स्वतःच्या VPS वर n8n AI agent कसा तयार करावा
n8n मध्ये कार्यरत AI Agent तयार करा: AI Agent node, Claude credential, HTTP Request tool, memory, trigger आणि खर्च मर्यादित करणाऱ्या settings एकत्र समजून घ्या.
n8n AI agent म्हणजे काय आणि तो chain पेक्षा कसा वेगळा आहे
n8n AI agent हा त्याच्याशी जोडलेल्या sub-nodes असलेला एक AI Agent node आहे: एक chat model, एक किंवा अधिक tools आणि पर्यायी memory. तुम्ही plain language मध्ये goal सांगता. त्यानंतर model उत्तर देऊ शकेपर्यंत कोणती tools call करायची आणि कोणत्या क्रमाने करायची हे ठरवतो. पुढील सर्व माहिती त्या एका संकल्पनेभोवतीच्या configuration विषयी आहे.
Chain याच्या उलट पद्धतीने काम करते. Basic LLM Chain मध्ये तुम्ही steps ठरवता आणि model फक्त text भरतो. Agent मध्ये model steps ठरवतो. त्यामुळे तोच प्रश्न आज एका model call साठी आणि उद्या नऊ model calls साठी खर्च होऊ शकतो. या मार्गदर्शिकेतील प्रत्येक setting मागे हाच फरक आहे. हा loop n8n feature म्हणून नव्हे, तर संकल्पना म्हणून तुमच्यासाठी नवीन असेल, तर nodes वापरून तो तयार करण्यापूर्वी तो एकदा स्वतः लिहून पाहणे उपयुक्त ठरेल. यामुळे या मार्गदर्शिकेतील उर्वरित भागात तुम्ही ज्या अचूक प्रक्रियेचे विश्लेषण करणार आहात, ती node लपवणार नाही.
यासाठी n8n तुमच्या नियंत्रणातील मशीनवर HTTPS मागे आधीपासून चालू आहे असे गृहीत धरले आहे. तसे नसल्यास प्रत्यक्ष certificate सह Docker वर n8n self-host करणे यापासून सुरुवात करा. कारण तुम्ही साठवणार असलेल्या API key साठी त्या मार्गदर्शिकेत आवश्यक ठरवलेला encryption-key backup लागतो. Agent नसलेल्या patterns साठी, जसे webhook summarizers आणि scheduled classifiers, Claude आणि n8n workflow patterns पहा.
येथील कोणत्याही field name वर विश्वास ठेवण्यापूर्वी तुमची version तपासा, कारण n8n मधील AI nodes मध्ये वारंवार बदल होतात.
docker compose exec n8n n8n --versionVersion 1.82.0 मध्ये agent-type setting deprecated करण्यात आली आणि त्याऐवजी Tools Agent वापरण्यात आला. Legacy v1 nodes मध्ये अजूनही ही setting आहे. n8n च्या docs नुसार त्या node version चे removal n8n 3.0 साठी निश्चित केले आहे.
पायरी 1: trigger निवडा
संवादात्मक agent साठी Chat Trigger node जोडा. तयार करताना Make Chat Publicly Available बंद ठेवा. त्यामुळे फक्त editor च्या chat panel मधूनच त्याच्यापर्यंत पोहोचता येईल. agent पूर्ण झाल्यावर आणि authentication ठरवल्यानंतर ते सुरू करा.
Chat Trigger agent ला chatInput नावाचे field देते. हे नाव पायरी 3 मध्ये महत्त्वाचे आहे. हे चुकीचे देणे ही सुरुवातीच्या अपयशाची सर्वात सामान्य कारणे आहे.
मानवी हस्तक्षेपाशिवाय चालणाऱ्या agent साठी Schedule Trigger किंवा Webhook node वापरा. यापैकी कोणतेही chatInput तयार करत नाही. त्यामुळे prompt स्वतः लिहावा लागेल.
पायरी 2: मॉडेल क्रेडेन्शियल
कॅनव्हासवर AI Agent node ठेवा. n8n त्याखाली रिकामा Chat Model connector लगेच दाखवते. तेथे Anthropic Chat Model sub-node जोडा.
platform.claude.com वरील Claude Console मध्ये Settings आणि त्यानंतर API keys येथे credential तयार करा. Key एकदाच दाखवली जाते. Key तयार करताना Console तुम्हाला expiration निवडण्यासही सांगते. Unattended agent ची key ज्या दिवशी expire होते त्या दिवशी agent काम करणे थांबवतो. त्यामुळे ती तारीख तुम्हाला दिसेल अशा ठिकाणी नोंदवा. Unattended agent साठी workspace ला scoped केलेली service account key वापरा. त्यामुळे requests साठी स्वतंत्र workspace header आवश्यक राहत नाही.
31 October 2026 रोजी लागू असलेल्या नियमांनुसार, API usage साठी token प्रमाणे शुल्क आकारले जाते आणि त्याचे payment तुमच्या Claude plan वर अवलंबून असते. Max, Ultra आणि Team plans मध्ये monthly API credits समाविष्ट असतात: Max वर $100, Ultra वर $200 आणि Team वर pooled स्वरूपात कमाल $500. Max किंवा Ultra वर Settings > Billing मधून, किंवा Team वर Organization settings > Billing मधून Console organization plan शी link करून हे credits claim करा. Console मध्ये payment method जोडण्याची गरज नाही. नवीन subscribers हे credits plan वर 7 दिवस राहिल्यानंतर claim करू शकतात. वापरले न गेलेले credits प्रत्येक billing cycle च्या शेवटी expire होतात; annual plans वर ते दरमहा expire होतात. समाविष्ट credits संपल्यानंतर requests purchased credits मधून सुरू राहतात. auto-reload अधिक credits खरेदी करू शकते आणि invoiced organizations कडून excess usage साठी शुल्क आकारले जाते. Prepaid organization कडे credits शिल्लक नसतील तर requests थांबतात; API usage साठी तुमच्या Claude plan वर कधीही शुल्क आकारले जात नाही. Free, Pro आणि Enterprise plans मध्ये monthly API credits समाविष्ट नसतात. त्यामुळे या plans वर API चे billing subscription पासून स्वतंत्रपणे केले जाते.
मॉडेल प्रत्येक agent साठी निवडा, संपूर्ण company साठी नाही. एखादी माहिती शोधून तिचा अहवाल देणारा one-tool agent Haiku वर व्यवस्थित चालतो. 12 October 2026 रोजीच्या दरांनुसार, सध्याची आवृत्ती Haiku 5.5 साठी प्रति million input tokens $0.10 आणि प्रति million output tokens $0.50 असे शुल्क आहे. Prompt 100,000 tokens पेक्षा जास्त असल्यास हे दर अनुक्रमे $0.50 आणि $2.50 होतात. Long memory window आणि मोठे tool results यामुळे request या मर्यादेपेक्षा जाऊ शकते. Agent कडे अनेक tools असतील आणि त्यांना वापरून planning करावी लागत असेल, तर Sonnet वापरा. तुम्ही टाळू इच्छित असलेली समस्या म्हणजे स्वस्त मॉडेलने चुकीच्या tool ला चार वेळा call करणे. योग्य tool ला एकदाच call करणाऱ्या महागड्या मॉडेलपेक्षा त्याचा खर्च अधिक होऊ शकतो.
Sub-node च्या options मध्ये Maximum Number of Tokens सेट करा. यामुळे मॉडेलने तयार केलेल्या प्रत्येक response ची लांबी मर्यादित होते. हे मोठ्या default वरच ठेवले, तर एखाद्या गोंधळलेल्या run मधून खूप लांब answer तयार होऊ शकतो आणि त्यासाठी तुम्हाला शुल्क द्यावे लागू शकते.
n8n docs मधील एक महत्त्वाची सूचना लक्षात ठेवा: sub-node मधील expressions नेहमी पहिल्या input item च्या संदर्भात resolve होतात; ते प्रत्येक item साठी स्वतंत्रपणे resolve होत नाहीत. Per-item expressions root node च्या prompt fields मध्ये ठेवा.
पायरी 3: एजंटला मिळणारा prompt
AI Agent node उघडा. Source for Prompt (User Message) या parameter मध्ये दोन settings आहेत.
- Connected Chat Trigger Node ला
chatInputनावाचे incoming field अपेक्षित असते. Chat Trigger मागे वापरताना हा योग्य पर्याय आहे. - Define below निवडल्यावर Prompt (User Message) field दिसते. त्यात static text किंवा expression लिहिता येते. Schedule Trigger किंवा Webhook node मागे वापरताना हा योग्य पर्याय आहे.
Webhook node पुढे ठेवला असल्यास, POST body $json.body अंतर्गत येते. त्यामुळे prompt field असे दिसते.
Check the current status of {{ $json.body.service }} and tell me
whether it is up. If it is down, say for how long. No preamble.पायरी 4: एजंटला एक साधन द्या
n8n च्या दस्तऐवजानुसार, AI Agent node शी किमान एक tool sub-node जोडणे आवश्यक आहे. मात्र सध्याचा node code (version 3.1) chat model नसल्यासच चालण्यास नकार देतो. तरीही सुरुवातीला एक tool जोडा. अर्धवट configure केलेल्या चार tools पेक्षा व्यवस्थित चालणारे एक tool अधिक उपयुक्त माहिती देते. तसेच tool नसलेला agent म्हणजे अधिक खर्च करणारी chain असते.
agent च्या Tool connector ला HTTP Request node जोडा. नेहमीच्या HTTP Request node प्रमाणेच तो configure करा. त्यानंतर आधी shell मधून त्या endpoint ची चाचणी घ्या.
curl -s -H 'Accept: application/json' \
https://status.example.com/api/status/database | head -c 400त्या curl command चा परिणाम error किंवा HTML login page असल्यास agent देखील अपयशी ठरेल. हा अपयश model ची समस्या असल्यासारखा दिसेल, पण प्रत्यक्षात तो URL किंवा authentication ची समस्या असेल. ती node मध्ये नव्हे, तर shell मध्ये दुरुस्त करा.
tool मधील Description field हे तुमच्या सहकाऱ्यांसाठीचे documentation नाही. हे tool संबंधित आहे का हे ठरवताना model ते tool चे नाव आणि parameter schema सोबत वाचतो. काय परिणाम मिळतो हे साध्या विधानाच्या स्वरूपात लिहा: "एका monitored service ची सध्याची up किंवा down स्थिती आणि downtime चा कालावधी JSON स्वरूपात परत करतो."
request चा काही भाग model कडून भरून घ्यायचा असल्यास $fromAI() expression वापरा. हे फक्त AI Agent node शी जोडलेल्या tools मध्ये कार्य करते. Code tool मध्ये ते कार्य करत नाही.
{{ $fromAI('service', 'The name of the service to look up', 'string') }}Arguments key, त्यानंतर optional description, type आणि defaultValue असे आहेत. key मध्ये letters, digits, underscores आणि hyphens वापरून 1 ते 64 characters असणे आवश्यक आहे. type हे string, number, boolean किंवा json पैकी एक असते. त्याचे default मूल्य string असते. अधिक पूर्ण call असा दिसतो.
{{ $fromAI('limit', 'How many records to return', 'number', 20) }}key हा संकेत असतो; तो आधीपासून असलेल्या data चा reference नसतो. $fromAI('service') कुठूनही service नावाचे field वाचत नाही. तो model ला "एक value तयार करा आणि तिला service म्हणा" असे सांगतो. त्यानंतर model conversation, input data आणि इतर tool results मधून योग्य value शोधतो. chat workflow मध्ये तो user ला थेट विचारू शकतो.
Web search हे नेहमी वापरले जाणारे दुसरे tool आहे. ते दुसरे HTTP endpoint असल्यामुळे, paid search API ऐवजी तुम्ही हेच node तुमच्या स्वतःच्या SearXNG instance कडे निर्देशित करू शकता. मात्र त्यातून परत येणाऱ्या प्रत्येक page ला अविश्वसनीय text समजा, कारण तो आता तुमच्या prompt मध्ये समाविष्ट असतो.
पायरी 5: memory आणि agent का विसरतो
memory sub-node नसल्यास प्रत्येक message शून्यापासून सुरू होतो. अलीकडील conversation जतन करण्यासाठी Simple Memory sub-node जोडा.
यामध्ये दोन parameters आहेत. Session Key ही कोणती conversation आहे ते ठरवते. त्यामुळे वेगळ्या keys असलेल्या दोन users साठी स्वतंत्र histories मिळतात. Context Window Length मुळे prompt मध्ये मागील किती interactions पुन्हा समाविष्ट करायचे ते ठरते.
Context Window Length हे quality इतकेच cost देखील नियंत्रित करते. कारण जतन केलेला प्रत्येक turn नंतरच्या प्रत्येक call वेळी input tokens म्हणून पुन्हा पाठवला जातो. chatty agent मध्ये window 20 असल्यास सुरुवातीचे तेच messages वीस वेळा पाठवण्याचा खर्च येतो.
n8n queue mode मध्ये चालत असताना active production workflow मध्ये Simple Memory कार्य करत नाही. कारण ते workflow आणि session IDs नुसार history process-local singleton Map मध्ये साठवते. Workers ही memory share करत नाहीत. queue-mode instance वर त्याऐवजी Postgres Chat Memory sub-node वापरा आणि ते अशा database कडे निर्देशित करा ज्यापर्यंत main process आणि workers दोघेही पोहोचू शकतात.
पायरी 6: सिस्टम संदेश
एजंटचे Options उघडा आणि System Message जोडा. येथे कामाचे वर्णन लिहिले जाते. हा workflow मधील सर्वाधिक परिणामकारक मजकूर आहे.
You are an infrastructure status assistant. Always call the status
tool before answering a question about whether something is running.
Never guess. If the tool returns an error, say so and stop."उत्तर देण्यापूर्वी नेहमी status tool ला call करा" हा निर्देश प्रत्यक्षात महत्त्वाचे काम करतो. हा निर्देश नसल्यास, उत्तर आधीच माहीत असल्याचे समजणारे model tool वगळून memory मधून उत्तर देईल. त्यामुळे तुमच्या infrastructure मध्ये बदल होताच ते उत्तर आत्मविश्वासाने चुकीचे ठरेल.
एजंट लूपमध्ये का फिरतो आणि ते कशामुळे थांबते
Options अंतर्गत Max Iterations हा पर्यायही आहे. त्याची default value 10 आहे. एक iteration म्हणजे model call असतो. या call मध्ये agent tools ची विनंती करतो किंवा अंतिम उत्तर परत करतो. Tool चे परिणाम पुढील call साठी input म्हणून परत दिले जातात. त्यामुळे एक agent run म्हणजे एक API call नसतो. त्यामध्ये जास्तीत जास्त दहा call असू शकतात. प्रत्येक call मध्ये वाढत जाणारे संपूर्ण conversation input म्हणून पाठवले जाते.
ही संख्या कमी करा. बहुतेक single-tool agents दोन iterations मध्ये पूर्ण होतात. 3 किंवा 4 turns ची मर्यादा runaway loop ला execution list मध्ये दिसणाऱ्या स्पष्ट failure मध्ये रूपांतरित करते.
Debugging करताना Return Intermediate Steps सुरू करा. त्यानंतर final output मध्ये agent ने केलेले tool calls समाविष्ट होतात. त्यामुळे "model ने tool कधीच call केले नाही" आणि "tool ने उपयुक्त काहीही परत केले नाही" यांमधील फरक समजतो. Production मध्ये जाण्यापूर्वी हा पर्याय पुन्हा बंद करा. End user साठी हे steps अनावश्यक माहिती ठरतात.
Shell मधून run सुरू होताना पाहा.
docker compose logs -f n8nनियंत्रणाविना चालणाऱ्या agent चा खर्च शांतपणे वाढू न देणे
Chat Trigger मागे असलेल्या agent मध्ये मानवी देखरेख असते. उत्तर चुकीचे वाटल्यास ती व्यक्ती agent थांबवते. Schedule Trigger मागे असलेल्या agent वर कोणीही लक्ष ठेवत नाही. येथे तुम्ही licence खर्चाऐवजी model च्या वापरावरील खर्चावर लक्ष ठेवत आहात, कारण agent, tool आणि memory nodes हे सर्व free self-hosted edition वर चालतात आणि ज्या वैशिष्ट्यांसाठी paid key आवश्यक असते, ती प्रामुख्याने team आणि governance संबंधित असतात. संपूर्ण माहिती always-on VPS वरील AI agent cost control मध्ये दिली आहे. येथे चार settings बहुतेक नियंत्रण देतात.
- model sub-node वर Maximum Number of Tokens ची कमाल मर्यादा सेट करा, जेणेकरून एकही response अनावश्यकपणे लांबणार नाही.
- task पूर्ण करण्यासाठी पुरेशी असेल अशी सर्वात कमी Max Iterations संख्या सेट करा.
- tool responses लहान ठेवा. 4,000 ओळींचा JSON blob परत करणारे tool तो संपूर्ण मजकूर पुढील model call मध्ये आणि त्याच run मधील त्यानंतरच्या प्रत्येक call मध्ये पाठवते.
- agent ला schedule ची खरोखर गरज आहे का ते तपासा. दर पाच मिनिटांनी चालणारे job दिवसातून 288 वेळा सुरू होते. एका run चा खर्च जितका असेल, त्याला 288 ने गुणा करा.
तुम्ही workflow मध्ये बदल करत असताना तो unpublish करा. किंवा किमान सध्या कोणती version live आहे हे लक्षात ठेवा. Schedule Trigger असलेला published workflow तुम्ही शेवटचे publish केलेली version चालवत राहतो; screen वर असलेला draft चालवत नाही. कारण तुम्ही पुन्हा publish करेपर्यंत n8n तुमचे बदल draft मध्ये ठेवते.
FAQ
माझा AI Agent node execute होण्यास नकार का देतो?
सर्वप्रथम connectors तपासा. AI Agent node ला chat model sub-node आवश्यक असतो. तो जोडलेला नसल्यास कोणताही API call करण्यापूर्वी "Please connect a model to the Chat Model input" असा संदेश देऊन node थांबतो. n8n च्या दस्तऐवजांनुसार किमान एक tool sub-node देखील आवश्यक आहे. त्यामुळे model जोडलेला असूनही node काम करण्यास नकार देत असल्यास एक tool जोडा, अगदी साधे tool असले तरी चालेल, आणि पुन्हा run करा.
Agent उत्तर देतो, पण माझे tool कधीही call करत नाही. समस्या काय आहे?
बहुतेक वेळा समस्या tool च्या Description field मध्ये असते. Model त्या descriptions वाचून tools निवडतो. त्यामुळे "HTTP Request" सारखे description tool कधी वापरायचे हे सांगत नाही. त्यातून कोणता data परत येतो आणि कोणत्या परिस्थितीत तो उपयुक्त आहे, हे स्पष्ट होईल अशा प्रकारे description पुन्हा लिहा. त्यानंतर agent ने उत्तर देण्यापूर्वी ते tool call करावे, अशी सूचना System Message मध्ये जोडा.
प्रत्येक run मध्ये तोच प्रश्न वेगवेगळी किंमत का देतो?
कारण steps ची संख्या model निवडतो. प्रत्येक iteration मध्ये आतापर्यंतची पूर्ण conversation, त्यासह मागील tool output, पुन्हा पाठवली जाते. त्यामुळे चार iterations लागलेल्या run साठी चारही calls मधील input आणि output tokens चे billing होते. Max Iterations ही त्याची कमाल मर्यादा आहे. Return Intermediate Steps मुळे एखाद्या run मध्ये प्रत्यक्षात किती steps वापरले गेले हे दिसते.
Editor मध्ये memory काम करते, पण production मध्ये काम करत नाही. काय बदलले?
Instance queue mode मध्ये चालते का ते तपासा. Simple Memory इतिहास workflow आणि session IDs नुसार process-local singleton Map मध्ये साठवते. स्वतंत्र worker processes हा data share करत नाहीत. त्याऐवजी Postgres Chat Memory sub-node वापरा. तो प्रत्येक worker ला उपलब्ध असलेल्या database मध्ये इतिहास साठवतो.