VPS-ல் n8n மற்றும் Claude AI workflows உருவாக்குவது

நீங்கள் உருவாக்குவது

நீங்கள் ஏற்கனவே இயக்கும் n8n instance-ல் மூன்று AI workflows-களை உருவாக்குவீர்கள்: நீங்கள் அனுப்பும் தகவல்களைச் சுருக்கித் தரும் ஒரு webhook, கட்டுரைகளைத் தொகுத்து spreadsheet வரிசைகளாக மாற்றும் ஒரு scheduled feed-reader, மற்றும் கேள்விகளுக்குப் பதிலளிக்கத் தானாகவே HTTP API-ஐ அழைக்கும் ஒரு AI Agent. இது உங்கள் VPS-ல் Python மூலம் Claude API-ஐ அழைப்பதற்கு இணையான no-code முறையாகும். இதில் அதே API, அதே tokens மற்றும் அதே கட்டணம் தான், ஆனால் orchestration ஒரு script-க்கு பதிலாக n8n nodes மூலம் நடைபெறுகிறது.

Docker-ல் n8n-ஐ நிறுவும் வழிகாட்டியின்படி, n8n ஏற்கனவே HTTPS-ன் பின்னால் இயங்குகிறது என்று கருதுகிறேன். இல்லையெனில், முதலில் அதைச் செய்து முடிக்கவும். Webhooks-க்கு முறையான TLS endpoint தேவை; மேலும், நீங்கள் API key-ஐச் சேமிக்கப்போகும் credential store-க்கு, அந்த வழிகாட்டியில் குறிப்பிடப்பட்டுள்ள encryption-key backup மிக அவசியம்.

இங்குள்ள சவால்கள் drag-and-drop செய்வதில் இல்லை. ஒவ்வொரு node-க்கும் சரியான model-ஐத் தேர்ந்தெடுப்பது, undefined-ஐ மறைமுகமாக interpolate செய்யும் prompt fields, மற்றும் தானியங்கி முறையில் இயங்கும் workflows ஆகியவற்றில்தான் சவால்கள் உள்ளன. ஒருமுறை இயங்க அரை பைசா செலவாகும் workflow மலிவானதுதான், ஆனால் ஒரு retry loop காரணமாக அது ஒரே இரவில் நான்காயிரம் முறை இயங்கினால் செலவு அதிகரிக்கும். இந்த வழிகாட்டியின் பெரும்பகுதி இதைப் பற்றியதுதான்.

நீங்கள் பேக்கப் எடுத்த கீ மூலம் என்க்ரிப்ட் செய்யப்பட்ட ஒரு கிரெடென்ஷியல்

Anthropic Console-ல் platform.claude.com தளத்திற்குச் சென்று, Settings, பின்னர் API Keys பகுதிக்குச் சென்று, n8n-vps போன்ற பெயரில் ஒரு கீயை உருவாக்கவும். இது ஒருமுறை மட்டுமே காட்டப்படும். உங்கள் கணக்கில் பணம் சேர்க்கவும் அல்லது பில்லிங் முறையை அமைக்கவும்; API பயன்பாடு டோக்கன் அடிப்படையில் கட்டணம் வசூலிக்கப்படும், இது Claude.ai சந்தாவிலிருந்து முற்றிலும் மாறுபட்டது.

n8n-ல்: Credentials பகுதிக்குச் சென்று, Create credential என்பதைக் கிளிக் செய்து, Anthropic என்பதைத் தேர்ந்தெடுக்கவும். API Key புலத்தில் அந்த கீயை பேஸ்ட் செய்து சேமிக்கவும். ஒவ்வொரு workflow-லும் உள்ள Claude நோடு இந்தச் சேமிக்கப்பட்ட கிரெடென்ஷியலையே பயன்படுத்தும்; நீங்கள் ஒவ்வொரு முறையும் நோடுக்குள் கீயை பேஸ்ட் செய்ய வேண்டியதில்லை.

இரண்டு operational குறிப்புகள்.

முதலில், n8n சேமிக்கப்பட்ட credentials-ஐ N8N_ENCRYPTION_KEY மூலம் encrypt செய்கிறது. n8n guide-ல் கூறியபடி அந்த env var-ஐ உங்கள் compose file-ல் வெளிப்படையாக அமைத்தால், container rebuild செய்தாலும் credential பாதுகாக்கப்படும். n8n தானாக ஒரு key-ஐ உருவாக்க அனுமதித்து, பின்னர் அந்த volume-ஐ இழந்தால், அந்த key உட்பட சேமிக்கப்பட்ட அனைத்து credentials-உம் மீட்டெடுக்க முடியாத ciphertext ஆகிவிடும். இதைத் தவிர்த்திருந்தால், key-ஐ இப்போதே backup செய்யவும்.

இரண்டாவதாக, n8n credential store-ஐ blast radius ஆகக் கருதவும். உங்கள் instance-ல் workflows-ஐ edit செய்யக்கூடிய யாரும் உங்கள் Anthropic key-ஐ பயன்படுத்தி requests அனுப்ப முடியும். Community edition-ல் credentials-க்கு per-user permissions இல்லை. ஆகவே, வேறு யாராவது இந்த instance-ல் login செய்யவிருந்தால், accounts வழங்குவதற்கு முன் paid n8n licence-ன் பின்னால் உள்ள access controls எவை என்பதைப் படிக்கவும். Compromised அல்லது runaway instance-க்கு செலவு வரம்பு இருக்க, Console-ல் Settings பகுதியின் கீழ் spend limit அமைக்கவும்.

மாதிரித் தேர்வு (Model choice) என்பது ஒவ்வொரு node-க்கும் தனிப்பட்ட முடிவாகும்

n8n-ன் Claude node-களில் உள்ள மாதிரித் தேர்வுப் பட்டியல் (dropdown) நேரடியாக API-லிருந்து பெறப்படுகிறது, எனவே உங்கள் key மூலம் எவற்றை அணுக முடியுமோ அவை மட்டுமே அதில் தோன்றும். ஜூலை 2026 நிலவரப்படி, மாதிரிகளின் பட்டியல் மற்றும் ஒரு மில்லியன் input/output tokens-க்கான API விலை விவரங்கள் பின்வருமாறு: Claude Haiku 4.5 (claude-haiku-4-5) $1/$5 விலையில் 200K context window-உடன், Claude Sonnet 5 (claude-sonnet-5) $3/$15 விலையில் (ஆகஸ்ட் 31, 2026 வரை அறிமுக விலையாக $2/$10), மற்றும் Claude Opus 4.8 (claude-opus-4-8) $5/$25 விலையில், இவை இரண்டும் 1M-token context window-உடன் கிடைக்கின்றன. மிகக் கடினமான பகுத்தறிவுப் பணிகளுக்காக Claude Fable 5 (claude-fable-5) $10/$50 விலையில் உள்ளது; இந்த வழிகாட்டியில் உள்ள எதற்கும் இது தேவையில்லை. அந்தத் துல்லியமான ID-களை மட்டுமே பயன்படுத்தவும்; பழைய tutorial-களில் நீங்கள் பார்த்த தேதி குறிப்பிடப்பட்ட variants-ஐப் பயன்படுத்தினால் 404 பிழை ஏற்படும். விலைகள் அவ்வப்போது மாறுபடும் என்பதால், இங்கே உள்ள எண்களை மட்டும் நம்பாமல், பயன்படுத்துவதற்கு முன்பு platform.claude.com தளத்தைச் சரிபார்க்கவும்.

நீங்கள் உருவாக்க வேண்டிய பழக்கம்: தளத்திற்கு ஒரு மாதிரி என்று தேர்வு செய்யாமல், ஒவ்வொரு node-க்கும் தேவைக்கேற்ப மாதிரியைத் தேர்வு செய்யவும். வகைப்படுத்துதல் (classification), பிரித்தெடுத்தல் (extraction), சுருக்கம் செய்தல் (summarization) மற்றும் routing போன்ற ஆட்டோமேஷனின் அடிப்படைப் பணிகள், Sonnet-ன் விலையில் மூன்றில் ஒரு பங்கும், Opus-ன் விலையில் ஐந்தில் ஒரு பங்கும் கொண்ட Haiku-விலேயே சிறப்பாகச் செயல்படும். Agents மற்றும் பல நிலைகளைக் கொண்ட பகுத்தறிவுப் பணிகளுக்கு மட்டும் Sonnet-ஐப் பயன்படுத்தவும்; தவறான பதில் அதிக இழப்பை ஏற்படுத்தும் அரிதான workflow-களுக்கு மட்டும் Opus-ஐப் பயன்படுத்தவும். ஐந்து Claude node-களைக் கொண்ட ஒரு workflow-ல் வெவ்வேறு மாதிரிகளைத் தாராளமாகப் பயன்படுத்தலாம், அவ்வாறு செய்வதே சிறந்தது.

இரண்டு Claude nodes மற்றும் எதை எங்கே பயன்படுத்துவது

n8n இரண்டு தனித்துவமான Anthropic integrations-ஐ வழங்குகிறது. தவறானதைத் தேர்ந்தெடுப்பது ஆரம்ப நிலையில் உள்ளவர்கள் செய்யும் பொதுவான தவறு.

Anthropic node என்பது ஒரு சாதாரண app node ஆகும்: ஒரு கோரிக்கை உள்ளே செல்லும், ஒரு பதில் வெளியே வரும். இதன் Text resource-ல் Message a Model செயல்பாடு உள்ளது, மேலும் படங்கள் மற்றும் ஆவணங்களை ஆய்வு செய்வதற்கான செயல்பாடுகளும் உள்ளன. n8n-ல் workflow logic இருக்கும்போது, அதாவது trigger, Claude call, அடுத்த node என்ற வரிசையில் இருக்கும்போது இதைப் பயன்படுத்தவும். கீழே உள்ள Workflows 1 மற்றும் 2 இதைப் பயன்படுத்துகின்றன.

Anthropic Chat Model node என்பது ஒரு sub-node ஆகும். இது AI Agent அல்லது Basic LLM Chain போன்ற ஒரு root node-க்கு model-ஐ வழங்கும் ஒரு சிறிய இணைப்பு. இதற்குத் தனி trigger அல்லது output கிடையாது. இது model picker மற்றும் Maximum Number of Tokens, Sampling Temperature போன்ற sampling விருப்பங்களை வழங்குகிறது. n8n ஆவணங்களில் உள்ள ஒரு முக்கியமான குறிப்பை நினைவில் கொள்ள வேண்டும்: sub-nodes-க்குள் இருக்கும் expressions எப்போதும் முதல் input item-ஐ மட்டுமே அடிப்படையாகக் கொண்டு செயல்படும், ஒவ்வொரு item-ஐயும் அல்ல. எனவே, per-item expressions-ஐ sub-node-ல் வைக்காமல், root node-ன் prompt fields-ல் வைக்கவும்.

Workflow 1: webhook-ல் உள்ளீடு, சுருக்கம் வெளியீடு

AI ஆட்டோமேஷனின் அடிப்படை: ஒரு URL-க்கு POST செய்யப்படும் எந்தவொரு தகவலும் சுருக்கப்பட்டு, Slack அல்லது உங்கள் மின்னஞ்சல் பெட்டிக்குச் சென்றடையும்.

1. Webhook node, HTTP Method POST, path summarize. n8n உங்களுக்கு ஒரு test URL மற்றும் ஒரு production URL-ஐ வழங்கும்; workflow active நிலையில் இருக்கும்போது மட்டுமே production URL செயல்படும்.
2. Anthropic node, Message a Model, model claude-haiku-4-5, Max Tokens சுமார் 300.
3. Slack node (அல்லது Send Email), பதிலளிக்கப்பட்ட உரையை ஒரு channel-க்கு அனுப்பவும்.

n8n expressions மற்றும் Claude இணையும் இடமே prompt ஆகும். ஒரு POST body $json.body-ன் கீழ் அமையும், எனவே user message field பின்வருமாறு இருக்கும்:

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

{{ $json.body.text }}

Role மற்றும் format குறித்த அறிவுறுத்தல்களை user message-ல் அல்லாமல், node-ன் system prompt field-ல் குறிப்பிடவும். System prompt மாறாமல் இருக்கும், ஆனால் payload மாறுபடும்; இது செயல்பாட்டை சீராக வைத்திருப்பதுடன், ஆறு மாதங்களுக்குப் பிறகும் prompt-ஐ எளிதாகப் புரிந்துகொள்ள உதவும். இதை VPS-லிருந்தே சோதிக்கவும்:

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-வில் ஒருமுறை இயங்குவதற்கான செலவு: 1,200-token payload மற்றும் prompt-க்கு சுமார் $0.0012 உள்ளீடு, 300 tokens வெளியீட்டிற்கு $0.0015, அதாவது ஒரு சென்டில் கால் பங்கு. ஒரு மாதத்திற்கு ஆயிரம் முறை இயக்கினால் $3-க்கும் குறைவான செலவே ஆகும். இதே node-ஐ Opus 4.8-க்கு மாற்றினால் செலவு சுமார் ஐந்து மடங்கு அதிகரிக்கும். நீங்கள் உருவாக்கும் ஒவ்வொரு workflow-லும் இந்த விகிதத்தைக் கணக்கில் கொள்வது, ஏன் per-node model பழக்கம் முக்கியமானது என்பதை விளக்குகிறது.

Workflow 2: திட்டமிடப்பட்ட RSS-ஐ கட்டமைக்கப்பட்ட வரிசைகளாக மாற்றுதல்

இப்போது ஒரு குறிப்பிட்ட கால இடைவெளியில், கட்டமைக்கப்பட்ட வெளியீட்டுடன் செயல்படும் ஒரு பணி: ஒவ்வொரு மணிநேரமும் ஒரு RSS feed-ஐப் படித்து, ஒவ்வொரு பதிவையும் வகைப்படுத்தி, அவற்றை ஒரு sheet-ல் வரிசைகளாகச் சேர்க்க வேண்டும்.

1. Schedule Trigger, ஒவ்வொரு மணிநேரத்திற்கும்.
2. RSS Read, feed URL-ஐப் படிக்க. இது ஒவ்வொரு கட்டுரைக்கும் ஒரு item-ஐ வெளியீடாகத் தரும்.
3. Basic LLM Chain, இதில் claude-haiku-4-5 என அமைக்கப்பட்டுள்ள Anthropic Chat Model sub-node மற்றும் JSON schema-வைக் கொண்ட Structured Output Parser sub-node ஆகியவை இருக்கும்.
4. Google Sheets (அல்லது Postgres), ஒவ்வொரு item-க்கும் ஒரு வரிசையைச் சேர்க்க.

Structured Output Parser என்பது "Claude, தயவுசெய்து JSON-ஐத் திருப்பித் தா" என்ற வேண்டுகோளை ஒரு ஒப்பந்தமாக மாற்றுகிறது: இது model-ன் பதிலை உங்கள் schema-வுடன் ஒப்பிட்டுச் சரிபார்க்கிறது. தவறான தரவுகளை வரிசைகளில் எழுதுவதற்குப் பதிலாக, இது அந்த item-ஐத் தோல்வியடையச் செய்து எச்சரிக்கை செய்யும். இதோ ஒரு உதாரண schema:

{
  "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"]
}

மேலும், அந்த chain-ன் prompt-ல் feed item குறிப்பிடப்பட்டிருக்கும்:

Classify this article for a VPS hosting audience.

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

இங்கே செலவுக் கணக்கீடு மாறுகிறது: இது ஒவ்வொரு run-க்கும் அல்ல, ஒவ்வொரு item-க்கும் கணக்கிடப்படுகிறது. ஒரு மணிநேரத்திற்கு ஐம்பது கட்டுரைகள், ஒரு நாளைக்கு இருபத்தி நான்கு மணிநேரம் எனில், மாதத்திற்கு 36,000 Claude அழைப்புகள் தேவைப்படும். Haiku-வைப் பயன்படுத்தினால் கட்டுரையின் நீளத்தைப் பொறுத்து சுமார் $40–90 வரை செலவாகும், Opus-ஐப் பயன்படுத்தினால் இதைவிட ஐந்து மடங்கு அதிகமாகும். LLM node-க்கு முன்பாகவே நகல்களை நீக்கிவிடவும் (ஏற்கனவே பார்த்த இணைப்புகளைச் சரிபார்க்க ஒரு எளிய IF நிபந்தனை அல்லது n8n-ன் Remove Duplicates node-ஐப் பயன்படுத்தவும்). இவ்வாறு செய்வதன் மூலம் அழைப்புகளின் எண்ணிக்கை பெருமளவு குறையும், ஏனெனில் பெரும்பாலான மணிநேரத் தேடல்களில் புதிய தகவல்கள் இருப்பதில்லை. நீங்கள் செய்யாத அழைப்பே மிகக் குறைந்த செலவுடைய token ஆகும்.

Workflow 3: கருவிகளைப் பயன்படுத்தும் AI Agent

முதல் இரண்டு workflow-களும் pipeline-கள் ஆகும், இதில் படிகளை நீங்களே தீர்மானிக்கிறீர்கள். ஒரு AI Agent node இதற்கு நேர்மாறாகச் செயல்படுகிறது: நீங்கள் Claude-க்கு ஒரு இலக்கையும் கருவிகளையும் வழங்குகிறீர்கள்; அது தனது பணி முடியும் வரை எந்தெந்தக் கருவிகளை, எந்த வரிசையில் பயன்படுத்த வேண்டும் என்பதைத் தானே முடிவு செய்கிறது. n8n-க்கு ஒரு chat model sub-node மற்றும் அதனுடன் இணைக்கப்பட்ட குறைந்தபட்சம் ஒரு tool sub-node தேவைப்படுகிறது.

ஒரு நடைமுறை உதாரணம்: உங்கள் monitoring அமைப்பிலிருந்து "எது செயலிழந்துள்ளது மற்றும் ஏன்?" என்ற கேள்விக்கு பதிலளிக்கும் ஒரு ops assistant-ஐ உருவாக்குதல்:

1. Chat Trigger (அல்லது webhook), இதன் மூலம் கேள்வி உள்ளே வருகிறது.
2. AI Agent, இதனுடன் claude-sonnet-5 என அமைக்கப்பட்டுள்ள Anthropic Chat Model sub-node இணைக்கப்பட்டுள்ளது. Agent-கள் திட்டமிட்டு, கருவி அழைப்புகளைச் சங்கிலியாக இணைக்கின்றன; எளிய, ஒற்றைக் கருவி கொண்ட agent-களுக்கு Haiku போதுமானது, ஆனால் பல கருவிகளைப் பயன்படுத்தும்போது Sonnet-ஐப் பயன்படுத்துவதே சிறந்தது.
3. HTTP Request node-ஐ ஒரு கருவியாக இணைத்து, அதை உங்கள் Uptime Kuma status API அல்லது Zabbix endpoint-க்குச் சுட்டிக்காட்டவும். இரண்டாவது HTTP கருவியைப் பயன்படுத்தி REST API கொண்ட எதையும் அணுகலாம்.

இரண்டு அமைப்புகள் பெரும்பாலான வேலைகளைச் செய்கின்றன. Agent-ன் System Message அதன் பணியைத் தீர்மானிக்கிறது: "நீ ஒரு ops assistant. பதிலளிக்கும் முன் தற்போதைய monitor நிலையைச் சரிபார்க்க status கருவியைப் பயன்படுத்து. செயலிழந்த monitor-களை மட்டும், அவை எவ்வளவு நேரமாகச் செயலிழந்துள்ளன என்ற தகவலுடன் தெரிவி." மேலும், ஒவ்வொரு கருவியின் description-ம் மனிதர்களுக்கான ஆவணம் அல்ல; அதைப் பயன்படுத்திதான் Claude எப்போது கருவியை அழைக்க வேண்டும் என்று முடிவு செய்கிறது. "அனைத்து monitored services-ன் தற்போதைய up/down நிலையை JSON வடிவில் வழங்கும்" என்று குறிப்பிட்டால் அது சரியான நேரத்தில் அழைக்கப்படும்; மாறாக "status API" என்று மட்டும் கொடுத்தால் அது புறக்கணிக்கப்படலாம் அல்லது தவறாகப் பயன்படுத்தப்படலாம். HTTP Request node-ஐக் கருவியாக இணைக்கும்போது, அதன் Optimize Response விருப்பத்தை இயக்கி, தேவையான JSON புலங்களை மட்டும் தேர்ந்தெடுக்கவும். இல்லையெனில், ஒவ்வொரு விரிவான API பதிலும் model-ன் context-க்குள் உள்ளீட்டு tokens-ஆகச் சென்று, உங்களுக்குக் கூடுதல் செலவை ஏற்படுத்தும்.

Agent-ல் Max Iterations-ஐ (இயல்பாக 10) சரியாக வேலை செய்யும் மிகச்சிறிய எண்ணாக அமைக்கவும். இது "4 கருவி அழைப்புகளுக்குப் பிறகு agent கைவிட்டது" என்பதற்கும், டஜன் கணக்கான model round-trip சுழற்சிக்கும் இடையிலான வித்தியாசமாகும். கட்டண முறையைப் புரிந்துகொள்வது அவசியம்: ஒவ்வொரு iteration-லும் இதுவரை நடந்த உரையாடல், system message, கேள்வி மற்றும் முந்தைய கருவி முடிவுகள் அனைத்தும் உள்ளீட்டு tokens-ஆக மீண்டும் அனுப்பப்படும். ஆறு iteration கொண்ட ஒரு agent run எளிதாக 20,000 cumulative input tokens மற்றும் 2,000 output tokens-ஐ எட்டக்கூடும்: Sonnet 5-ன் அறிமுக விலையில் இது சுமார் $0.06, சாதாரண $3/$15 விலையில் சுமார் $0.09 ஆகும்; இது ஒரு எளிய summarization run-ஐ விட இருபது மடங்கு அதிகம். ஒரு agent-ல் பல கருவிகளை இணைக்க வேண்டிய சூழல் ஏற்பட்டால், உங்கள் VPS-ல் MCP servers-ஐ இயக்குவது தூய்மையான கட்டமைப்பாக இருக்கும்.

செலவு கட்டுப்பாடுகள் (Cost guardrails), யாரும் கவனிக்காதபோது

கண்காணிப்பாளர் இல்லாத ஒரு workflow-க்கு, ஒரு மனிதர் விசைப்பலகையில் அமர்ந்து இயக்கும்போது இயல்பாகக் கிடைக்கும் கட்டுப்பாடுகள் தேவைப்படுகின்றன. மலிவானவற்றிலிருந்து தொடங்கும் நான்கு அடுக்குகள் இதோ.

ஒவ்வொரு Claude node-லும் Max Tokens. இது ஒரு கடினமான output வரம்பு. ஒரு summarizer-க்கு 300 tokens, ஒரு classifier-க்கு 100 tokens தேவைப்படலாம். இது செலவு அதிகம் கொண்ட பக்கத்தை ($5–$25 per million output tokens, input tokens-க்கு $1–$5) கட்டுப்படுத்துகிறது. மேலும் இது ஒரு runaway brake போலவும் செயல்படுகிறது; ஒரு prompt பிழையினால் Claude நீண்ட நேரம் பேசினால், அது 8,000 tokens-க்கு பதிலாக 300 tokens-டன் நின்றுவிடும்.

ஒவ்வொரு node-க்கும் தனித்தனி Model. மேலே குறிப்பிட்டது போல, இது தற்போதைய lineup-ல் ஐந்து முதல் பத்து மடங்கு வரை விலை மாற்றத்தை ஏற்படுத்தும், இதை அமைக்க பத்து வினாடிகளே ஆகும்.

சுழற்சிகளை (loops) கட்டுப்படுத்துதல். Agents-ல் Max Iterations-ஐ அமைக்கவும். Workflow அமைப்புகளில் ஒரு timeout-ஐ வைக்கவும், இதனால் சிக்கிக்கொண்ட execution தொடர்ந்து இயங்காமல் நின்றுவிடும். ஒவ்வொரு node-லும் உள்ள Retry On Fail வசதியைப் பயன்படுத்தும்போது கவனமாக இருக்கவும்: இது தற்காலிகப் பிழைகளுக்குச் சிறந்த கருவி, ஆனால் retries செலவை அதிகரிக்கும். Max Tries 3 மற்றும் Wait Between Tries 5000 ms என அமைத்தால், ஒரு தொடர் தோல்வி ஏற்படும்போது, அது கைவிடுவதற்கு முன்பு ஒரு பொருளுக்கு மூன்று முறை கட்டணம் வசூலிக்கும். ஏற்கனவே அதிக செலவில் வெற்றிகரமாக முடிந்த ஒரு node-ஐ மீண்டும் retry செய்ய வேண்டாம்.

தடுப்பு அரணாக ஒரு error workflow. Error Trigger node-ஐக் கொண்டு ஒரு workflow-ஐ உருவாக்கவும். இது தோல்வியடைந்த workflow-ன் பெயர் மற்றும் பிழையை Slack-க்கு அனுப்பும். பின்னர், ஒவ்வொரு AI workflow-ன் அமைப்புகளிலும் இதை Error Workflow-ஆக அமைக்கவும். இது போன்ற பிழைகள் மிகவும் ஆபத்தானவை: ஒரு schedule-triggered workflow ஒவ்வொரு மணிநேரமும் தோல்வியடைந்து, ஒரு வாரம் முழுவதும் இயங்கி, ஒவ்வொரு முறையும் tokens-ஐ வீணடிக்கும். இதைத் தவிர்க்க, Anthropic Console-ல் மாதாந்திர செலவு வரம்பை (monthly spend limit) அமைக்கவும். ஏதேனும் scheduled workflow-ஐத் தொடங்கிய முதல் சில நாட்களில் Console-ன் usage பக்கத்தைச் சரிபார்க்கவும். உங்களுக்கு எதற்காகக் கட்டணம் வசூலிக்கப்படுகிறது என்பதைத் துல்லியமாகப் புரிந்துகொள்ள, token-usage guide-ஐப் பார்க்கவும்.

தோல்வி முறைகள் மற்றும் நீங்கள் காணும் செய்திகள்

"Authorization failed - please check your credentials." என்ற செய்தியுடன் node உடனடியாகத் தோல்வியடைகிறது. API 401 பிழையைத் திருப்பி அனுப்பியுள்ளது. அதன் அடிப்படைப் பொருள் இதுதான்:

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

தவறாக நகலெடுக்கப்பட்ட key, முழுமையற்ற தரவு, இறுதியில் உள்ள கூடுதல் இடைவெளி (whitespace), அல்லது tutorial-ல் உள்ள placeholder ஆகியவையே இதற்குக் காரணம். n8n credential-ஐ மீண்டும் உருவாக்கி, key-ஐச் சரியாகப் பதிவிடவும். நேற்று சரியாகச் செயல்பட்டிருந்தால், Console-ல் key நீக்கப்பட்டுள்ளதா அல்லது volume restore மூலம் வேறு ஏதேனும் N8N_ENCRYPTION_KEY கொண்டு குறியாக்கம் செய்யப்பட்ட credential-க்கு மாறியுள்ளதா எனச் சரிபார்க்கவும்.

429 rate_limit_error பிழையுடன் executions அவ்வப்போது தோல்வியடைகின்றன. "Number of request tokens has exceeded your per-minute rate limit" என்பது போன்ற செய்தி வரும். Rate limits என்பது ஒரு நிமிடத்திற்கான வரம்பாகும். n8n மூலம் ஒரே நேரத்தில் ஐம்பது webhook அல்லது RSS executions-ஐ இயக்குவது எளிது. இதைச் சரிசெய்ய, பணிகளை இணையாக (parallel) இயக்காமல், வரிசையாக (Loop Over Items) இயக்கவும். Retry On Fail-ஐத் தேர்வு செய்து, Max Tries-ஐ 3 ஆகவும், Wait Between Tries-ஐ அதன் அதிகபட்சமான 5000 ms ஆகவும் அமைக்கவும்; n8n இந்த field-ஐ 5000 ms-க்கு மேல் அனுமதிக்காது. அதிக நேரம் காத்திருக்க வேண்டியிருந்தால் (backoff), error path-ல் ஒரு Wait node-ஐச் சேர்க்கவும் அல்லது பொருட்களை ஒவ்வொன்றாகச் செயலாக்கவும். பதில் செய்தியில் உள்ள retry-after header, எவ்வளவு நேரம் காத்திருக்க வேண்டும் என்பதைக் குறிப்பிடும். n8n-ன் நிலையான wait வசதியால் அதை வாசிக்க முடியாது என்பதால், நீங்களே நீண்ட இடைவெளியை உருவாக்க வேண்டும்.

404 not_found_error பிழை, உங்கள் model-ன் பெயரைக் குறிப்பிடுகிறது. பிழைச் செய்தியில் தட்டச்சுப் பிழை (typo) எதிரொலிக்கும்:

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

Hyphen-க்கு பதிலாகப் புள்ளிகளைப் பயன்படுத்துவது (4-5-க்கு பதிலாக 4.5), பழைய blog post-ல் உள்ள date suffix, அல்லது பயன்பாட்டில் இல்லாத model ஆகியவை இதற்குக் காரணம். தற்போதைய பட்டியலைச் சரிபார்த்து model ID-ஐச் சரியாக அமைக்கவும். Model field-ஐ dropdown-ல் இருந்து தேர்ந்தெடுக்காமல், expression-ஆகத் தட்டச்சு செய்பவர்களுக்கு இந்தப் பிரச்சினை ஏற்படும்.

நீங்கள் கேட்காத கேள்விக்கு Claude பதிலளிக்கிறது. எந்தப் பிழையும் இல்லை, run பச்சை நிறத்தில் (green) காட்டுகிறது. ஒரு missing field-ஐக் குறிப்பிடும் n8n expression, உதாரணமாக message-ஐப் பயன்படுத்த வேண்டிய இடத்தில் {{ $json.body.text }}-ஐக் குறிப்பிடும்போது, அது undefined என்ற literal string-ஐ உங்கள் prompt-ல் சேர்க்கிறது. இதனால், எதைப் பற்றியும் இல்லாத ஒரு prompt-க்கு Claude பதிலளிக்கிறது. குறிப்பிட்ட node இயங்கவில்லை என்றால் "Referenced node is unavailable" என்ற பிழை வரும், ஆனால் field விடுபட்டிருந்தால் எந்த எச்சரிக்கையும் வராது. Activation-க்கு முன், எப்போதும் உண்மையான தரவுகளுடன் ஒருமுறை இயக்கி, node-ன் input panel-ல் உள்ள prompt-ஐச் சரிபார்க்கவும். Expression editor-ல் resolved value-ஐ முன்கூட்டியே பார்க்கலாம், நீங்கள் கவனித்தால் undefined அங்கேயே இருக்கும்.

FAQ

Claude-ஐ n8n-உடன் எவ்வாறு இணைப்பது?

Anthropic Console-ல் (platform.claude.com) ஒரு API key-ஐ உருவாக்கவும். பின் n8n-ல் Anthropic வகை credential-ஐச் சேர்த்து, அந்த API Key புலத்தில் அதை உள்ளிடவும். ஒவ்வொரு Claude node-ம், Anthropic app node மற்றும் Anthropic Chat Model sub-node-ம் அந்தச் சேமிக்கப்பட்ட credential-ஐயே குறிப்பிடுகின்றன. n8n அதை N8N_ENCRYPTION_KEY மூலம் குறியாக்கம் (encrypt) செய்கிறது, எனவே அந்த key-ஐ backup எடுக்கவும்; இல்லையெனில் volume இழக்கப்படும்போது உங்கள் credentials-ம் சேர்ந்து இழக்கப்படும்.

ஒரு AI workflow இயங்குவதற்கு எவ்வளவு செலவாகும்?

ஒரு முறை இயங்குவதற்குத் தேவைப்படும் tokens-ஐக் கணக்கிட்டு, ஜூலை 2026 நிலவரப்படி உள்ள model-ன் ஒரு மில்லியன் tokens-க்கான விலையுடன் பெருக்கவும். Haiku 4.5-க்கு input/output tokens முறையே $1/$5, Sonnet 5-க்கு $3/$15 (ஆகஸ்ட் 2026 வரை அறிமுக விலையாக $2/$10). Haiku-வில் ஒரு webhook summarization செய்ய கால் சென்ட் (quarter of a cent) செலவாகும்; Sonnet-ல் பல tool calls கொண்ட ஒரு agent இயங்கும்போது $0.06–$0.10 வரை ஆகலாம், ஏனெனில் ஒவ்வொரு முறையும் முழு உரையாடலும் input-ஆக மீண்டும் அனுப்பப்படுகிறது. மதிப்பீடுகளை மட்டும் நம்பாமல், Console-ன் usage பக்கத்தில் உண்மையான பயன்பாட்டைச் சரிபார்க்கவும்.

n8n automations-க்கு எந்த Claude model-ஐப் பயன்படுத்த வேண்டும்?

வேகம் மற்றும் விலை முக்கியத்துவம் வாய்ந்த classification, extraction, summarization மற்றும் routing போன்ற அதிகப்படியான பணிகளுக்கு Haiku 4.5-ஐப் பயன்படுத்தவும். AI Agent nodes மற்றும் பல கட்ட பகுத்தறிவு (multi-step reasoning) தேவைப்படும் பணிகளுக்கு Sonnet 5-ஐப் பயன்படுத்தவும். தவறான பதில் அதிக இழப்பை ஏற்படுத்தும் சூழலில் மட்டும் Opus 4.8-ஐப் பயன்படுத்தவும்; இதன் விலை Haiku-வை விட ஐந்து மடங்கும், Sonnet-ஐ விட இரண்டு மடங்கிற்கும் குறைவாகவும் ($5/$25) இருக்கும். ஒவ்வொரு workflow-க்கும் அல்லாமல், ஒவ்வொரு node-க்கும் தனித்தனியாக model-ஐ அமைக்கவும்; ஒரே workflow-ல் மூன்றையும் கலந்து பயன்படுத்தலாம்.

n8n workflow அதிகச் செலவு செய்வதைத் தடுப்பது எப்படி?

பாதுகாப்பு நடவடிக்கைகளை அடுக்கடுக்காக அமைக்கவும்: ஒவ்வொரு Claude node-லும் குறைந்த Max Tokens, agent-களுக்கு Max Iterations, workflow timeout மற்றும் தோல்விகள் செலவை அதிகரிக்காதவாறு கவனமான Retry On Fail அமைப்புகள். மேலும், ஏதேனும் AI workflow தோல்வியுற்றால் Slack மூலம் எச்சரிக்கும் Error Trigger workflow-ஐச் சேர்க்கவும். Anthropic Console-ல் மாதாந்திர செலவு வரம்பை (monthly spend limit) நிர்ணயிக்கவும்; இது VPS-ல் உள்ள எதுவும் மீற முடியாத இறுதிக் கட்டுப்பாடாக இருக்கும்.

AI Agent tool calls-க்கு கூடுதல் கட்டணம் உண்டா?

Tool பயன்பாட்டிற்குத் தனி கட்டணம் இல்லை, ஆனால் tools இலவசமல்ல: ஒவ்வொரு tool-ன் முடிவும் input tokens-ஆக மீண்டும் model-க்கு அனுப்பப்படுகிறது. ஒவ்வொரு agent iteration-ம் இதுவரை நடந்த முழு உரையாடலையும் மீண்டும் அனுப்புகிறது. வடிகட்டப்படாத API பதில் உங்கள் prompt-ஐ விடப் பெரியதாக இருக்கலாம்; HTTP Request tools-ல் Optimize Response-ஐ இயக்கி, agent-க்குத் தேவையான புலங்களை மட்டும் திரும்பப் பெறவும்.