Claude und n8n auf dem VPS verbinden

Was Sie aufbauen

Drei funktionierende AI-Workflows auf der bereits laufenden n8n-Instanz: ein Webhook, der alles zusammenfasst, was man ihm sendet; ein geplanter Feed-Reader, der Artikel in strukturierte Zeilen in einer Spreadsheet-Tabelle umwandelt; und ein AI Agent, der selbstständig eine HTTP-API aufruft, um Fragen zu beantworten. Dies ist das No-Code-Gegenstück zu dem Aufruf der Claude API via Python auf Ihrem VPS — dieselbe API, dieselben Tokens, dieselben Kosten, aber die Orchestrierung erfolgt in n8n-Nodes statt in einem Skript.

Ich gehe davon aus, dass n8n gemäß dem Self-hosted n8n on Docker Guide bereits über HTTPS erreichbar ist. Falls nicht, führen Sie dies zuerst aus — Webhooks benötigen einen echten TLS-Endpunkt, und der Credential-Store, in den Sie gleich einen API-Key einfügen werden, benötigt das Encryption-Key-Backup, vor dem der Guide warnt.

Die interessanten Probleme liegen hier nicht im Drag-and-Drop. Es geht um die Modellauswahl pro Node, Prompt-Felder, die stillschweigend undefined interpolieren, und die Tatsache, dass eine Automatisierung ohne Aufsicht läuft — ein Workflow, der nur einen halben Cent pro Durchlauf kostet, ist günstig, bis eine Retry-Schleife ihn über Nacht viertausendmal ausführt. Der Großteil dieses Guides befasst sich mit diesen Themen.

Ein Credential, verschlüsselt mit dem Key, den Sie gesichert haben

Holen Sie sich einen API-Key in der Anthropic Console unter platform.claude.com — Settings, dann API Keys, und erstellen Sie einen Key mit einem Namen wie n8n-vps. Er wird nur einmal angezeigt. Laden Sie das Konto auf oder richten Sie die Abrechnung ein; die API-Nutzung erfolgt Pay-per-Token und ist völlig unabhängig von einem Claude.ai-Abonnement.

In n8n: Credentials, Create credential, wählen Sie Anthropic, fügen Sie den Key in das Feld API Key ein, speichernn. Jeder Claude-Node in jedem Workflow bezieht sich auf dieses eine gespeicherte Credential — Sie fügen den Key niemals direkt in einen Node ein.

Zwei betriebliche Hinweise. Erstens verschlüsselt n8n gespeicherte Credentials mit N8N_ENCRYPTION_KEY. Wenn Sie diese Umgebungsvariable explizit in Ihrer Compose-Datei gemäß dem n8n-Guide setzen, überlebt Ihr Credential das Neuaufbauen des Containers; wenn Sie n8n die Generierung überlassen und dann das Volume verlieren, ist jedes gespeicherte Credential — einschließlich dieses Keys — un wiederherstellbarer Ciphertext. Sichern Sie den Key jetzt, falls Sie dies bisher übersprungen haben. Zweitens betrachten Sie den n8n-Credential-Store als "Blast Radius": Jeder, der Workflows auf Ihrer Instanz bearbeiten kann, kann Anfragen mit Ihrem Anthropic-Key stellen. Setzen Sie in der Console unter Settings ein Ausgabenlimit, damit eine kompromittierte oder außer Kontrolle geratene Instanz eine Obergrenze hat.

Die Modellauswahl ist eine Entscheidung pro Node

Das Model-Dropdown in den n8n Claude-Nodes wird live aus der API geladen und zeigt an, worauf Ihr Key Zugriff hat. Stand Juli 2026 ist die Auswahl und die API-Preisgestaltung pro Million Input/Output-Tokens wie folgt: Claude Haiku 4.5 (claude-haiku-4-5) für $1/$5 bei einem 200K Context Window, Claude Sonnet 5 (claude-sonnet-5) für $3/$15 — Einführungsangebot $2/$10 bis zum 31. August 2026 — und Claude Opus 4.8 (claude-opus-4-8) für $5/$25, beide mit 1M-Token Context Windows. Es gibt auch Claude Fable 5 (claude-fable-5) für $10/$50 für schwierigste Denkaufgaben; nichts in diesem Guide benötigt dies. Verwenden Sie diese exakten IDs — eine mit Datums-Suffix versehene Variante, die Sie aus einem alten Tutorial kennen, wird einen 404-Fehler verursachen. Zudem ändern sich Preise, prüfen Sie also platform.claude.com, bevor Sie Zahlen vertrauen, egal wo Sie sie lesen.

Die Gewohnheit, die Sie sich aneignen sollten: Wählen Sie das Modell pro Node, nicht pro Plattform. Klassifizierung, Extraktion, Zusammenfassung, Routing — das Kerngeschäft der Automatisierung — läuft hervorragend auf Haiku zu einem Drittel des Listenpreises von Sonnet und einem Fünftel von Opus. Reservieren Sie Sonnet für Agents und mehrstufige Logik, Opus für den seltenen Workflow, bei dem eine falsche Antwort mehr kostet als die Tokens. Ein Workflow mit fünf Claude-Nodes kann und sollte verschiedene Modelle mischen.

Die zwei Claude-Nodes und deren Einsatzgebiete

n8n liefert zwei verschiedene Anthropic-Integrationen mit; die falsche Wahl zu treffen, ist der häufigste Fehler für Anfänger.

Der Anthropic-Node ist ein regulärer App-Node: ein Request rein, eine Response raus. Seine Text-Ressource hat eine Message a Model Operation sowie Operationen zur Analyse von Bildern und Dokumenten. Nutzen Sie ihn immer dann, wenn die Workflow-Logik in n8n liegt — Trigger, Claude-Aufruf, nächster Node. Die Workflows 1 und 2 unten nutzen diesen oder sein Äquivalent in einer Kette.

Der Anthropic Chat Model-Node ist ein Sub-Node — ein kleines Attachment, das das Modell für einen Root-Node wie AI Agent oder Basic LLM Chain bereitstellt. Er hat keinen eigenen Trigger und keinen eigenen Output; er stellt den Model-Picker sowie Sampling-Optionen wie Maximum Number of Tokens und Sampling Temperature bereit. Ein wichtiger Hinweis aus der n8n-Dokumentation: Ausdrücke (Expressions) innerhalb von Sub-Nodes beziehen sich immer auf das erste Input-Item, nicht auf jedes einzelne Item — setzen Sie Expressions pro Item in die Prompt-Felder des Root-Nodes, nicht in den Sub-Node.

Workflow 1: Webhook rein, Zusammenfassung raus

Das Hello-World der AI-Automatisierung: Alles, was per POST an eine URL gesendet wird, wird zusammengefasst und landet in Slack oder Ihrem Posteingang.

1. Webhook-Node — HTTP Method POST, Pfad summarize. n8n stellt eine Test-URL und eine Production-URL bereit; die Production-URL reagiert erst, wenn der Workflow aktiv ist.
2. Anthropic-Node — Message a Model, Model claude-haiku-4-5, Max Tokens ca. 300.
3. Slack-Node (oder Send Email) — sendet den Antworttext an einen Channel.

Im Prompt treffen n8n-Expressions auf Claude. Der POST-Body landet unter $json.body, daher sieht das User-Message-Feld so aus:

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

{{ $json.body.text }}

Platzieren Sie Rollen- und Formatierungsanweisungen im System-Prompt-Feld des Nodes, nicht in der User-Message — der System-Prompt bleibt konstant, während sich der Payload ändert, was das Verhalten stabil hält und den Prompt in sechs Monaten lesbar macht. Testen Sie es direkt vom VPS aus:

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..."}'

Kosten pro Durchlauf auf Haiku: Ein 1.200-Token Payload plus Prompt kostet etwa $0,0012 (Input), 300 Tokens Output kosten $0,0015 — also etwa ein Viertelcent. Tausend Durchläufe im Monat kosten weniger als $3. Derselbe Node mit Opus 4.8 kostet etwa das Fünffache. Dieses Verhältnis, multipliziert mit jedem Workflow, den Sie bauen, zeigt, warum die Modellauswahl pro Node entscheidend ist.

Workflow 2: Geplanter RSS zu strukturierten Zeilen

Nun etwas mit Zeitsteuerung und strukturiertem Output: Lesen Sie stündlich einen RSS-Feed, klassifizieren Sie jedes Element und fügen Sie Zeilen zu einem Sheet hinzu.

1. Schedule Trigger — jede Stunde.
2. RSS Read — die Feed-URL. Gibt ein Item pro Artikel aus.
3. Basic LLM Chain — mit einem Anthropic Chat Model Sub-Node auf claude-haiku-4-5 und einem Structured Output Parser Sub-Node mit einem JSON-Schema.
4. Google Sheets (oder Postgres) — fügt pro Item eine Zeile hinzu.

Der Structured Output Parser macht aus "Claude, bitte gib JSON zurück" einen verbindlichen Vertrag: Er validiert die Antwort des Modells gegen Ihr Schema und bricht das Item mit einer Fehlermeldung ab, anstatt fehlerhafte Zeilen zu schreiben. Ein Schema sieht so aus:

{
  "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"]
}

Und der Prompt der Chain bezieht sich auf das Feed-Item:

Classify this article for a VPS hosting audience.

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

Die Kostenrechnung ändert sich hier: Dies gilt pro Item, nicht pro Durchlauf. Fünfzig Artikel pro Stunde, vierundzwanzig Stunden am Tag, sind 36.000 Claude-Aufrufe im Monat — bei Haiku vielleicht $40–$90 je nach Artikellänge, bei Opus etwa das Fünffache. Entfernen Sie Duplikate vor dem LLM-Node (ein einfacher IF-Vergleich gegen bereits gesehene Links oder der n8n Remove Duplicates Node), und die Anzahl sinkt drastisch, da die meisten stündlichen Abfragen keine neuen Inhalte enthalten. Der günstigste Token ist der Aufruf, den man nie tätigt.

Workflow 3: Ein AI Agent, der Tools nutzt

Die ersten beiden Workflows sind Pipelines — Sie entscheiden über die Schritte. Ein AI Agent-Node kehrt dies um: Sie geben Claude ein Ziel und Tools, und er entscheidet, welche Tools er in welcher Reihenfolge aufruft, bis er fertig ist. n8n erfordert einen Chat-Model Sub-Node und mindestens einen angehängten Tool Sub-Node.

Ein konkretes Beispiel — ein Ops-Assistent, der auf Ihre Überwachung mit "Was ist ausgefallen und warum?" antwortet:

1. Chat Trigger (oder Webhook) — die Frage kommt rein.
2. AI Agent — mit einem Anthropic Chat Model Sub-Node auf claude-sonnet-5. Agents planen und verketten Tool-Aufrufe; Haiku kann einfache Single-Tool-Agents steuern, aber Sonnet ist die vernünftige Untergrenze, sobald sich die Anzahl der Tools erhöht.
3. HTTP Request-Node, angehängt als Tool — gerichtet auf Ihre Uptime Kuma status API oder Zabbix-Endpoint. Ein zweites HTTP-Tool kann jede andere REST-API ansprechen.

Zwei Einstellungen erledigen den Großteil der Arbeit. Die System Message des Agents definiert die Aufgabe: "You are an ops assistant. Use the status tool to check current monitor state before answering. Report only monitors that are down, with duration." Und die Description eines Tools ist keine Dokumentation für Menschen — sie ist die Grundlage, auf der Claude entscheidet, wann es aufgerufen wird. "Returns current up/down state for all monitored services as JSON" wird zum richtigen Zeitpunkt aufgerufen; "status API" wird ignoriert oder falsch verwendet. Wenn Sie den HTTP Request Node als Tool anhängen, aktivieren Sie die Option Optimize Response und wählen Sie die relevanten JSON-Felder aus — andernfalls wird jede ausführliche API-Antwort als Input-Token in den Kontext des Modells geladen, für die Sie bezahlen.

Setzen Sie Max Iterations beim Agenten (Standard ist 10) auf den kleinsten Wert, der funktioniert — es ist der Unterschied zwischen "der Agent hat nach 4 Tool-Aufrufen aufgegeben" und einer Schleife aus einem Dutzend Modell-Runden. Und beachten Sie die Abrechnungsstruktur: Jede Iteration sendet den bisherigen Gesprächsverlauf erneut als Input-Tokens — System-Prompt, Frage, jedes vorherige Tool-Ergebnis. Ein Agenten-Lauf mit sechs Iterationen kann leicht 20.000 kumulative Input-Tokens und 2.000 Output-Tokens erreichen: bei Sonnet 5 (Einführungspreis) ca. $0,06, bei Standardpreis ca. $0,09 — das entspricht etwa zwanzig einfachen Zusammenfassungs-Durchläufen. Wenn Sie viele Tools an einen Agenten koppeln, ist dies der Punkt, an dem das Ausführen von MCP-Servern auf Ihrem VPS die sauberere Architektur darstellt.

Kosten-Schutzmaßnahmen, da niemand zuschaut

Ein Workflow, der ohne Aufsicht läuft, benötigt die Kontrollen, die ein Mensch an einer Tastatur implizit bereitstellt. Vier Ebenen, sortiert nach Kosten:

Max Tokens für jeden Claude-Node. Dies ist eine harte Obergrenze für den Output. Ein Zusammenfasser benötigt 300, ein Klassifizierer 100. Dies begrenzt die teure Seite der Bilanz ($5–$25 pro Million Output-Tokens gegenüber $1–$5 für Input) und dient gleichzeitig als Notbremse — ein Prompt-Fehler, der Claude zum Plaudern bringt, kostet 300 Tokens, nicht 8.000.

Modell pro Node. Oben erwähnt; es ist ein Preishebel von Faktor fünf bis zehn über das aktuelle Sortiment und dauert zehn Sekunden.

Schleifen begrenzen. Max Iterations bei Agents. Ein Workflow-Timeout in den Workflow-Einstellungen, damit eine hängende Ausführung stirbt, anstatt weiterzulaufen. Und seien Sie vorsichtig mit Retry On Fail pro Node: Es ist das richtige Werkzeug für transiente Fehler, aber Retries vervielfachen die Kosten — Max Tries = 3 mit Wait Between Tries = 5000 ms bedeutet, dass ein dauerhafter Fehler Sie bis zu dreimal pro Item belastet, bevor er aufgibt. Packen Sie niemals einen Retry um einen Node, der bereits teuer erfolgreich war.

Ein Error-Workflow als Rückversicherung. Erstellen Sie einen Workflow, der mit dem Error Trigger-Node startet und den Namen des fehlgeschlagenen Workflows sowie den Fehler an Slack sendet, und setzen Sie diesen als Error Workflow in den Einstellungen jedes AI-Workflows. Der Fehlermodus, den dies abfängt, ist der kritische: ein zeitgesteuerter Workflow, der bei jedem Durchlauf, jede Stunde, eine Woche lang einen Fehler verursacht — jeder Durchlauf verbraucht Tokens, bevor er abbricht. Kombinieren Sie dies mit einem monatlichen Ausgabenlimit in der Anthropic Console und prüfen Sie die Usage-Seite der Console in den ersten Tagen nach der Aktivierung von zeitgesteuerten Prozessen. Wenn Sie genau wissen wollen, wofür Sie abgerechnet werden, analysiert der Token-Usage-Guide dies im Detail.

Fehlermodi und die Ursachen

Der Node schlägt sofort fehl mit "Authorization failed - please check your credentials." Die API hat einen 401-Fehler zurückgegeben. Der zugrunde liegende Body lautet:

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

Ein falsch kopierter Key — abgeschnitten, mit Leerzeichen am Ende oder ein Platzhalter aus einem Tutorial. Erstellen Sie das n8n-Credential neu und fügen Sie es erneut ein; wenn es gestern noch funktionierte, prüfen Sie, ob der Key in der Console widerrufen wurde oder ob eine Volume-Wiederherstellung zu einem Credential geführt hat, das mit einem anderen N8N_ENCRYPTION_KEY verschlüsselt wurde.

Executions schlagen in Schüben mit einem 429 rate_limit_error-Fehler fehl, mit einer Meldung wie "Number of request tokens has exceeded your per-minute rate limit." Rate-Limits gelten pro Minute, und n8n macht es sehr einfach, fünfzig Webhook- oder RSS-Executions gleichzeitig zu starten. Beheben Sie dies strukturell: Verarbeiten Sie Items nacheinander (Loop Over Items) statt parallel, und setzen Sie Retry On Fail mit Max Tries 3 und einer Wartezeit von maximal 5000 ms — n8n begrenzt dieses Feld auf 5000 ms. Wenn Sie ein längeres Backoff benötigen, damit Retries im nächsten Minutenfenster landen, setzen Sie einen Wait-Node in den Fehlerpfad oder verarbeiten Sie Items einzeln. Die Response enthält einen retry-after-Header, der genau sagt, wie lange Sie warten müssen — die feste Wartezeit von n8n kann dies nicht lesen, also bauen Sie die längere Pause selbst.

404 not_found_error bei der Benennung Ihres Modells. Der Body wiederholt den Tippfehler:

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

Punkte statt Bindestriche (4.5 statt 4-5), ein Datums-Suffix aus einem veralteten Blogpost oder ein eingestelltes Modell. Korrigieren Sie die ID anhand der aktuellen Liste — dies betrifft besonders Nutzer, die den Wert im Model-Feld als Expression eingeben, anstatt ihn aus dem Dropdown zu wählen.

Claude beantwortet eine Frage, die Sie nicht gestellt haben. Kein Fehler irgendwo — der Durchlauf ist grün. Eine n8n-Expression, die auf ein fehlendes Feld verweist, wie {{ $json.body.text }} statt message, interpoliert den String undefined in Ihren Prompt, und Claude antwortet darauf. Wenn der referenzierte Node gar nicht ausgeführt wurde, erhalten Sie "Referenced node is unavailable", aber ein fehlendes Feld bleibt still. Prüfen Sie vor der Aktivierung immer einmal die echten Daten und lesen Sie den tatsächlich gerenderten Prompt im Input-Panel des Nodes — der Expression-Editor zeigt nur den Preview-Wert, aber undefined ist direkt dort sichtbar.

FAQ

Wie verbinde ich Claude mit n8n?

Erstellen Sie einen API-Key in der Anthropic Console unter platform.claude.com, fügen Sie dann in n8n ein Credential vom Typ Anthropic hinzu und kopieren Sie ihn in das Feld API Key. Jeder Claude-Node — sowohl der Anthropic App-Node als auch der Anthropic Chat Model Sub-Node — bezieht sich auf dieses gespeicherte Credential. n8n verschlüsselt es mit N8N_ENCRYPTION_KEY; sichern Sie den Key also, sonst sind Ihre Credentials bei einem Volume-Verlust verloren.

Was kostet ein AI-Workflow pro Durchlauf?

Schätzen Sie die Tokens pro Durchlauf und multiplizieren Sie diese mit den Preisen pro Million des Modells — Stand Juli 2026 kostet Haiku 4.5 etwa $1/$5 pro Million Input/Output-Tokens und Sonnet 5 etwa $3/$15 ($2/$10 Einführungsangebot bis August 2026). Eine Webhook-Zusammenfassung auf Haiku kostet etwa einen Viertelcent; ein Agenten-Lauf auf Sonnet mit mehreren Tool-Aufrufen liegt eher bei $0,06–$0,10, da jeder Iterationsschritt den gesamten bisherigen Verlauf als Input sendet. Verifizieren Sie die Kosten über die Usage-Seite der Console statt sich auf Schätzungen zu verlassen.

Welches Claude-Modell sollte ich für n8n-Automatisierungen verwenden?

Haiku 4.5 für Klassifizierung, Extraktion, Zusammenfassung und Routing — Aufgaben mit hohem Volumen, bei denen Geschwindigkeit und Preis dominieren. Sonnet 5 für AI Agent Nodes und mehrstufige Logik. Opus 4.8 nur dort, wo eine falsche Antwort teuer genug ist, um den Listenpreis von $5/$25 zu rechtfertigen — das ist das Fünffache von Haiku und etwas weniger als das Doppelte von Sonnet. Wählen Sie das Modell pro Node, nicht pro Workflow — ein Workflow kann alle drei mischen.

Wie verhindere ich, dass ein n8n-Workflow zu hohe Kosten bei der Claude API verursacht?

Nutzen Sie mehrstufige Schutzmaßnahmen: ein niedriges Max Tokens für jeden Claude-Node, Max Iterations bei Agents, ein Workflow-Timeout und konservative Retry-On-Fail-Einstellungen, damit Fehler die Token-Ausgaben nicht vervielfachen. Fügen Sie zudem einen Error-Trigger-Workflow hinzu, der Sie in Slack alarmiert, wenn ein AI-Workflow fehlschlägt, und setzen Sie ein monatliches Ausgabenlimit in der Anthropic Console als harte Obergrenze, die auf dem VPS nicht überschritten werden kann.

Kosten Tool-Aufrufe eines AI Agents extra?

Es gibt keine separate Gebühr für Tools, aber Tools sind nicht kostenlos: Jedes Tool-Ergebnis wird als Input-Tokens an das Modell zurückgegeben, und jede Agenten-Iteration sendet den gesamten bisherigen Gesprächsverlauf erneut. Eine ausschweifende API-Antwort, die ungefiltert weitergegeben wird, kann Ihre eigentlichen Prompt-Kosten massiv erhöhen — aktivieren Sie die Option "Optimize Response" bei HTTP Request Tools und geben Sie nur die Felder zurück, die der Agent tatsächlich benötigt.