Claude आणि n8n वापरून AI workflows कसे बनवायचे

तुम्ही काय तयार करत आहात

तुम्ही आधीच चालवत असलेल्या n8n instance वर तीन कार्यरत AI workflows: एक webhook जो तुम्ही दिलेल्या कोणत्याही माहितीचा सारांश (summary) काढतो, एक scheduled feed-reader जो लेखांचे (articles) रूपांतर structured spreadsheet rows मध्ये करतो, आणि एक AI Agent जो प्रश्नांची उत्तरे देण्यासाठी स्वतःहून HTTP API कॉल करतो. हे calling the Claude API from Python on your VPS चे no-code प्रतिरूप आहे — API तेच आहे, tokens तेच आहेत, बिलही तेच आहे, पण orchestration script ऐवजी n8n nodes मध्ये असते.

मी असे गृहीत धरतो की self-hosted n8n on Docker guide नुसार n8n आधीच HTTPS वर सुरू आहे. जर नसेल, तर आधी ते करा — webhooks साठी खऱ्या TLS endpoint ची आवश्यकता असते, आणि तुम्ही ज्या credential store मध्ये API key ठेवणार आहात, त्याला त्या guide मध्ये सांगितल्याप्रमाणे encryption-key backup ची गरज असते.

येथे आव्हाने केवळ drag-and-drop करणे ही नाहीत. आव्हाने म्हणजे प्रत्येक node साठी योग्य model निवडणे, undefined silently interpolate करणारी prompt fields, आणि automation आपोआप चालते ही वस्तुस्थिती — एक workflow ज्याचा खर्च प्रति run अर्धा सेंट आहे, तो स्वस्त असतो जोपर्यंत retry loop रात्रीतून तो चार हजार वेळा चालत नाही. या guide चा बराचसा भाग याबद्दल आहे.

एक credential, तुमच्या backup केलेल्या key ने encrypted केलेले

platform.claude.com वर Anthropic Console मधून API key मिळवा — Settings, मग API Keys, आणि n8n-vps सारखे नाव असलेली key तयार करा. ती फक्त एकदाच दाखवली जाते. खाते fund करा किंवा billing सेट करा; API usage हे pay-per-token असते आणि ते Claude.ai subscription पासून पूर्णपणे वेगळे आहे.

n8n मध्ये: Credentials, Create credential, Anthropic निवडा, key API Key field मध्ये paste करा, आणि save करा. प्रत्येक workflow मधील प्रत्येक Claude node या एकाच stored credential चा संदर्भ घेतो — तुम्हाला कधीही node मध्ये key paste करण्याची गरज नसते.

दोन operational notes. पहिली, n8n stored credentials N8N_ENCRYPTION_KEY ने encrypt करते. जर तुम्ही n8n guide नुसार तुमच्या compose file मध्ये ते env var स्पष्टपणे सेट केले, तर तुमचे credential container rebuild झाल्यावरही सुरक्षित राहते; जर तुम्ही n8n ला ते generate करू दिले आणि नंतर volume गमावले, तर प्रत्येक stored credential — या key सह — unrecoverable ciphertext असेल. जर तुम्ही ते skip केले असेल, तर आताच key चा backup घ्या. दुसरी, n8n credential store ला 'blast radius' प्रमाणे पहा: तुमच्या instance वर workflows edit करू शकणारा कोणीही तुमच्या Anthropic key ने requests करू शकतो. Console मध्ये Settings अंतर्गत खर्च मर्यादा (spend limit) सेट करा जेणेकरून compromised किंवा runaway instance वर मर्यादा राहील.

Model निवड हा प्रत्येक node साठीचा निर्णय आहे

n8n च्या Claude nodes मधील model dropdown थेट API मधून घेतला जातो, त्यामुळे तुमच्या key ला कशाचा access आहे ते तिथे दिसते. July 2026 पर्यंत, lineup आणि API pricing (per million input/output tokens) खालीलप्रमाणे आहे: Claude Haiku 4.5 (claude-haiku-4-5) $1/$5 सह (200K context window), Claude Sonnet 5 (claude-sonnet-5) $3/$15 — 31 August 2026 पर्यंत introductory $2/$10 — आणि Claude Opus 4.8 (claude-opus-4-8) $5/$25, दोन्ही 1M-token context windows सह. कठीण reasoning कामांसाठी Claude Fable 5 (claude-fable-5) $10/$50 वर देखील उपलब्ध आहे; या guide मध्ये कशासाठीही त्याची गरज नाही. हेच exact IDs वापरा — जुन्या tutorial मधून लक्षात राहिलेले date-suffixed variant 404 error देईल, आणि किमती बदलतात, म्हणून कोणत्याही आकड्यावर विश्वास ठेवण्यापूर्वी platform.claude.com तपासा, येथेही.

ही सवय लावा: प्रत्येक node साठी model निवडा, संपूर्ण platform साठी नाही. Classification, extraction, summarization, routing — automation चे मुख्य भाग — Haiku वर Sonnet च्या list price च्या एक तृतीयांश आणि Opus च्या पाचव्या भागात उत्तम चालतात. Sonnet चा वापर agents आणि multi-step reasoning साठी राखून ठेवा, आणि Opus चा वापर फक्त अशा दुर्मिळ workflow साठी करा जिथे चुकीच्या उत्तराचा खर्च tokens पेक्षा जास्त असतो. पाच Claude nodes असलेल्या workflow मध्ये models मिक्स केले जाऊ शकतात आणि ते केले पाहिजे.

दोन Claude nodes, आणि ते कुठे वापरावे

n8n मध्ये दोन वेगळे Anthropic integrations आहेत, आणि चुकीचे निवडणे ही नवशिक्यांची सर्वात सामान्य चूक आहे.

Anthropic node हा एक regular app node आहे: एक request in, एक response out. त्याच्या Text resource मध्ये Message a Model operation आहे, तसेच images आणि documents विश्लेषणासाठी operations आहेत. जेव्हा workflow logic n8n मध्ये असते — trigger, Claude call, पुढचा node — तेव्हा याचा वापर करा. खालील Workflow 1 आणि 2 मध्ये याचा किंवा त्याच्या chain equivalent चा वापर केला आहे.

Anthropic Chat Model node हा एक sub-node आहे — एक लहान attachment जो AI Agent किंवा Basic LLM Chain सारख्या root node ला model पुरवतो. त्याला स्वतःचा कोणताही trigger किंवा output नसतो; तो model picker आणि Maximum Number of Tokens आणि Sampling Temperature सारखे sampling options प्रदान करतो. n8n docs मधील एक महत्त्वाची टीप लक्षात ठेवा: sub-nodes मधील expressions नेहमी पहिल्या input item साठी resolve होतात, प्रत्येक item साठी नाही — प्रति-item expressions root node च्या prompt fields मध्ये टाका, sub-node मध्ये नाही.

Workflow 1: webhook in, summary out

AI automation चे hello-world: URL वर POST केलेली कोणतीही माहिती summary मध्ये रूपांतरित होऊन Slack किंवा तुमच्या inbox मध्ये येते.

1. Webhook node — HTTP Method POST, path summarize. n8n तुम्हाला एक test URL आणि एक production URL देते; production URL फक्त workflow active झाल्यावरच काम करते.
2. Anthropic node — Message a Model, model claude-haiku-4-5, Max Tokens साधारण 300.
3. Slack node (किंवा Send Email) — response text एका channel वर post करा.

Prompt म्हणजे अशी जागा जिथे n8n expressions Claude ला भेटतात. POST body $json.body अंतर्गत येते, त्यामुळे user message field असे दिसेल:

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

{{ $json.body.text }}

Role आणि format instructions node च्या system prompt field मध्ये टाका, user message मध्ये नाही — payload बदलत असताना system prompt स्थिर राहतो, ज्यामुळे behavior stable राहते आणि सहा महिन्यांनंतर prompt वाचनीय राहतो. VPS मधूनच ते test करा:

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 वरील प्रति-run खर्च: 1,200-token payload plus prompt म्हणजे साधारण $0.0012 in, 300 tokens out म्हणजे $0.0015 — साधारण एक चतुर्थांश सेंट. महिन्यात एक हजार runs म्हणजे $3 पेक्षा कमी. Opus 4.8 वापरल्यास तो खर्च पाच पटीने वाढतो. हा ratio, तुम्ही तयार केलेल्या प्रत्येक workflow मध्ये गुणल्यास, तुम्हाला समजेल की प्रति-node model निवडणे का महत्त्वाचे आहे.

Workflow 2: scheduled RSS to structured rows

आता वेळेनुसार चालणारे (scheduled), structured output असलेले काहीतरी: दर तासाला RSS feed वाचा, प्रत्येक item classify करा, आणि sheet मध्ये rows append करा.

1. Schedule Trigger — दर तासाला.
2. RSS Read — feed URL. प्रत्येक article साठी एक item output करते.
3. Basic LLM Chain — claude-haiku-4-5 साठी सेट केलेल्या Anthropic Chat Model sub-node सह, आणि JSON schema असलेल्या Structured Output Parser sub-node सह.
4. Google Sheets (किंवा Postgres) — प्रत्येक item साठी एक row append करा.

Structured Output Parser मुळे "Claude, please return JSON" ही केवळ एक इच्छा न राहता एक करार (contract) बनते: ते model च्या reply ला तुमच्या schema नुसार validate करते आणि चुकीचे rows लिहिण्याऐवजी item fail करते. schema असे असू शकते:

{
  "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"]
}

आणि chain चा prompt feed item चा संदर्भ घेतो:

Classify this article for a VPS hosting audience.

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

येथे खर्चाचे गणित बदलते: हे प्रति-item आहे, प्रति-run नाही. तासाला पन्नास articles, दिवसाला 24 तास, म्हणजे महिन्यात 36,000 Claude calls — Haiku वर article च्या लांबीनुसार कदाचित $40–90, Opus वर त्यापेक्षा साधारण पाच पटीने जास्त. LLM node च्या आधी deduplicate करा (आधी पाहिलेल्या links विरुद्ध साधा IF, किंवा n8n चा Remove Duplicates node) आणि संख्या कमी होईल, कारण बहुतेक तासाच्या polls मध्ये काहीच नवीन नसते. सर्वात स्वस्त token म्हणजे तो call जो तुम्ही कधीच करत नाही.

Workflow 3: एक AI Agent जो tools वापरतो

पहिले दोन workflows pipelines आहेत — तुम्ही पायऱ्या ठरवता. AI Agent node ते उलट करते: तुम्ही Claude ला एक ध्येय आणि tools देता, आणि तो कोणते tools, कोणत्या क्रमाने वापरायचे हे ठरवतो. n8n ला एक chat model sub-node आणि किमान एक tool sub-node जोडणे आवश्यक आहे.

एक प्रत्यक्ष उदाहरण — तुमच्या monitoring मधून "काय बंद आहे आणि का" याचे उत्तर देणारा ops assistant:

1. Chat Trigger (किंवा webhook) — प्रश्न येतो.
2. AI Agent — claude-sonnet-5 साठी सेट केलेल्या Anthropic Chat Model sub-node सह. Agents tool calls plan आणि chain करतात; Haiku साध्या single-tool agents साठी वापरता येतो, पण tools वाढल्यावर Sonnet वापरणे योग्य ठरते.
3. HTTP Request node — एक tool म्हणून जोडलेला — तुमच्या Uptime Kuma status API किंवा Zabbix endpoint कडे निर्देशित. दुसरे HTTP tool REST API असलेले काहीही करू शकते.

दोन settings प्रामुख्याने काम करतात. Agent चा System Message काम परिभाषित करतो: "You are an ops assistant. Use the status tool to check current monitor state before answering. Report only monitors that are down, with duration." आणि प्रत्येक tool चे description मानवांसाठीचे documentation नसते — Claude ने कधी tool वापरायचे हे त्यावरून ठरते. "Returns current up/down state for all monitored services as JSON" हे योग्य वेळी कॉल केले जाते; "status API" दुर्लक्षित केले जाते किंवा चुकीच्या पद्धतीने वापरले जाते. जेव्हा तुम्ही HTTP Request node tool म्हणून जोडता, तेव्हा त्याची Optimize Response option enable करा आणि महत्त्वाचे JSON fields निवडा — अन्यथा प्रत्येक मोठा API response input tokens म्हणून model च्या context मध्ये जातो, ज्यासाठी तुम्हाला पैसे द्यावे लागतात.

Agent वर Max Iterations (default 10) सर्वात कमी शक्य संख्येवर सेट करा — "agent ने 4 tool calls नंतर हार मानली" आणि "एक डझन model round-trips चा loop" यातील हा फरक आहे. आणि billing structure समजून घ्या: प्रत्येक iteration आतापर्यंतची संपूर्ण conversation — system message, प्रश्न, प्रत्येक मागील tool result — input tokens म्हणून पुन्हा पाठवते. सहा-iteration वाला agent run सहजपणे 20,000 cumulative input tokens आणि 2,000 output tokens पर्यंत पोहोचू शकतो: Sonnet 5 च्या introductory pricing वर साधारण $0.06, आणि standard $3/$15 वर साधारण $0.09 — म्हणजेच एका साध्या summarization run च्या वीस वेळा. जर तुम्ही एकाच agent ला अनेक tools जोडत असाल, तर running MCP servers on your VPS ही अधिक स्वच्छ architecture ठरेल.

Cost guardrails, कारण कोणीही पाहत नाहीये

Unattended workflow ला मानवी नियंत्रणाची आवश्यकता असते. चार स्तर, सर्वात स्वस्त पासून:

प्रत्येक Claude node वर Max Tokens. हा एक hard output cap आहे. summarizer ला 300 लागतात, classifier ला 100. यामुळे खर्चाची बाजू मर्यादित राहते ($5–$25 प्रति million output tokens विरुद्ध $1–$5 input साठी) आणि हे runaway brake म्हणूनही काम करते — Claude ने विनाकारण बोलल्यामुळे (ramble) 300 tokens खर्च होतात, 8,000 नाही.

प्रत्येक node साठी Model. वर चर्चा केली आहे; सध्याच्या lineup मध्ये हा पाच ते दहा पटीने किमतीवर नियंत्रण ठेवण्याचा मार्ग आहे आणि तो सेट करायला फक्त 10 सेकंद लागतात.

Loops मर्यादित करा. Agents वर Max Iterations. workflow settings मध्ये workflow timeout, जेणेकरून अडकलेली execution चालू राहण्याऐवजी बंद होईल. आणि Retry On Fail वापरताना काळजी घ्या: हे transient errors साठी योग्य साधन आहे, पण retries खर्च वाढवतात — Max Tries 3 आणि Wait Between Tries 5000 ms म्हणजे एखादा persistent failure संपण्यापूर्वी तुम्हाला प्रति item तीन वेळा बिल आकारू शकतो. ज्या node ने आधीच महागड्या पद्धतीने यश मिळवले आहे, त्याच्या भोवती retry wrap करू नका.

Error workflow एक बॅकस्टॉप म्हणून. Error Trigger node ने सुरू होणारा एक workflow तयार करा जो failed workflow चे नाव आणि error Slack वर post करेल, आणि प्रत्येक AI workflow च्या settings मध्ये तो Error Workflow म्हणून सेट करा. यामुळे पकडले जाणारे failure mode अत्यंत त्रासदायक असते: schedule-triggered workflow दर तासाला, आठवडाभर error होत राहणे — प्रत्येक run tokens जाळत राहतो. यासोबत Anthropic Console मध्ये मासिक खर्च मर्यादा (monthly spend limit) ठेवा आणि काहीही scheduled करण्याच्या पहिल्या काही दिवसांत Console चे usage page तपासा. तुम्हाला नक्की कशाचे बिल आकारले जात आहे हे समजून घ्यायचे असेल, तर the token-usage guide त्याचे विश्लेषण करते.

Failure modes, आणि तुम्हाला दिसणाऱ्या त्रुटी

Node "Authorization failed - please check your credentials" सह लगेच fail होतो. API ने 401 return केले आहे. मूळ कारण:

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

चुकीची key — truncated, trailing whitespace, किंवा tutorial मधील placeholder. n8n credential पुन्हा तयार करा आणि पुन्हा paste करा; जर ते काल चालले असेल, तर Console मध्ये key रद्द (revoke) झाली आहे का किंवा volume restore मुळे वेगळ्या N8N_ENCRYPTION_KEY ने encrypted credential परत आले आहे का ते तपासा.

Executions 429 rate_limit_error सह bursts मध्ये fail होतात, ज्याचा संदेश "Number of request tokens has exceeded your per-minute rate limit" असा असतो. Rate limits हे प्रति-minute buckets असतात, आणि n8n एकाच वेळी पन्नास webhook किंवा RSS executions करणे सोपे करते. हे स्ट्रक्चरल पद्धतीने सुधारा: parallel ऐवजी items क्रमाने प्रक्रिया करा (Loop Over Items) आणि Retry On Fail मध्ये Max Tries 3 आणि Wait Between Tries 5000 ms ठेवा — n8n त्या field ला 5000 ms पर्यंत मर्यादित करते. जेव्हा तुम्हाला retries पुढच्या मिनिटाच्या विंडोमध्ये येण्यासाठी जास्त backoff हवा असेल, तेव्हा error path मध्ये Wait node ठेवा किंवा items एक एक करून प्रक्रिया करा. response मध्ये retry-after header असतो जो तुम्हाला नक्की किती वेळ थांबायचे आहे ते सांगतो — n8n चे fixed wait ते वाचू शकत नाही, म्हणून स्वतः लाँग पॉज (pause) तयार करा.

404 not_found_error तुमच्या model चे नाव चुकीचे असल्यास. body त्या typo ची पुनरावृत्ती करते:

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

hyphens ऐवजी dots (4.5 साठी 4-5), जुन्या blog post मधून आलेला date suffix, किंवा निवृत्त (retired) model. सध्याच्या list नुसार ID दुरुस्त करा — जे लोक model field मध्ये expression म्हणून टाईप करण्याऐवजी dropdown मधून निवडण्याऐवजी टाईप करतात, त्यांना याचा त्रास होतो.

Claude अशा प्रश्नाचे उत्तर देते जो तुम्ही विचारला नाहीये. कुठेही error नाही — run green आहे. जर payload मध्ये message असेल आणि n8n expression मध्ये {{ $json.body.text }} सारखा missing field चा संदर्भ असेल, तर तो prompt मध्ये undefined हा literal string interpolate करतो, आणि Claude त्या विषयावर उत्तर देण्याचा प्रयत्न करतो. जर संदर्भित node अजिबात execute झाला नसेल, तर तुम्हाला "Referenced node is unavailable" मिळेल, पण missing field शांतपणे (silently) fail होते. activate करण्यापूर्वी, नेहमी real data सह एकदा run करा आणि node च्या input panel मध्ये प्रत्यक्ष rendered prompt वाचा — expression editor फक्त value preview करते, आणि undefined तिथेच उपलब्ध असते.

FAQ

मी Claude ला n8n शी कसे कनेक्ट करू?

Anthropic Console मध्ये platform.claude.com वर API key तयार करा, त्यानंतर n8n मध्ये Anthropic प्रकाराचे credential जोडा आणि ते API Key field मध्ये paste करा. प्रत्येक Claude node — Anthropic app node आणि Anthropic Chat Model sub-node — त्या stored credential चा संदर्भ घेतात. n8n ते N8N_ENCRYPTION_KEY ने encrypt करते, त्यामुळे तुमची credentials गमावू नयेत म्हणून त्याचा backup घ्या.

AI workflow चा प्रति run खर्च काय असतो?

प्रति run अंदाजित tokens मोजा आणि त्याला model च्या per-million किमतीने गुणा — July 2026 पर्यंत, Haiku 4.5 साठी $1/$5 प्रति million input/output tokens आहे आणि Sonnet 5 साठी $3/$15 ($2/$10 introductory through August 2026) आहे. Haiku वरील webhook summarization साधारण एक चतुर्थांश सेंट खर्च करते; Sonnet वरील agent run (अनेक tool calls सह) साधारण $0.06–$0.10 च्या जवळ जातो कारण प्रत्येक iteration संपूर्ण conversation पुन्हा input म्हणून पाठवते. अंदाजांवर विश्वास ठेवण्याऐवजी Console च्या usage page वरून रन तपासा.

n8n automations साठी मी कोणता Claude model वापरावा?

Classification, extraction, summarization, आणि routing साठी Haiku 4.5 वापरा — जिथे speed आणि किंमत महत्त्वाचे आहे. AI Agent nodes आणि multi-step reasoning साठी Sonnet 5 वापरा. Opus 4.8 फक्त तिथे वापरा जिथे चुकीचे उत्तर देणे इतके महाग आहे की ते त्याच्या $5/$25 list price ला न्यायसाध्य ठरवेल — Haiku पेक्षा पाच पटीने आणि Sonnet पेक्षा थोड्या कमी दराने. Model प्रत्येक node साठी निवडा, संपूर्ण workflow साठी नाही — एक workflow तिन्ही models मिक्स करू शकतो.

मी n8n workflow ला Claude API वर जास्त खर्च करण्यापासून कसे थांबवू?

Guardrails चे स्तर वापरा: प्रत्येक Claude node वर कमी Max Tokens, agents वर Max Iterations, workflow timeout, आणि संयमी Retry On Fail settings जेणेकरून failures मुळे token खर्च वाढत नाही. त्यानंतर एक Error Trigger workflow जो कोणत्याही AI workflow मध्ये failure आल्यास तुम्हाला Slack वर अलर्ट देईल, आणि Anthropic Console मध्ये मासिक खर्च मर्यादा (monthly spend limit) सेट करा, जी VPS वरून कोणीही ओव्हरराइड करू शकत नाही.

AI Agent tool calls साठी अतिरिक्त खर्च लागतो का?

काही वेगळा tool fee नाही, पण tools मोफत नाहीत: प्रत्येक tool result model कडे input tokens म्हणून परत पाठवला जातो, आणि प्रत्येक agent iteration आतापर्यंतची संपूर्ण conversation पुन्हा पाठवते. unfiltered पद्धतीने पाठवलेला मोठा API response तुमच्या प्रत्यक्ष prompt पेक्षा खूप मोठा असू शकतो — HTTP Request tools वर Optimize Response enable करा आणि agent ला आवश्यक असलेले फक्त fields परत पाठवा.