku-4-5), $1/$5, যার context window 200K; Claude Sonnet 5 (claude-sonnet-5), $2/$10; এবং Claude Opus 4.8 (claude-opus-4-8), $5/$25—শেষের দুটি মডেলের context window 1M token। সবচেয়ে কঠিন reasoning কাজের জন্য Claude Fable 5 (claude-fable-5) আছে, যার মূল্য $10/$50; এই গাইডে সেটির প্রয়োজন নেই। এই exact ID-গুলো ব্যবহার করুন। claude-haiku-4-5 হলো pinned snapshot claude-haiku-4-5-20251001-এর alias; এটিও কাজ করে। তবে পুরোনো tutorial থেকে কপি করা dated ID কোনো retired model নির্দেশ করতে পারে এবং তখন request ব্যর্থ হবে। মূল্য পরিবর্তিত হয়। তাই যেকোনো জায়গায়, এমনকি এখানেও, পড়া কোনো মূল্য নির্ভরযোগ্য ধরে নেওয়ার আগে platform.claude.com পরীক্ষা করুন।

এই গাইড প্রথম প্রকাশের পর Anthropic নতুন মডেল release করেছে। তাদের documentation-এ এখন Haiku 4.5, Sonnet 5, Opus 4.8 এবং Fable 5-কে legacy হিসেবে চিহ্নিত করা হয়েছে। এগুলো এখনও কাজ করে। Deprecations page-এ Haiku 4.5 অবসর নেওয়ার সময় October 15, 2026-এর আগে নয় বলে উল্লেখ ছিল। সেই তারিখ পেরিয়ে গেছে। তবে October 20, 2026 পর্যন্ত page-এ Haiku 4.5 active হিসেবে দেখা যাচ্ছে এবং কোনো deprecation notice নেই। Sonnet 5, Opus 4.8 এবং Fable 5 mid-2027-এর আগে অবসর নেবে না। কোনো publicly released model অবসর নেওয়ার আগে Anthropic অন্তত 60 দিনের notice দেয়। তাই আপনার workflow-এ Haiku 4.5 pin করা থাকলে তাদের deprecations page monitor করুন। বর্তমান lineup হলো Claude Haiku 5.5 (claude-haiku-5-5, released October 7, 2026)—100,000 token পর্যন্ত prompt-এর জন্য $0.10/$0.50 এবং এর বেশি হলে $0.50/$2.50 থেকে; Claude Sonnet 5.5 (claude-sonnet-5-5), $2/$10; Claude Opus 5.5 (claude-opus-5-5), $4/$20; এবং Claude Fable 5.1 (claude-fable-5-1), $10/$50। Haiku 5.5-এর tokenizer একই text-কে Haiku 4.5-এর তুলনায় প্রায় 30% বেশি token হিসেবে গণনা করে। তাই শুধু list price দেখে নয়, Console-এর usage page-এ প্রতিটি run-এর প্রকৃত খরচ তুলনা করুন।

যে অভ্যাসটি গড়ে তুলতে হবে: platform অনুযায়ী নয়, প্রতিটি node অনুযায়ী model বেছে নিন। Classification, extraction, summarization এবং routing—automation-এর নিয়মিত কাজগুলো—Sonnet-এর list price-এর অর্ধেক এবং Opus-এর এক-পঞ্চমাংশ মূল্যে Haiku-তে খুব ভালোভাবে চলে। Agent এবং multi-step reasoning-এর জন্য Sonnet রাখুন। এমন বিরল workflow-এর জন্য Opus ব্যবহার করুন, যেখানে ভুল উত্তরের খরচ token-এর খরচের চেয়ে বেশি। পাঁচটি Claude node থাকা একটি workflow-এ বিভিন্ন model মিশিয়ে ব্যবহার করা উচিত এবং তা সম্ভব।

2টি Claude node এবং কোনটি কোথায় ব্যবহার করবেন

n8n-এ Anthropic-এর 2টি পৃথক integration রয়েছে। ভুলটি বেছে নেওয়া নতুন ব্যবহারকারীদের সবচেয়ে সাধারণ বিভ্রান্তির কারণ।

Anthropic node একটি সাধারণ app node: একটি request গ্রহণ করে এবং একটি response প্রদান করে। এর Text resource-এ Message a Model operation রয়েছে। Image ও document বিশ্লেষণের জন্যও operation রয়েছে। Workflow-এর logic যখন n8n-এ থাকে—trigger, Claude call, তারপর next node—তখন এটি ব্যবহার করুন। নিচের Workflow 1 এবং 2-এ এই node অথবা 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 করার জন্য যুক্ত করা একটি ছোট attachment। এর নিজস্ব কোনো trigger বা output নেই। এটি model picker এবং Maximum Number of Tokens ও Sampling Temperature-এর মতো sampling option প্রকাশ করে। n8n-এর documentation-এর একটি গুরুত্বপূর্ণ বিষয় মনে রাখুন: sub-node-এর expression সবসময় প্রতিটি item অনুযায়ী নয়, প্রথম input item-এর ভিত্তিতে resolve হয়। তাই per-item expression sub-node-এ নয়, root node-এর prompt field-এ রাখুন। Anthropic-এর দিক থেকে আরেকটি বিষয়: Claude 4.7 এবং পরবর্তী model-এ—এই guide-এর Haiku 4.5 ছাড়া প্রতিটি model-ই এর অন্তর্ভুক্ত—temperature, top_p বা top_k-এর কোনো non-default value সেট করলে 400 error ফেরত আসে। তাই ওই model-গুলোর ক্ষেত্রে Sampling Temperature, Top K এবং Top P unset রাখুন।

Workflow 1: webhook গ্রহণ, summary প্রদান

AI automation-এর প্রাথমিক উদাহরণ: কোনো URL-এ POST করা যেকোনো কনটেন্টের summary তৈরি হয়ে Slack বা আপনার inbox-এ পৌঁছে যায়।

1. Webhook node-এ HTTP Method POST এবং path summarize সেট করুন। n8n আপনাকে একটি test URL এবং একটি production URL দেয়; workflow publish না করা পর্যন্ত production URL-টি request গ্রহণ করে না।
2. Anthropic node-এ Message a Model নির্বাচন করুন, model claude-haiku-4-5 এবং Max Tokens প্রায় 300 সেট করুন।
3. Slack node (অথবা Send Email) ব্যবহার করে response text একটি channel-এ পাঠান।

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

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-এ প্রতি run-এর খরচ: prompt-সহ 1,200-token payload-এর input খরচ প্রায় $0.0012, আর 300 token output-এর খরচ $0.0015। অর্থাৎ মোটামুটি এক সেন্টের চার ভাগের এক ভাগ। মাসে 1,000টি run-এর খরচ $3-এর কম। একই node Opus 4.8-এ নির্দেশ করলে খরচ প্রায় পাঁচ গুণ হয়। আপনি যে প্রতিটি workflow তৈরি করবেন, তাতে এই অনুপাত প্রয়োগ হয়। তাই প্রতি node-এ model বাছাই করার 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।

1. Schedule Trigger, প্রতি ঘণ্টায়।
2. RSS Read, feed URL। প্রতিটি article-এর জন্য একটি করে item output দেয়।
3. 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।
4. 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: টুল ব্যবহারকারী AI Agent

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

একটি বাস্তব উদাহরণ হলো monitoring system থেকে “কোনটি down এবং কেন” প্রশ্নের উত্তর দেওয়া ops assistant:

1. Chat Trigger (অথবা webhook), যেখানে প্রশ্নটি আসে।
2. AI Agent, যার সঙ্গে claude-sonnet-5-এ সেট করা একটি Anthropic Chat Model sub-node আছে। Agent tool call পরিকল্পনা করে এবং সেগুলো ধারাবাহিকভাবে চালায়; সহজ single-tool agent-এর জন্য Haiku ব্যবহার করা যায়, তবে tool-এর সংখ্যা বাড়লে Sonnet ব্যবহার করাই যুক্তিসঙ্গত ন্যূনতম পছন্দ।
3. Tool হিসেবে সংযুক্ত একটি HTTP Request node, যা আপনার Uptime Kuma status API অথবা Zabbix endpoint-এ নির্দেশিত। দ্বিতীয় একটি HTTP tool অন্য যেকোনো REST API-তে request পাঠাতে পারে।

দুটি setting অধিকাংশ কাজ সম্পন্ন করে। Agent-এর System Message-এ কাজের সংজ্ঞা দিন: “আপনি একজন ops assistant। উত্তর দেওয়ার আগে বর্তমান monitor state পরীক্ষা করতে status tool ব্যবহার করুন। শুধু down থাকা monitor-গুলোর নাম ও duration জানান।” প্রতিটি tool-এর description মানুষের জন্য documentation নয়; Claude কখন tool call করবে, তা নির্ধারণের উপায়। “Returns current up/down state for all monitored services as JSON” লিখলে tool সঠিক সময়ে call হওয়ার সম্ভাবনা বাড়ে; “status API” লিখলে Claude tool-টি উপেক্ষা করতে বা ভুলভাবে ব্যবহার করতে পারে। HTTP Request node-কে tool হিসেবে সংযুক্ত করার সময় Optimize Response option চালু করুন এবং প্রয়োজনীয় JSON field নির্বাচন করুন। তা না হলে API-এর প্রতিটি verbose response input token হিসেবে model-এর context-এ যুক্ত হবে, যার জন্য আপনাকে খরচ করতে হবে।

Agent-এ Max Iterations সেট করুন। Default হলো 10; কাজ করে এমন সর্বনিম্ন সংখ্যা ব্যবহার করুন। এর ফলেই “4টি tool call-এর পর agent হাল ছেড়ে দিল” এবং এক ডজন model round-trip-এর loop-এর মধ্যে পার্থক্য হয়। Billing-এর ধরনও বুঝে নিন: প্রতিটি iteration-এ এ পর্যন্তকার সম্পূর্ণ conversation, system message, প্রশ্ন এবং আগের প্রতিটি tool result আবার input token হিসেবে 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-এ $2/$10 হারে এর খরচ প্রায় $0.06; একটি সাধারণ summarization run বিশবার চালালেই এই খরচ হতে পারে। একটি agent-এর সঙ্গে অনেক tool যুক্ত করতে হলে, সেটিই সেই পর্যায় যখন আপনার VPS-এ MCP server চালানো আরও পরিষ্কার architecture হয়ে ওঠে।

খরচ নিয়ন্ত্রণের সুরক্ষা, কারণ কেউ নজর রাখছে না

কিবোর্ডের সামনে থাকা একজন মানুষ যে নিয়ন্ত্রণগুলো স্বাভাবিকভাবে প্রয়োগ করেন, unattended workflow-এ সেগুলো নির্ধারণ করতে হয়। চারটি স্তর ব্যবহার করুন, কম খরচেরটি আগে।

প্রতিটি Claude node-এ Max Tokens। এটি output-এর কঠোর সীমা। একজন summarizer-এর জন্য 300 এবং একজন classifier-এর জন্য 100 যথেষ্ট। এতে ব্যয়বহুল দিকটির সীমা নির্ধারিত থাকে (এই guide-এর মডেলগুলোর ক্ষেত্রে প্রতি million output tokens-এর দাম $5–$50, আর input-এর দাম $1–$10; প্রতিটি মডেলে output-এর দাম input-এর 5 গুণ) এবং এটি runaway execution ঠেকাতেও সাহায্য করে। কোনো prompt-এর ত্রুটিতে Claude অপ্রয়োজনীয়ভাবে দীর্ঘ output দিলে খরচ 8,000 নয়, 300 tokens-এর মধ্যে থাকে।

প্রতিটি node-এর জন্য Model নির্ধারণ করুন। উপরে এটি ব্যাখ্যা করা হয়েছে। Haiku 4.5 থেকে Opus 4.8-এর মধ্যে এটি দামের 5 গুণ পার্থক্য তৈরি করে, আর Fable 5 পর্যন্ত গেলে 10 গুণ। বর্তমান lineup-এ Haiku 5.5 থেকে Fable 5.1 পর্যন্ত, 100,000 tokens পর্যন্ত prompt-এর ক্ষেত্রে এই পার্থক্য 100 গুণে পৌঁছায়। 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 যাওয়া execution অনির্দিষ্টভাবে চলতে না থেকে বন্ধ হয়ে যায়। প্রতিটি node-এ Retry On Fail ব্যবহারের ক্ষেত্রেও সতর্ক থাকুন। Transient error-এর জন্য এটি সঠিক উপায়, কিন্তু retry খরচ বহুগুণ করে। Wait Between Tries-এর মান 5000 ms এবং Max Tries-এর মান 3 হলে, স্থায়ী failure-এর ক্ষেত্রে workflow বন্ধ হওয়ার আগে প্রতিটি item-এর জন্য সর্বোচ্চ 3 বার পর্যন্ত billing হতে পারে। ইতিমধ্যে ব্যয়বহুলভাবে সফল হওয়া কোনো node-কে আবার retry-এর মধ্যে রাখবেন না।

Backstop হিসেবে একটি error workflow ব্যবহার করুন। Error Trigger node দিয়ে শুরু হওয়া একটি workflow তৈরি করুন। এটি failed workflow-এর নাম এবং error Slack-এ পাঠাবে। এরপর প্রতিটি AI workflow-এর settings-এ এটিকে Error Workflow হিসেবে নির্ধারণ করুন। এটি যে failure mode ধরবে, সেটিই সবচেয়ে গুরুতর: schedule-triggered workflow প্রতি run-এ, প্রতি hour-এ, এক সপ্তাহ ধরে error করতে পারে; বন্ধ হওয়ার আগে প্রতিটি run tokens খরচ করতে পারে। এর সঙ্গে Anthropic Console-এ একটি monthly spend limit নির্ধারণ করুন এবং scheduled কোনো workflow সক্রিয় করার পর প্রথম কয়েক দিন Console-এর usage page পরীক্ষা করুন। ঠিক কোন ব্যবহারের জন্য billing হচ্ছে তা জানতে চাইলে token usage-এর guide সেটি বিশদে ব্যাখ্যা করেছে।

যে সমস্যাগুলো দেখা দিতে পারে এবং প্রদর্শিত বার্তার ধরন

Authorization failed - please check your credentials. বার্তাসহ node সঙ্গে সঙ্গে ব্যর্থ হয়। API 401 ফেরত দিয়েছে। মূল response body-এর কাঠামো এমন (বর্তমান response-এ request_id field-ও থাকে):

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

Key ভুলভাবে paste করা, অসম্পূর্ণ কপি হওয়া, শেষে whitespace থাকা অথবা কোনো tutorial-এর placeholder ব্যবহার করা এর কারণ হতে পারে। n8n credential নতুন করে তৈরি করে আবার paste করুন। এটি গতকাল কাজ করলেও Console-এ key revoke করা হয়েছে কি না বা expiration date পার হয়েছে কি না পরীক্ষা করুন। কোনো volume restore-এর ফলে ভিন্ন N8N_ENCRYPTION_KEY দিয়ে encrypted credential পুনরুদ্ধার হয়েছে কি না, সেটিও পরীক্ষা করুন।

**Execution-গুলো একসঙ্গে ব্যর্থ হয়ে 429 rate_limit_error` দেখায়।** বার্তাটি সাধারণত এমন হয়: Number of request tokens has exceeded your per-minute rate limit. Rate limit প্রতি মিনিটে মাপা হয় এবং ক্রমাগত refill হওয়া token bucket দিয়ে প্রয়োগ করা হয়। n8n-এ একই সময়ে পঞ্চাশটি webhook বা RSS execution চালু করা খুব সহজ। কাঠামোগতভাবে সমস্যাটি সমাধান করুন: parallel execution-এর বদলে ক্রমানুসারে item process করুন (Loop Over Items)। Retry On Fail চালু করে Max Tries 3 এবং Wait Between Tries-এর মান সর্বোচ্চ 5000 ms দিন; n8n এই field-টির মান 5000 ms-এ সীমাবদ্ধ রাখে। Retry-এর আগে bucket refill হওয়ার জন্য আরও বেশি সময়ের backoff দরকার হলে error path-এ একটি Wait node রাখুন অথবা item একবারে একটি করে process করুন। Rate-limit 429 response-এ সাধারণত retry-after header থাকে, যা কত সেকেন্ড অপেক্ষা করতে হবে তা জানায়। Anthropic-এর documentation অনুযায়ী, প্রতিটি 429 response-এ এটি থাকে না। n8n-এর fixed wait এই header পড়তে পারে না, তাই দীর্ঘ pause নিজেই তৈরি করুন। একটি ব্যতিক্রম আছে: retry-after header না থাকা 429 response-এ error_code-এর মান enforced_spend_limit_reached` হলে, আপনার organization তার usage tier-এর মাসিক ব্যয়সীমায় পৌঁছেছে। পরের মাস শুরু না হওয়া পর্যন্ত বা tier বৃদ্ধি না করা পর্যন্ত কোনো retry সফল হবে না।

আপনার model-এর নাম উল্লেখ করে 404 not_found_error`` দেখায়। আপনি যে model ID পাঠিয়েছেন, বার্তায় সেটিই থাকে। উদাহরণ:

{"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), ভুল বা বানানো date suffix দেওয়া, অথবা পুরোনো blog post-এর retired model ব্যবহার করা এর কারণ হতে পারে। 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 এমন প্রশ্নের উত্তর দেয়, যা আপনি করেননি। কোথাও error নেই এবং run সফল দেখায়। Payload-এ message field থাকলেও যদি কোনো n8n expression {{ $json.body.text }}-এর মতো অনুপস্থিত field reference করে, তাহলে সেই expression prompt-এর মধ্যে আক্ষরিক undefined string বসিয়ে দেয়। Claude তখন কোনো নির্দিষ্ট বিষয় ছাড়াই তৈরি হওয়া prompt-এর উত্তর দেয়। Referenced node একেবারেই execute না হলে n8n এমন error দিয়ে থেমে যায় যে expression এমন একটি node reference করছে যা “hasn't been executed yet”; কিন্তু কোনো field অনুপস্থিত হলে নীরবে তা ঘটে। Activate করার আগে বাস্তব data দিয়ে অন্তত একবার run করুন এবং node-এর input panel-এ তৈরি হওয়া prompt পড়ুন। Expression editor resolved value-এর preview দেখায়, এবং লক্ষ্য করলে undefined সেখানেই দেখতে পাবেন।

FAQ

n8n-এর সঙ্গে Claude কীভাবে সংযুক্ত করব?

platform.claude.com-এ Anthropic Console খুলে একটি API key তৈরি করুন। তারপর n8n-এ Anthropic ধরনের একটি credential যোগ করে সেটি API Key field-এ পেস্ট করুন। প্রতিটি Claude node, Anthropic app node এবং Anthropic Chat Model sub-node ওই সংরক্ষিত credential ব্যবহার করে। n8n এটি N8N_ENCRYPTION_KEY দিয়ে encrypt করে। তাই ওই key-এর backup রাখুন। তা না হলে volume নষ্ট হলে আপনার credential-গুলোও হারিয়ে যাবে।

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

প্রতি run-এ আনুমানিক token সংখ্যা নির্ধারণ করুন। তারপর সেটিকে model-এর প্রতি million token-এর মূল্যের সঙ্গে গুণ করুন। October 2026 অনুযায়ী Haiku 4.5-এর input/output token-এর মূল্য প্রতি million-এ যথাক্রমে $1/$5 এবং Sonnet 5-এর $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 খরচ যাচাই করুন।

n8n automation-এর জন্য কোন Claude model ব্যবহার করব?

Classification, extraction, summarization এবং routing-এর জন্য Haiku 4.5 ব্যবহার করুন। গতি ও কম খরচ গুরুত্বপূর্ণ হলে high-volume কাজেও এটি উপযোগী। AI Agent node এবং multi-step reasoning-এর জন্য Sonnet 5 ব্যবহার করুন। ভুল উত্তরের খরচ বেশি হলে এবং সেই কারণে $5/$25 list price গ্রহণযোগ্য হলে শুধু Opus 4.8 ব্যবহার করুন। এর মূল্য Haiku-এর পাঁচ গুণ এবং Sonnet-এর আড়াই গুণ। Anthropic-এর নতুন Haiku 5.5, Sonnet 5.5 এবং Opus 5.5 একই ধরনের কাজের জন্য সমান বা কম list price-এ ব্যবহার করা যায়। model workflow-এ নয়, node-প্রতি সেট করুন। একটি workflow-এ তিনটিই ব্যবহার করা সম্ভব।

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

একাধিক guardrail ব্যবহার করুন। প্রতিটি Claude node-এ কম Max Tokens সেট করুন। Agent-এ Max Iterations নির্ধারণ করুন। Workflow timeout সেট করুন। Retry On Fail-এর conservative settings ব্যবহার করুন, যাতে failure-এর কারণে token খরচ বারবার না বাড়ে। এরপর একটি Error Trigger workflow যোগ করুন, যাতে কোনো AI workflow ব্যর্থ হলে Slack-এ alert পান। Anthropic Console-এ একটি monthly spend limit সেট করুন। এটিই hard ceiling হিসেবে কাজ করবে, যা VPS থেকে কোনো configuration দিয়ে অতিক্রম করা যাবে না।

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

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