Claude और n8n को VPS पर कैसे जोड़ें

आप क्या बना रहे हैं

आपके द्वारा पहले से चलाए जा रहे n8n instance पर तीन काम करने वाले AI workflows: एक webhook जो किसी भी इनपुट का सारांश (summary) बनाता है, एक scheduled feed-reader जो articles को structured spreadsheet rows में बदल देता है, और एक AI Agent जो सवालों के जवाब देने के लिए अपने आप एक HTTP API को कॉल करता है। यह calling the Claude API from Python on your VPS का no-code विकल्प है — API वही है, tokens वही हैं, bill भी वही है, लेकिन orchestration script के बजाय n8n nodes में होता है।

मैं मानकर चल रहा हूँ कि self-hosted n8n on Docker guide के अनुसार n8n पहले से ही HTTPS के पीछे चल रहा है। यदि नहीं, तो पहले वह करें — webhooks को एक वास्तविक TLS endpoint की आवश्यकता होती है, और जिस credential store में आप API key रखने वाले हैं, उसे उस encryption-key backup की आवश्यकता होती है जिसके बारे में वह guide बताती है।

यहाँ दिलचस्प समस्याएँ drag-and-drop नहीं हैं। वे प्रत्येक node के लिए model selection, prompt fields जो चुपचाप undefined को interpolate करते हैं, और यह तथ्य है कि एक automation बिना किसी देखरेख के चलता है — एक workflow जिसकी लागत प्रति run आधा cent है, वह तब तक सस्ता है जब तक कि एक retry loop इसे रात भर में चार हजार बार न चला दे। इस guide का अधिकांश हिस्सा इन्हीं के बारे में है।

एक credential, जिसे आपके द्वारा बैकअप की गई key से encrypt किया गया है

platform.claude.com पर Anthropic Console से एक API key प्राप्त करें — Settings, फिर API Keys, और फिर n8n-vps जैसा कुछ नाम रखकर एक key बनाएँ। यह केवल एक बार दिखाई देती है। account को fund करें या billing सेटअप करें; API usage pay-per-token है और किसी भी Claude.ai subscription से पूरी तरह अलग है।

n8n में: Credentials, Create credential, Anthropic चुनें, key को API Key field में paste करें, और save करें। प्रत्येक workflow में प्रत्येक Claude node इसी एक stored credential को reference करता है — आप key को कभी भी node में paste नहीं करते हैं।

दो operational notes. पहला, n8n stored credentials को N8N_ENCRYPTION_KEY के साथ encrypt करता है। यदि आप n8n guide के अनुसार अपने compose file में उस env var को स्पष्ट रूप से सेट करते हैं, तो आपका credential container rebuilds के दौरान सुरक्षित रहता है; यदि आप n8n को एक key generate करने देते हैं और फिर volume खो देते हैं, तो प्रत्येक stored credential — इस key सहित — unrecoverable ciphertext बन जाता है। यदि आपने इसे skip किया है, तो अभी key का backup लें। दूसरा, n8n credential store को blast radius की तरह मानें: आपके instance पर जो कोई भी workflows को edit कर सकता है, वह आपकी Anthropic key के साथ requests कर सकता है। Console में Settings के तहत एक spend limit सेट करें ताकि कोई compromised या runaway instance एक सीमा (ceiling) के भीतर रहे।

Model choice प्रत्येक node के लिए एक निर्णय है

n8n के Claude nodes में model dropdown सीधे API से आता है, इसलिए यह दिखाता है कि आपकी key क्या access कर सकती है। July 2026 तक, lineup और प्रति million input/output tokens API pricing इस प्रकार है: Claude Haiku 4.5 (claude-haiku-4-5) $1/$5 के साथ (200K context window), Claude Sonnet 5 (claude-sonnet-5) $3/$15 पर — 31 August, 2026 तक introductory $2/$10 — और Claude Opus 4.8 (claude-opus-4-8) $5/$25 पर, दोनों 1M-token context windows के साथ। जटिल reasoning work के लिए Claude Fable 5 (claude-fable-5) भी है $10/$50 पर; इस guide में किसी भी चीज़ को इसकी आवश्यकता नहीं है। इन सटीक IDs का उपयोग करें — किसी पुराने tutorial से याद किया गया date-suffixed variant 404 error देगा, और कीमतें बदलती रहती हैं, इसलिए यहाँ सहित कहीं भी पढ़ी गई किसी भी संख्या पर भरोसा करने से पहले platform.claude.com चेक करें।

बनाने वाली आदत: प्रत्येक node के लिए model चुनें, न कि पूरे platform के लिए। Classification, extraction, summarization, routing — automation की बुनियादी चीज़ें — Haiku पर Sonnet की list price के एक तिहाई और Opus के पांचवें हिस्से पर बेहतरीन तरीके से चलती हैं। Sonnet को agents और multi-step reasoning के लिए reserve रखें, और Opus को उस दुर्लभ workflow के लिए जहाँ गलत जवाब की कीमत tokens से अधिक हो। पाँच Claude nodes वाले workflow में models का मिश्रण हो सकता है और होना चाहिए।

दो Claude nodes, और कहाँ किसका उपयोग करें

n8n दो अलग-अलग Anthropic integrations प्रदान करता है, और गलत चुनाव करना beginners के लिए सबसे आम गलती है।

Anthropic node एक regular app node है: एक request अंदर, एक response बाहर। इसके Text resource में एक Message a Model operation होता है, साथ ही images और documents को analyze करने के लिए operations होते हैं। इसका उपयोग तब करें जब workflow logic n8n में हो — trigger, Claude call, अगला node। नीचे दिए गए Workflow 1 और 2 इसका या इसके chain equivalent का उपयोग करते हैं।

Anthropic Chat Model node एक sub-node है — एक छोटा attachment जो AI Agent या Basic LLM Chain जैसे root node को model प्रदान करता है। इसका अपना कोई trigger या output नहीं होता; यह model picker के साथ-साथ Maximum Number of Tokens और Sampling Temperature जैसे sampling options प्रदान करता है। n8n docs से एक बात याद रखना ज़रूरी है: sub-nodes के अंदर के expressions हमेशा पहले input item के विरुद्ध resolve होते हैं, न कि प्रत्येक item के विरुद्ध — per-item expressions को root node के prompt fields में रखें, sub-node में नहीं।

Workflow 1: webhook in, summary out

AI automation का hello-world: किसी भी URL पर POST किए गए डेटा का सारांश बनाया जाता है और वह Slack या आपके inbox में पहुँच जाता है।

1. Webhook node — HTTP Method POST, path summarize। n8n आपको एक test URL और एक production URL देता है; production वाला तभी listen करता है जब workflow active हो।
2. Anthropic node — Message a Model, model claude-haiku-4-5, Max Tokens लगभग 300।
3. Slack node (या Send Email) — response text को एक channel में post करें।

Prompt वह जगह है जहाँ n8n expressions Claude से मिलते हैं। एक POST body $json.body के अंतर्गत आती है, इसलिए user message field ऐसा दिखेगा:

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

{{ $json.body.text }}

Role और format instructions को node के system prompt field में रखें, न कि user message में — system prompt constant रहता है जबकि payload बदलता है, जिससे behavior stable रहता है और छह महीने बाद भी prompt पढ़ने में आसानी होती है। इसे स्वयं VPS से test करें:

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 पर per-run cost: 1,200-token payload plus prompt लगभग $0.0012 है, 300 tokens out $0.0015 है — लगभग एक quarter cent। महीने में एक हज़ार runs $3 से कम हैं। Opus 4.8 पर वही node लगभग पाँच गुना है। यह ratio, आपके द्वारा बनाए गए प्रत्येक workflow के साथ गुणा करने पर, बताता है कि per-node model की आदत क्यों ज़रूरी है।

Workflow 2: scheduled RSS to structured rows

अब एक clock पर आधारित, structured output के साथ: हर घंटे RSS feed पढ़ें, प्रत्येक item को classify करें, और एक sheet में rows append करें।

1. Schedule Trigger — हर घंटे।
2. RSS Read — feed URL। प्रत्येक article के लिए एक item output करता है।
3. Basic LLM Chain — claude-haiku-4-5 पर सेट किए गए Anthropic Chat Model sub-node के साथ, और एक JSON schema वाले Structured Output Parser sub-node के साथ।
4. Google Sheets (या Postgres) — प्रत्येक item के लिए एक row append करें।

Structured Output Parser वह चीज़ है जो "Claude, please return JSON" को एक उम्मीद से बदलकर एक contract बना देती है: यह model के reply को आपके schema के विरुद्ध validate करता है और garbage rows लिखने के बजाय item को error के साथ fail कर देता है। एक schema ऐसा होगा:

{
  "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"]
}

और chain का prompt feed item को reference करता है:

Classify this article for a VPS hosting audience.

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

यहाँ cost math बदल जाता है: यह per-item है, न कि per-run। हर घंटे पचास articles, चौबीस घंटे, महीने में 36,000 Claude calls हैं — Haiku पर article length के आधार पर शायद $40–90, Opus पर लगभग पाँच गुना। LLM node से पहले deduplicate करें (पहले से देखे गए links के विरुद्ध एक सरल IF, या n8n का Remove Duplicates node) और संख्या कम हो जाएगी, क्योंकि अधिकांश hourly polls में कुछ भी नया नहीं होता है। सबसे सस्ता token वह call है जो आप कभी नहीं करते।

Workflow 3: एक AI Agent जो tools का उपयोग करता है

पहले दो workflows pipelines हैं — आप steps तय करते हैं। एक AI Agent node इसे उल्टा कर देता है: आप Claude को एक लक्ष्य और tools देते हैं, और वह तय करता है कि कौन से tools को किस क्रम में call करना है, जब तक कि वह काम पूरा न कर ले। n8n को एक chat model sub-node और कम से कम एक tool sub-node के attachment की आवश्यकता होती है।

एक ठोस build — एक ops assistant जो आपके monitoring से "क्या down है और क्यों" का जवाब देता है:

1. Chat Trigger (या webhook) — सवाल आता है।
2. AI Agent — claude-sonnet-5 पर सेट किए गए Anthropic Chat Model sub-node के साथ। Agents tool calls को plan और chain करते हैं; Haiku सरल single-tool agents चला सकता है, लेकिन tools बढ़ने पर Sonnet एक समझदारी भरा floor है।
3. HTTP Request node जो एक tool के रूप में attached है — आपके Uptime Kuma status API या Zabbix endpoint पर pointed है। एक दूसरा HTTP tool किसी भी अन्य REST API पर hit कर सकता है।

दो settings अधिकांश काम करती हैं। Agent का System Message काम को परिभाषित करता है: "You are an ops assistant. Use the status tool to check current monitor state before answering. Report only monitors that are down, with duration." और प्रत्येक tool का description इंसानों के लिए documentation नहीं है — यह वह तरीका है जिससे Claude तय करता है कि उसे कब call करना है। "Returns current up/down state for all monitored services as JSON" सही समय पर call किया जाता है; "status API" को ignore कर दिया जाता है या गलत तरीके से उपयोग किया जाता है। जब आप HTTP Request node को एक tool के रूप में attach करते हैं, तो उसका Optimize Response option enable करें और उन JSON fields को चुनें जो ज़रूरी हैं — अन्यथा हर verbose API response, input tokens के रूप में जिसे आप pay करते हैं, model के context में डाल दिया जाता है।

Agent पर Max Iterations (default 10 है) को सबसे छोटे नंबर पर सेट करें जो काम करता हो — यह "agent ने 4 tool calls के बाद हार मान ली" और एक दर्जन model round-trips के loop के बीच का अंतर है। और billing shape को समझें: प्रत्येक iteration अब तक की पूरी conversation को re-send करता है — system message, question, प्रत्येक पिछला tool result — input tokens के रूप में। एक छह-iteration agent run आसानी से कुल 20,000 cumulative input tokens और 2,000 output तक पहुँच सकता है: Sonnet 5 की introductory pricing पर लगभग $0.06, standard $3/$15 पर लगभग $0.09 — इसे एक साधारण summarization run के बीस बार के बराबर समझें। यदि आप एक ही agent पर कई tools जोड़ रहे हैं, तो वह वह बिंदु है जहाँ running MCP servers on your VPS एक cleaner architecture बन जाता है।

Cost guardrails, क्योंकि कोई देख नहीं रहा है

एक unattended workflow को उन controls की आवश्यकता होती है जो एक keyboard पर बैठा इंसान implicitly प्रदान करता है। चार layers, सबसे सस्ते से शुरू करते हुए।

प्रत्येक Claude node पर Max Tokens। यह एक hard output cap है। एक summarizer को 300 चाहिए, एक classifier को 100। यह ledger के महंगे हिस्से को सीमित करता है ($5–$25 per million output tokens बनाम $1–$5 input के लिए) और एक runaway brake के रूप में भी काम करता है — एक prompt bug जो Claude को rambling करने पर मजबूर करता है, 300 tokens खर्च करता है, 8,000 नहीं।

Per node Model। ऊपर चर्चा की गई; यह वर्तमान lineup में five-to-tenfold price lever है और इसे सेट करने में दस सेकंड लगते हैं।

Loops को सीमित करें। Agents पर Max Iterations। workflow settings में एक workflow timeout ताकि फँसा हुआ execution spinning के बजाय मर जाए। और Retry On Fail के साथ सावधान रहें: यह transient errors के लिए सही tool है, लेकिन retries cost को बढ़ा देते हैं — 5000 ms के Wait Between Tries के साथ Max Tries 3 का मतलब है कि एक persistent failure हार मानने से पहले आपको प्रति item तीन बार बिल करता है। कभी भी उस node के चारों ओर retry wrap न करें जो पहले ही महंगे तरीके से सफल हो चुका है।

एक error workflow एक backstop के रूप में। एक workflow बनाएँ जो Error Trigger node से शुरू होता हो जो failed workflow का नाम और error Slack पर post करता है, फिर इसे प्रत्येक AI workflow की settings में Error Workflow के रूप में सेट करें। यह जिस failure mode को पकड़ता है वह बुरा वाला है: एक schedule-triggered workflow का हर घंटे, हर run पर error होना, एक हफ्ते तक — प्रत्येक run मरने से पहले tokens जलाता है। इसे Anthropic Console में एक monthly spend limit के साथ जोड़ें और किसी भी scheduled चीज़ को activate करने के बाद पहले कुछ दिनों तक Console का usage page चेक करें। यदि आप ठीक से समझना चाहते हैं कि आपको किस चीज़ के लिए बिल किया जा रहा है, तो the token-usage guide इसे dissect करता है।

Failure modes, उन strings के साथ जो आप देखेंगे

Node तुरंत "Authorization failed - please check your credentials" के साथ fail होता है। API ने 401 return किया। underlying body यह है:

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

एक गलत paste की गई key — truncated, trailing whitespace, या tutorial से लिया गया placeholder। n8n credential को फिर से बनाएँ और फिर से paste करें; यदि यह कल काम कर रहा था, तो चेक करें कि क्या key Console में revoke कर दी गई है या क्या volume restore ने एक अलग N8N_ENCRYPTION_KEY से encrypt किए गए credential पर rollback कर दिया है।

Executions 429 rate_limit_error के साथ bursts में fail होते हैं, संदेश कुछ इस तरह: "Number of request tokens has exceeded your per-minute rate limit." Rate limits per-minute buckets होते हैं, और n8n एक साथ पचास webhook या RSS executions चलाना बहुत आसान बना देता है। इसे structurally ठीक करें: parallel के बजाय sequence में items को process करें (Loop Over Items), और Max Tries 3 और Wait Between Tries 5000 ms के साथ Retry On Fail सेट करें — n8n उस field को 5000 ms पर cap करता है। जब आपको लंबे backoff की आवश्यकता हो ताकि retries अगले minute window में पहुँचें, तो error path में एक Wait node रखें या items को एक-एक करके process करें। response में एक retry-after header होता है जो आपको बताता है कि कितना इंतज़ार करना है — n8n का fixed wait इसे नहीं पढ़ सकता, इसलिए लंबा pause स्वयं बनाएँ।

404 not_found_error आपके model का नाम होने पर। body typo को echo करती है:

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

Hyphens के बजाय dots (4.5 के लिए 4-5), किसी पुराने blog post से date suffix, या एक retired model। वर्तमान list के विरुद्ध ID ठीक करें — यह उन लोगों को परेशान करता है जो dropdown से चुनने के बजाय model field में expression के रूप में टाइप करते हैं।

Claude उस सवाल का जवाब देता है जो आपने नहीं पूछा। कहीं भी कोई error नहीं — run green है। एक n8n expression जो missing field को reference करता है, जैसे कि जब payload में message था और {{ $json.body.text }} का उपयोग किया गया था, वह आपके prompt में literal string undefined को interpolate करता है, और Claude बिना किसी चीज़ के prompt का जवाब देने की कोशिश करता है। यदि referenced node बिल्कुल execute नहीं हुआ तो आपको "Referenced node is unavailable" मिलेगा, लेकिन एक missing field silent होता है। Activate करने से पहले, हमेशा real data के साथ एक बार run करें और node के input panel में वास्तविक rendered prompt पढ़ें — expression editor resolved value का preview देता है, और undefined वहीं है यदि आप देखें।

FAQ

मैं Claude को n8n से कैसे कनेक्ट करूँ?

Anthropic Console में platform.claude.com पर एक API key बनाएँ, फिर n8n में Anthropic type का credential जोड़ें और उसे API Key field में paste करें। प्रत्येक Claude node — Anthropic app node और Anthropic Chat Model sub-node — उसी stored credential को reference करता है। n8n इसे N8N_ENCRYPTION_KEY के साथ encrypt करता है, इसलिए उस key का backup लें वरना आपके credentials volume के साथ खो जाएंगे।

एक run पर AI workflow की लागत क्या होती है?

प्रति run tokens का अनुमान लगाएं, फिर उन्हें model के per-million prices से गुणा करें — July 2026 तक, Haiku 4.5 $1/$5 है प्रति million input/output tokens और Sonnet 5 $3/$15 है ($2/$10 introductory August 2026 तक)। Haiku पर एक webhook summarization लगभग एक quarter cent है; Sonnet पर एक agent run जिसमें कई tool calls हैं, लगभग $0.06–$0.10 के करीब पहुँचता है क्योंकि प्रत्येक iteration पूरी conversation को input tokens के रूप में re-send करता है। अनुमानों पर भरोसा करने के बजाय Console के usage page में run को verify करें।

मुझे n8n automations के लिए कौन सा Claude model उपयोग करना चाहिए?

Classification, extraction, summarization, और routing के लिए Haiku 4.5 — high-volume work जहाँ speed और price हावी होते हैं। AI Agent nodes और multi-step reasoning के लिए Sonnet 5। Opus 4.8 केवल वहाँ जहाँ गलत जवाब इतना महंगा है कि उसके $5/$25 list price को justify किया जा सके — Haiku से पांच गुना, Sonnet से थोड़ा कम दोगुना। Model को प्रत्येक node के लिए सेट करें, न कि पूरे workflow के लिए — एक workflow में तीनों का मिश्रण हो सकता है।

मैं Claude API पर n8n workflow को overspending करने से कैसे रोकूँ?

Guardrails की layers बनाएँ: प्रत्येक Claude node पर कम Max Tokens, agents पर Max Iterations, एक workflow timeout, और conservative Retry On Fail settings ताकि failures token spend को न बढ़ाएं। फिर एक Error Trigger workflow जोड़ें जो आपको Slack में alert करे जब कोई AI workflow fail होता है, और Anthropic Console में एक monthly spend limit सेट करें जो एक hard ceiling हो जिसे VPS पर कुछ भी override न कर सके।

क्या AI Agent tool calls के लिए extra cost लगता है?

कोई अलग tool fee नहीं है, लेकिन tools मुफ्त नहीं हैं: प्रत्येक tool result को model को input tokens के रूप में वापस भेजा जाता है, और प्रत्येक agent iteration अब तक की पूरी conversation को re-send करता है। एक unfiltered API response जो tool के माध्यम से आता है, आपके वास्तविक prompt से कहीं अधिक बड़ा हो सकता है — HTTP Request tools पर Optimize Response enable करें और केवल वे fields return करें जिनकी agent को आवश्यकता है।