Claude mit n8n auf dem eigenen VPS verbinden

Was Sie erstellen

Drei funktionierende KI-Workflows auf der n8n-Instanz, die Sie bereits betreiben: ein Webhook, der beliebige übermittelte Inhalte zusammenfasst, ein geplanter Feed-Reader, der Artikel in strukturierte Tabellenzeilen umwandelt, und ein AI Agent, der selbstständig eine HTTP-API aufruft, um Fragen zu beantworten. Dies ist das No-Code-Gegenstück zu Claude API über Python auf Ihrem VPS aufrufen: dieselbe API, dieselben Tokens, dieselbe Abrechnung. Die Orchestrierung erfolgt jedoch in n8n-Nodes statt in einem Script.

Ich gehe davon aus, dass n8n gemäß der Anleitung n8n mit Docker selbst hosten bereits hinter HTTPS läuft. Falls nicht, richten Sie das zuerst ein. Webhooks benötigen einen echten TLS-Endpunkt. Außerdem benötigt der Credential Store, in dem Sie gleich einen API-Key hinterlegen, das Backup des Verschlüsselungsschlüssels, auf das die Anleitung ausdrücklich hinweist.

Die interessanten Probleme liegen hier nicht im Verschieben und Verbinden von Nodes. Es geht um die Auswahl des Modells pro Node, um Prompt-Felder, in die undefined stillschweigend interpoliert wird, und um die Tatsache, dass eine Automation unbeaufsichtigt läuft. Ein Workflow, der pro Ausführung einen halben Cent kostet, ist günstig, bis eine Retry-Schleife ihn über Nacht viertausendmal ausführt. Der größte Teil dieser Anleitung behandelt genau diese Punkte.

Ein Zugang, verschlüsselt mit dem gesicherten Schlüssel

Rufen Sie unter platform.claude.com die Anthropic Console auf. Wählen Sie Settings, anschließend API Keys, und erstellen Sie einen Schlüssel mit einem Namen wie n8n-vps. Der Schlüssel wird nur einmal angezeigt. Richten Sie das Konto ein oder hinterlegen Sie eine Zahlungsmethode. Die API-Nutzung wird pro Token abgerechnet und ist vollständig unabhängig von einem Claude.ai-Abonnement. Falls Sie diese drei Workflows ohne Kosten erstellen wollten, gibt es keine kostenlose Stufe, sondern nur ein kleines Startguthaben und einige wenige Endpunkte, die überhaupt nichts kosten.

Wählen Sie in n8n Credentials, Create credential und anschließend Anthropic. Fügen Sie den Schlüssel in das Feld API Key ein und speichern Sie ihn. Jeder Claude-Knoten in jedem Workflow verwendet dieses eine gespeicherte Zugangsdatenobjekt. Sie fügen den Schlüssel niemals in einen Knoten ein.

Zwei Hinweise für den Betrieb. Erstens verschlüsselt n8n gespeicherte Zugangsdaten mit N8N_ENCRYPTION_KEY. Wenn Sie diese Umgebungsvariable wie im n8n-Leitfaden ausdrücklich in Ihrer Compose-Datei setzen, bleiben Ihre Zugangsdaten bei einem Neuaufbau des Containers erhalten. Lassen Sie n8n den Wert dagegen selbst erzeugen und verlieren anschließend das Volume, sind alle gespeicherten Zugangsdaten einschließlich dieses Schlüssels nicht wiederherstellbar. Sichern Sie den Schlüssel jetzt, falls Sie das bisher übersprungen haben.

Zweitens sollten Sie den n8n-Zugangsdaten-Speicher als maximale Auswirkungszone behandeln: Jeder, der Workflows auf Ihrer Instanz bearbeiten kann, kann mit Ihrem Anthropic-Schlüssel Anfragen senden. Die Community Edition bietet keine benutzerbezogenen Berechtigungen für Zugangsdaten. Wenn sich also weitere Personen bei dieser Instanz anmelden, lesen Sie welche Zugriffskontrollen eine kostenpflichtige n8n-Lizenz bietet, bevor Sie Konten vergeben. Legen Sie in der Console unter Settings ein Ausgabenlimit fest. Dadurch hat eine kompromittierte oder außer Kontrolle geratene Instanz eine Obergrenze.

Die Modellauswahl erfolgt pro Node

Das Modell-Dropdown in den Claude-Nodes von n8n wird live über die API abgerufen. Es zeigt daher, auf welche Modelle Ihr Schlüssel zugreifen kann. Stand Juli 2026 gelten für die Modelle und die API-Preise pro Million Ein- und Ausgabetokens folgende Werte: Claude Haiku 4.5 (claude-haiku-4-5) kostet $1/$5 und hat ein Kontextfenster von 200K. Claude Sonnet 5 (claude-sonnet-5) kostet $3/$15, zum Einstieg bis zum 31. August 2026 $2/$10. Claude Opus 4.8 (claude-opus-4-8) kostet $5/$25. Beide Modelle haben ein Kontextfenster von 1M Tokens. Außerdem gibt es Claude Fable 5 (claude-fable-5) für $10/$50 für besonders anspruchsvolle Schlussfolgerungen. Für keinen Anwendungsfall in dieser Anleitung wird es benötigt. Verwenden Sie genau diese IDs. Eine Variante mit Datumssuffix, die Sie aus einer älteren Anleitung kennen, führt zu einem 404-Fehler. Preise ändern sich außerdem. Prüfen Sie daher platform.claude.com, bevor Sie einer Preisangabe vertrauen, auch der hier genannten.

Die wichtige Gewohnheit lautet: Wählen Sie das Modell pro Node und nicht pro Plattform. Klassifizierung, Extraktion, Zusammenfassung und Routing, also die Standardaufgaben der Automatisierung, funktionieren mit Haiku sehr gut. Haiku kostet nur ein Drittel des Listenpreises von Sonnet und ein Fünftel des Preises von Opus. Verwenden Sie Sonnet für Agents und mehrstufige Schlussfolgerungen. Reservieren Sie Opus für seltene Workflows, bei denen eine falsche Antwort teurer wäre als die zusätzlichen Tokens. Ein Workflow mit fünf Claude-Nodes kann und sollte verschiedene Modelle kombinieren.

Die beiden Claude-Nodes und wann Sie welchen verwenden

n8n bietet zwei unterschiedliche Anthropic-Integrationen. Die falsche Auswahl ist der häufigste Umweg für Einsteiger.

Der Node Anthropic ist ein normaler App-Node: eine Anfrage geht hinein, eine Antwort kommt heraus. Seine Ressource Text enthält die Operation Message a Model sowie Operationen zum Analysieren von Bildern und Dokumenten. Verwenden Sie ihn, wenn die Workflow-Logik in n8n liegt: Trigger, Claude-Aufruf, nächster Node. Die folgenden Workflows 1 und 2 verwenden ihn oder das entsprechende Chain-Gegenstück.

Der Node Anthropic Chat Model ist ein Sub-Node, also eine kleine Erweiterung, die einem Root-Node wie AI Agent oder Basic LLM Chain das Modell bereitstellt. Er hat keinen Trigger und keine eigene Ausgabe. Er stellt den Modellauswahldialog sowie Sampling-Optionen wie Maximum Number of Tokens und Sampling Temperature bereit. Ein wichtiger Hinweis aus der n8n-Dokumentation: Ausdrücke in Sub-Nodes werden immer anhand des ersten Eingabeelements aufgelöst, nicht anhand jedes einzelnen Elements. Platzieren Sie Ausdrücke pro Element daher in den Prompt-Feldern des Root-Nodes und nicht im Sub-Node.

Workflow 1: Webhook rein, Zusammenfassung raus

Der Einstieg in die KI-Automatisierung: Alles, was per POST an eine URL gesendet wird, wird zusammengefasst und in Slack oder Ihrem Posteingang abgelegt.

1. Webhook-Node, HTTP Method POST, Pfad summarize. n8n stellt eine Test-URL und eine Produktions-URL bereit. Die Produktions-URL nimmt erst Anfragen entgegen, wenn der Workflow aktiv ist.
2. Anthropic-Node, Message a Model, Modell claude-haiku-4-5, Max Tokens etwa 300.
3. Slack-Node (oder Send Email), um den Antworttext in einen Kanal zu posten.

Im Prompt treffen n8n-Ausdrücke auf Claude. Der POST-Body steht unter $json.body. Das Feld für die Benutzernachricht sieht daher so aus:

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

{{ $json.body.text }}

Legen Sie Anweisungen zu Rolle und Format in das System-Prompt-Feld des Nodes, nicht in die Benutzernachricht. Das System-Prompt bleibt konstant, während sich die Nutzdaten ändern. Das sorgt für ein stabiles Verhalten und macht den Prompt auch sechs Monate später noch verständlich. Testen Sie den Workflow 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..."}'

Die Kosten pro Ausführung mit Haiku liegen bei einer Nutzlast mit 1,200 Tokens plus Prompt bei etwa $0.0012 für die Eingabe. 300 ausgegebene Tokens kosten $0.0015. Das entspricht ungefähr einem Viertel Cent. Bei tausend Ausführungen pro Monat bleiben die Kosten unter $3. Derselbe Node mit Opus 4.8 kostet etwa das Fünffache. Dieses Verhältnis multipliziert mit jedem Workflow, den Sie erstellen, zeigt, warum die Wahl des Modells pro Node wichtig ist.

Workflow 2: Geplante RSS-Verarbeitung in strukturierte Zeilen

Jetzt folgt ein zeitgesteuerter Workflow mit strukturierter Ausgabe: Er liest stündlich einen RSS-Feed ein, klassifiziert jedes Element und hängt Zeilen an ein Tabellenblatt an.

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

Der Structured Output Parser macht aus „Claude, gib bitte JSON zurück“ einen Vertrag statt einer bloßen Hoffnung: Er validiert die Antwort des Modells anhand Ihres Schemas und schlägt für das Element deutlich fehl, anstatt fehlerhafte Zeilen zu schreiben. Ein Schema kann so aussehen:

{
  "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"]
}

Die Eingabeaufforderung der Chain verweist auf das Feed-Element:

Classify this article for a VPS hosting audience.

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

Die Kostenberechnung verändert sich hier: Die Kosten fallen pro Element an, nicht pro Ausführung. Fünfzig Artikel pro Stunde und vierundzwanzig Stunden pro Tag ergeben 36,000 Claude-Aufrufe pro Monat. Mit Haiku kostet das je nach Artikellänge etwa $40–90, mit Opus ungefähr das Fünffache. Entfernen Sie Duplikate vor dem LLM-Knoten, etwa mit einem einfachen IF gegen bereits verarbeitete Links oder mit dem n8n-Knoten Remove Duplicates. Dadurch sinkt die Anzahl deutlich, weil die meisten stündlichen Abfragen nichts Neues enthalten. Das günstigste Token ist der Aufruf, den Sie gar nicht ausführen.

Workflow 3: Ein KI-Agent, der Tools verwendet

Die ersten beiden Workflows sind Pipelines, bei denen Sie die Schritte festlegen. Ein AI Agent-Node kehrt dieses Prinzip um: Sie geben Claude ein Ziel und Tools vor, und er entscheidet, welche Tools er in welcher Reihenfolge aufruft, bis die Aufgabe abgeschlossen ist. n8n benötigt einen Chat-Model-Sub-Node und mindestens einen angehängten Tool-Sub-Node.

Ein konkretes Beispiel ist ein Operations-Assistent, der anhand Ihrer Überwachung die Frage „Was ist ausgefallen und warum?“ beantwortet:

1. Chat Trigger (oder Webhook): Hier geht die Frage ein.
2. AI Agent mit einem Anthropic Chat Model-Sub-Node, der auf claude-sonnet-5 eingestellt ist. Agents planen Tool-Aufrufe und verketten sie. Haiku kann einfache Agents mit einem einzelnen Tool steuern. Sobald mehrere Tools hinzukommen, ist Sonnet jedoch die sinnvolle Untergrenze.
3. Ein HTTP Request-Node, der als Tool angehängt und auf Ihre Uptime-Kuma-Status-API oder Ihren Zabbix-Endpunkt gerichtet wird. Ein zweites HTTP-Tool kann jede andere REST-API abfragen.

Zwei Einstellungen übernehmen den größten Teil der Arbeit. Die System Message des Agents definiert seine Aufgabe: „Sie sind ein Operations-Assistent. Verwenden Sie das Status-Tool, um vor der Antwort den aktuellen Status der überwachten Systeme zu prüfen. Melden Sie nur Systeme, die ausgefallen sind, einschließlich der Ausfalldauer.“ Die Beschreibung jedes Tools ist keine Dokumentation für Menschen. Sie bestimmt, wann Claude das Tool aufruft. „Gibt den aktuellen Up/Down-Status aller überwachten Dienste als JSON zurück“ führt zum richtigen Zeitpunkt zu einem Aufruf. „Status-API“ wird dagegen 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 Eingabe-Token in den Kontext des Modells übernommen und abgerechnet.

Setzen Sie Max Iterations des Agents (Standardwert ist 10) auf die kleinste funktionierende Zahl. Davon hängt ab, ob „der Agent nach 4 Tool-Aufrufen aufgegeben hat“ oder eine Schleife mit einem Dutzend Modellaufrufen entsteht. Beachten Sie auch die Abrechnungsstruktur: Bei jeder Iteration werden die bisherige vollständige Konversation, die Systemnachricht, die Frage und jedes vorherige Tool-Ergebnis erneut als Eingabe-Token gesendet. Ein Agent-Lauf mit sechs Iterationen kann problemlos insgesamt 20,000 Eingabe-Token und 2,000 Ausgabe-Token umfassen: Bei der Einführungspreisgestaltung von Sonnet 5 sind das etwa $0.06, beim Standardpreis von $3/$15 ungefähr $0.09. Rechnen Sie damit, dass ein solcher Lauf etwa das Zwanzigfache eines einfachen Zusammenfassungslaufs kostet. Wenn Sie viele Tools an einen Agent hängen, ist das der Punkt, an dem das Ausführen von MCP-Servern auf Ihrem VPS die sauberere Architektur wird.

Kostenbegrenzungen, weil niemand zusieht

Ein unbeaufsichtigter Workflow benötigt die Kontrollen, die eine Person an der Tastatur automatisch bereitstellt. Es gibt vier Ebenen, beginnend mit der günstigsten.

Max Tokens für jeden Claude-Knoten. Damit wird die maximale Ausgabelänge festgelegt. Ein Zusammenfasser benötigt 300, ein Klassifizierer 100. Das begrenzt den teuren Teil der Abrechnung ($5–$25 pro 1 Million Ausgabetoken gegenüber $1–$5 für Eingabetoken) und dient zugleich als Schutz vor Endlosschleifen: Ein Prompt-Fehler, durch den Claude ausufernd antwortet, kostet 300 statt 8.000 Token.

Modell pro Knoten. Dieser Punkt wurde oben behandelt. Die Modellauswahl kann den Preis innerhalb der aktuellen Produktpalette um das Fünf- bis Zehnfache verändern und ist in zehn Sekunden festgelegt.

Schleifen begrenzen. Verwenden Sie bei Agents die Einstellung Max Iterations. Legen Sie außerdem in den Workflow-Einstellungen ein Workflow-Timeout fest, damit eine blockierte Ausführung beendet wird, statt weiterzulaufen. Seien Sie vorsichtig mit Retry On Fail auf einzelnen Knoten: Für vorübergehende Fehler ist diese Option geeignet, aber Wiederholungen vervielfachen die Kosten. Max Tries mit dem Wert 3 und Wait Between Tries mit dem Wert 5000 ms bedeutet, dass ein dauerhafter Fehler bis zu drei Abrechnungen pro Element verursacht, bevor der Workflow abbricht. Umschließen Sie niemals einen Knoten mit einer Wiederholungslogik, wenn dieser bereits erfolgreich und kostenintensiv ausgeführt wurde.

Ein Error-Workflow als letzte Absicherung. Erstellen Sie einen Workflow, der mit dem Knoten Error Trigger beginnt und den Namen sowie den Fehler des fehlgeschlagenen Workflows an Slack sendet. Legen Sie ihn anschließend in den Einstellungen jedes AI-Workflows als Error Workflow fest. Das fängt den problematischsten Fehlerfall ab: Ein durch einen Zeitplan gestarteter Workflow schlägt bei jeder Ausführung, jede Stunde und eine Woche lang fehl und verbraucht bei jedem Lauf Token, bevor er beendet wird. Kombinieren Sie das mit einem monatlichen Ausgabenlimit in der Anthropic Console und prüfen Sie in den ersten Tagen nach der Aktivierung eines geplanten Workflows die Nutzungsseite der Console. Wenn Sie genau nachvollziehen möchten, wofür Sie bezahlen, analysiert der Leitfaden zur Tokennutzung die Abrechnung.

Fehlerbilder und die angezeigten Meldungen

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

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

Der Key wurde möglicherweise falsch eingefügt, abgeschnitten oder mit nachgestellten Leerzeichen versehen. Es kann auch noch der Platzhalter aus einem Tutorial verwendet werden. Erstellen Sie die n8n-Anmeldedaten neu und fügen Sie den Key erneut ein. Wenn es gestern noch funktioniert hat, prüfen Sie, ob der Key in der Console widerrufen wurde oder ob eine Volume-Wiederherstellung Anmeldedaten zurückgesetzt hat, die mit einem anderen N8N_ENCRYPTION_KEY verschlüsselt wurden.

Ausführungen schlagen in Schüben mit einem 429 rate_limit_error fehl. Die Meldung lautet etwa „Number of request tokens has exceeded your per-minute rate limit.“ Ratenlimits verwenden Zeitfenster von einer Minute. n8n kann sehr einfach fünfzig Webhook- oder RSS-Ausführungen gleichzeitig starten. Beheben Sie das strukturell: Verarbeiten Sie die Elemente nacheinander mit Loop Over Items statt parallel. Aktivieren Sie außerdem Retry On Fail, setzen Sie Max Tries auf 3 und Wait Between Tries auf den Maximalwert von 5000 ms. n8n begrenzt dieses Feld auf 5000 ms. Wenn Sie eine längere Wartezeit benötigen, damit Wiederholungen im nächsten Minutenfenster ausgeführt werden, fügen Sie im Fehlerpfad einen Wait-Node ein oder verarbeiten Sie die Elemente einzeln. Die Antwort enthält einen retry-after-Header mit der exakten Wartezeit. Die feste Wartezeit von n8n kann diesen Header nicht auswerten. Bauen Sie die längere Pause daher selbst ein.

404 not_found_error beim Benennen Ihres Modells. Der Body enthält den Tippfehler:

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

Mögliche Ursachen sind Punkte statt Bindestriche (4.5 statt 4-5), ein Datumssuffix aus einem veralteten Blogbeitrag oder ein ausgemustertes Modell. Vergleichen Sie die ID mit der aktuellen Liste. Dieses Problem tritt häufig auf, wenn Sie den Modellnamen als Ausdruck in das Modellfeld eingeben, statt ihn aus der Dropdown-Liste auszuwählen.

Claude beantwortet eine Frage, die Sie nicht gestellt haben. Es gibt keine Fehlermeldung, und die Ausführung ist erfolgreich. Ein n8n-Ausdruck, der auf ein nicht vorhandenes Feld verweist, beispielsweise {{ $json.body.text }}, obwohl der Payload message verwendet, fügt den Literal-String undefined in Ihren Prompt ein. Claude beantwortet dann den Prompt zu diesem nicht vorhandenen Inhalt. Wenn der referenzierte Node überhaupt nicht ausgeführt wurde, erhalten Sie „Referenced node is unavailable“. Ein fehlendes Feld bleibt dagegen unbemerkt. Führen Sie den Workflow vor der Aktivierung immer einmal mit echten Daten aus und lesen Sie den tatsächlich gerenderten Prompt im Eingabebereich des Nodes. Der Ausdruckseditor zeigt den aufgelösten Wert als Vorschau an. Auch undefined ist dort direkt sichtbar, wenn Sie danach suchen.

FAQ

Wie verbinde ich Claude mit n8n?

Erstellen Sie in der Anthropic Console unter platform.claude.com einen API-Schlüssel. Fügen Sie anschließend in n8n einen Zugangsdaten-Eintrag vom Typ Anthropic hinzu und tragen Sie den Schlüssel in das Feld API Key ein. Jeder Claude-Knoten, der Anthropic-App-Knoten und der Unterknoten Anthropic Chat Model verwenden diese gespeicherten Zugangsdaten. n8n verschlüsselt sie mit N8N_ENCRYPTION_KEY. Sichern Sie diesen Schlüssel, da Ihre Zugangsdaten zusammen mit dem Volume verloren gehen.

Was kostet ein KI-Workflow pro Ausführung?

Schätzen Sie zunächst die Token-Anzahl pro Ausführung. Multiplizieren Sie sie anschließend mit den Preisen des Modells pro 1 Million Token. Im Juli 2026 kostet Haiku 4.5 $1/$5 pro 1 Million Input-/Output-Token. Sonnet 5 kostet $3/$15; bis August 2026 gilt ein Einführungspreis von $2/$10. Eine Webhook-Zusammenfassung mit Haiku kostet etwa ein Viertel Cent. Eine Agent-Ausführung mit Sonnet und mehreren Tool-Aufrufen kostet eher $0.06–$0.10, da bei jeder Iteration die gesamte bisherige Konversation erneut als Eingabe gesendet wird. Prüfen Sie die Ausführung auf der Nutzungsseite der Console, statt sich auf Schätzungen zu verlassen.

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

Verwenden Sie Haiku 4.5 für Klassifizierung, Extraktion, Zusammenfassungen und Routing sowie für Aufgaben mit hohem Volumen, bei denen Geschwindigkeit und Preis entscheidend sind. Verwenden Sie Sonnet 5 für AI Agent-Knoten und mehrstufige Schlussfolgerungen. Verwenden Sie Opus 4.8 nur dann, wenn eine falsche Antwort teuer genug wäre, um den Listenpreis von $5/$25 zu rechtfertigen. Das ist der fünffache Preis von Haiku und etwas weniger als das Doppelte von Sonnet. Legen Sie das Modell pro Knoten fest, nicht pro Workflow. Ein Workflow kann alle drei Modelle kombinieren.

Wie verhindere ich, dass ein n8n-Workflow zu viel für die Claude API ausgibt?

Setzen Sie mehrere Schutzmechanismen ein: einen niedrigen Wert für Max Tokens in jedem Claude-Knoten, Max Iterations für Agents, ein Workflow-Timeout und konservative Einstellungen für Retry On Fail, damit Fehler die Token-Ausgaben nicht vervielfachen. Fügen Sie anschließend einen Error Trigger-Workflow hinzu, der Sie in Slack benachrichtigt, wenn ein KI-Workflow fehlschlägt. Legen Sie außerdem in der Anthropic Console ein monatliches Ausgabenlimit als harte Obergrenze fest, die nichts auf dem VPS überschreiben kann.

Kosten Tool-Aufrufe eines AI Agent zusätzliche Gebühren?

Es gibt keine separate Tool-Gebühr. Tools sind jedoch nicht kostenlos: Jedes Tool-Ergebnis wird dem Modell als Input-Token zurückgegeben. Bei jeder Agent-Iteration wird außerdem die gesamte bisherige Konversation erneut gesendet. Eine ausführliche API-Antwort, die ungefiltert weitergereicht wird, kann Ihren eigentlichen Prompt deutlich übersteigen. Aktivieren Sie bei HTTP Request-Tools Optimize Response und geben Sie nur die Felder zurück, die der Agent benötigt.