VPS-ல் n8n மூலம் Claude AI workflow உருவாக்குவது எப்படி

நீங்கள் உருவாக்குவது என்ன

நீங்கள் ஏற்கனவே இயக்கும் n8n instance-ல் மூன்று செயல்பாட்டு AI workflow-க்கள்: நீங்கள் எறியும் எதையும் சுருக்கும் ஒரு webhook, கட்டுப்பாட்டு அட்டவணையில் இயங்கி கட்டுரைகளை கட்டமைக்கப்பட்ட spreadsheet வரிசைகளாக மாற்றும் ஒரு feed-reader, மற்றும் கேள்விகளுக்கு பதிலளிக்க தானாகவே ஒரு HTTP API-ஐ அழைக்கும் ஒரு AI Agent. இது உங்கள் VPS-ல் Python-இல் இருந்து Claude API-ஐ அழைப்பதற்கான no-code நிகராக்கம் — அதே API, அதே token-கள், அதே பில், ஆனால் orchestration ஒரு script-க்கு பதிலாக n8n node-க்களில் இருக்கிறது.

n8n ஏற்கனவே Docker கையேட்டின்படி self-hosted n8n மூலம் HTTPS க்குப் பின்னால் இயங்குகிறது என்று நான் கருதுகிறேன். அப்படி இல்லையென்றால், அதை முதலில் செய்யுங்கள் — webhook-க்களுக்கு உண்மையான TLS endpoint தேவை, மேலும் நீங்கள் API key-ஐ சேர்க்க இருக்கும் credential store-க்கு அந்த கையேடு எச்சரிக்கும் encryption-key காப்புப்பிரதி தேவை.

இங்கே உள்ள சுவாரஸ்யமான பிரச்சினைகள் drag-and-drop அல்ல. அவை node-க்களுக்கு ஏற்றவாறு model தேர்வு செய்வது, undefined-ஐ அமைதியாக interpolate செய்யும் prompt புலங்கள், மற்றும் ஒரு automation கண்காணிப்பின்றி இயங்குகிறது என்பதுதான் — ஒரு முறை இயக்கத்திற்கு அரை சென்ட் விலையுள்ள workflow மலிவானதுதான், ஆனால் ஒரு retry loop இரவில் அதை நான்காயிரம் முறை இயக்கும் வரை. இந்த கையேட்டின் பெரும்பகுதி அவற்றைப் பற்றியதே.

ஒரு credential, நீங்கள் காப்பு எடுத்த key ஆல் encrypt செய்யப்பட்டது

platform.claude.com-ல் உள்ள Anthropic Console-இல் இருந்து ஒரு API key பெறுங்கள் — Settings, பின்னர் API Keys, பின்னர் n8n-vps போன்ற ஒரு பெயருடன் ஒரு key உருவாக்குங்கள். அது ஒரு முறை மட்டுமே காட்டப்படும். கணக்கிற்கு பணம் செலுத்துங்கள் அல்லது billing அமைக்கவும்; API பயன்பாடு pay-per-token ஆகும், மேலும் எந்த Claude.ai சந்தாவிற்கும் முற்றிலும் தனியானது.

n8n-ல்: Credentials, Create credential, Anthropic-ஐத் தேர்ந்தெடுத்து, key-ஐ API Key புலத்தில் ஒட்டவும், பின்னர் சேமிக்கவும். ஒவ்வொரு workflow-லும் உள்ள ஒவ்வொரு Claude node-ம் இந்த ஒரு சேமிக்கப்பட்ட credential-ஐ குறிப்பிடுகிறது — நீங்கள் ஒருபோதும் key-ஐ ஒரு node-க்குள் ஒட்ட மாட்டீர்கள்.

இரண்டு செயல்பாட்டு குறிப்புகள். முதலாவதாக, n8n சேமிக்கப்பட்ட credential-க்களை N8N_ENCRYPTION_KEY ஆல் encrypt செய்கிறது. நீங்கள் n8n கையேட்டின்படி உங்கள் compose file-ல் அந்த env var-ஐ வெளிப்படையாக அமைத்தால், உங்கள் credential container மறுகட்டமைப்புகளில் தப்பிப்பிழைக்கும்; நீங்கள் n8n ஒன்றை உருவாக்க அனுமதித்து பின்னர் volume-ஐ இழந்தால், ஒவ்வொரு சேமிக்கப்பட்ட credential-ம் — இந்த key உட்பட — மீட்க முடியாத ciphertext ஆகும். நீங்கள் அதை தவறவிட்டால் key-ஐ இப்போது காப்பு எடுக்கவும். இரண்டாவதாக, n8n credential store-ஐ blast radius ஆக கருதுங்கள்: உங்கள் instance-ல் workflow-க்களைத் திருத்த யாராலும் முடிந்தால், அவர்களால் உங்கள் Anthropic key-ஐ வைத்து request-களை செய்ய முடியும். Settings-க்கு கீழ் Console-ல் ஒரு spend limit அமைக்கவும், இதனால் ஒரு பாதிக்கப்பட்ட அல்லது கட்டுப்பாட்டை மீறும் instance-க்கு ஒரு உச்சவரம்பு இருக்கும்.

Model தேர்வு என்பது ஒரு per-node முடிவு

n8n-ன் Claude node-க்களில் உள்ள model dropdown API-ல் இருந்து நேரடியாக எடுக்கப்படுகிறது, எனவே உங்கள் key அணுகக்கூடியவற்றை அது காட்டுகிறது. ஜூலை 2026 நிலவரப்படி, வரிசை மற்றும் ஒரு மில்லியன் input/output token-களுக்கான API விலை: 200K context window உடன் Claude Haiku 4.5 (claude-haiku-4-5) $1/$5 விலையில், Claude Sonnet 5 (claude-sonnet-5) $3/$15 விலையில் — ஆகஸ்ட் 31, 2026 வரை அறிமுக $2/$10 — மற்றும் Claude Opus 4.8 (claude-opus-4-8) $5/$25 விலையில், இரண்டும் 1M-token context window உடன். கடினமான reasoning வேலைக்கு Claude Fable 5 (claude-fable-5) $10/$50 விலையிலும் உள்ளது; இந்த கையேட்டில் எதற்கும் அது தேவையில்லை. அந்த சரியான ID-களைப் பயன்படுத்துங்கள் — பழைய பயிற்சி கையேட்டில் இருந்து நீங்கள் நினைவில் வைத்த தேதி-பின்னொட்டு மாறுபாடு 404 தரும், மேலும் விலைகள் மாறும், எனவே இங்கே உட்பட எங்கும் நீங்கள் படிக்கும் எந்த எண்ணையும் நம்புவதற்கு முன் platform.claude.com-ஐ சரிபார்க்கவும்.

உருவாக்க வேண்டிய பழக்கம்: platform-க்கு அல்ல, node-க்கு ஏற்றவாறு model-ஐத் தேர்ந்தெடுக்கவும். Classification, extraction, summarization, routing — automation-ன் அடிப்படை வேலைகள் — Haiku-ல் Sonnet-ன் பட்டியல் விலையில் மூன்றில் ஒரு பங்கு மற்றும் Opus-ன் ஐந்தில் ஒரு பங்கு விலையில் சிறப்பாக இயங்கும். Agent-கள் மற்றும் பல-படி reasoning-க்கு Sonnet-ஐ ஒதுக்கவும், தவறான பதில் token-களை விட அதிக செலவாகும் அரிய workflow-க்கு Opus-ஐ ஒதுக்கவும். ஐந்து Claude node-க்கள் கொண்ட ஒரு workflow model-க்களை கலந்து பயன்படுத்தலாம், அப்படியே செய்யவும்.

இரண்டு Claude node-க்கள், எதை எங்கு பயன்படுத்துவது

n8n இரண்டு தனித்துவமான Anthropic integration-களை வழங்குகிறது, தவறானதைத் தேர்ந்தெடுப்பது பொதுவான ஆரம்ப தடமாகும்.

Anthropic node ஒரு வழக்கமான app node ஆகும்: ஒரு request உள்ளே, ஒரு response வெளியே. அதன் Text resource-க்கு Message a Model செயல்பாடு உள்ளது, மேலும் படங்கள் மற்றும் ஆவணங்களை பகுப்பாய்வு செய்வதற்கான செயல்பாடுகளும் உள்ளன. workflow logic n8n-ல் இருக்கும்போதெல்லாம் இதைப் பயன்படுத்துங்கள் — trigger, Claude call, அடுத்த node. கீழே உள்ள Workflow 1 மற்றும் 2 இதை அல்லது இதன் chain நிகரானதைப் பயன்படுத்துகின்றன.

Anthropic Chat Model node ஒரு sub-node ஆகும் — AI Agent அல்லது Basic LLM Chain போன்ற root node-க்கு model-ஐ வழங்கும் ஒரு சிறிய இணைப்பு. அதற்கு trigger இல்லை, அதற்கே உரிய output இல்லை; இது model picker மற்றும் Maximum Number of Tokens மற்றும் Sampling Temperature போன்ற sampling விருப்பங்களை வெளிப்படுத்துகிறது. n8n ஆவணங்களில் இருந்து நினைவில் வைக்கத்தக்க ஒரு எச்சரிக்கை: sub-node-க்களுக்குள் உள்ள expression-கள் எப்போதும் ஒவ்வொரு item-ம் அல்லாமல் முதல் input item-ஐ கொண்டு தீர்க்கப்படும் — per-item expression-களை sub-node-ல் அல்லாமல் root node-ன் prompt புலங்களில் வைக்கவும்.

Workflow 1: webhook உள்ளே, summary வெளியே

AI automation-ன் hello-world: ஒரு URL-க்கு POST செய்யப்படும் எதுவும் சுருக்கப்பட்டு Slack அல்லது உங்கள் inbox-ல் வந்து சேரும்.

1. Webhook node — HTTP Method POST, path summarize. n8n உங்களுக்கு ஒரு test URL மற்றும் ஒரு production URL தருகிறது; production URL workflow செயலில் இருக்கும்போது மட்டுமே கேட்கும்.
2. Anthropic node — Message a Model, model claude-haiku-4-5, Max Tokens தோராயமாக 300.
3. Slack node (அல்லது Send Email) — response text-ஐ ஒரு channel-ல் இடுங்கள்.

prompt தான் n8n expression-கள் Claude-ஐ சந்திக்கும் இடம். ஒரு POST body $json.body-க்கு கீழ் வரும், எனவே user message புலம் இப்படி இருக்கும்:

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

{{ $json.body.text }}

Role மற்றும் format அறிவுறுத்தல்களை user message-ல் அல்லாமல் node-ன் system prompt புலத்தில் வைக்கவும் — payload மாறும்போது system prompt மாறாமல் இருக்கும், இது நடத்தை நிலையாக வைத்திருக்கிறது மற்றும் ஆறு மாதங்களுக்கு பிறகு prompt-ஐ புரியக்கூடியதாக ஆக்குகிறது. VPS-ல் இருந்தே இதை 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-ல் ஒரு முறை இயக்கத்திற்கான செலவு: 1,200-token payload மற்றும் prompt உள்ளீட்டில் தோராயமாக $0.0012, 300 token வெளியீடு $0.0015 — தோராயமாக ஒரு கால் சென்ட். ஒரு மாதத்திற்கு ஆயிரம் முறை இயக்கம் $3-க்குள் இருக்கும். அதே node Opus 4.8-ஐ குறிப்பிடுவது தோராயமாக அதன் ஐந்து மடங்கு. நீங்கள் உருவாக்கும் ஒவ்வொரு workflow-லும் இந்த விகிதம் பெருக்கப்படுவதே per-node model பழக்கம் முக்கியமானதற்கான காரணம்.

Workflow 2: கட்டுப்படுத்தப்பட்ட RSS இல் இருந்து கட்டமைக்கப்பட்ட வரிசைகள்

இப்போது ஒரு கடிகாரத்தில் இயங்கும் ஏதாவது, கட்டமைக்கப்பட்ட output உடன்: ஒரு RSS feed-ஐ மணித்தியாலம் ஒருமுறை படிக்கவும், ஒவ்வொரு item-ஐயும் classify செய்யவும், ஒரு sheet-ல் வரிசைகளை append செய்யவும்.

1. Schedule Trigger — ஒவ்வொரு மணித்தியாலமும்.
2. RSS Read — feed URL. ஒரு கட்டுரைக்கு ஒரு item-ஐ output ஆக தருகிறது.
3. Basic LLM Chain — claude-haiku-4-5 என அமைக்கப்பட்ட ஒரு Anthropic Chat Model sub-node உடன், மற்றும் ஒரு JSON schema-ஐ கொண்ட ஒரு Structured Output Parser sub-node உடன்.
4. Google Sheets (அல்லது Postgres) — ஒரு item-க்கு ஒரு வரிசை append செய்யவும்.

Structured Output Parser தான் "Claude, தயவு செய்து JSON return செய்" என்ற நம்பிக்கையை ஒரு ஒப்பந்தமாக மாற்றுகிறது: இது உங்கள் schema-ஐ கொண்டு model-ன் பதிலை validate செய்கிறது மற்றும் குப்பை வரிசைகளை எழுதுவதற்கு பதிலாக item-ஐ சத்தமாக fail செய்கிறது. ஒரு schema இப்படி:

{
  "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 chain-ன் prompt feed item-ஐ குறிப்பிடுகிறது:

Classify this article for a VPS hosting audience.

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

செலவு கணக்கீடு இங்கே வடிவம் மாறுகிறது: இது per-run அல்ல, per-item. ஒரு மணித்தியாலம் ஐம்பது கட்டுரைகள், ஒரு நாளைக்கு இருபத்தி நான்கு மணித்தியாலங்கள், என்பது ஒரு மாதத்திற்கு 36,000 Claude call-கள் — Haiku-ல் கட்டுரை நீளத்தைப் பொறுத்து தோராயமாக $40–90, Opus-ல் தோராயமாக அதன் ஐந்து மடங்கு. LLM node-க்கு முன் deduplicate செய்யவும் (முன்பு பார்த்த link-களுக்கு எதிராக ஒரு எளிய IF, அல்லது n8n-ன் Remove Duplicates node) மற்றும் எண்ணிக்கை சுருங்கும், ஏனெனில் பெரும்பாலான மணித்தியால போல்களில் புதியது எதுவும் இருக்காது. மலிவான token நீங்கள் ஒருபோதும் செய்யாத call தான்.

Workflow 3: tool-க்களைப் பயன்படுத்தும் ஒரு AI Agent

முதல் இரண்டு workflow-க்களும் pipeline-கள் — படிகளை நீங்களே தீர்மானிக்கிறீர்கள். ஒரு AI Agent node அதை தலைகீழாக மாற்றுகிறது: நீங்கள் Claude-க்கு ஒரு குறிக்கோள் மற்றும் tool-க்களை கொடுக்கிறீர்கள், அது முடியும் வரை எந்த tool-க்களை, எந்த வரிசையில் அழைக்க வேண்டும் என்பதை அதுதான் தீர்மானிக்கிறது. n8n-க்கு ஒரு chat model sub-node மற்றும் இணைக்கப்பட்ட குறைந்தது ஒரு tool sub-node தேவை.

ஒரு கூடுதல் கட்டமைப்பு — உங்கள் monitoring-ல் இருந்து "எது down ஆகிறது மற்றும் ஏன்" என்பதற்கு பதிலளிக்கும் ஒரு ops assistant:

1. Chat Trigger (அல்லது webhook) — கேள்வி வருகிறது.
2. AI Agent — claude-sonnet-5 என அமைக்கப்பட்ட ஒரு Anthropic Chat Model sub-node உடன். Agent-கள் திட்டமிட்டு tool call-களை இணைக்கின்றன; Haiku எளிய ஒற்றை-tool agent-களை இயக்க முடியும், ஆனால் tool-க்கள் பெருகும்போது Sonnet தான் பகுத்தறிவுக்குரிய அடிப்படை தளம்.
3. HTTP Request node ஒரு tool ஆக இணைக்கப்பட்டது — உங்கள் Uptime Kuma status API அல்லது Zabbix endpoint-ஐ குறிப்பிடுகிறது. ஒரு இரண்டாவது HTTP tool வேறு எதையும் REST API உடன் அணுக முடியும்.

இரண்டு அமைப்புகள் பெரும்பாலான வேலையை செய்கின்றன. Agent-ன் System Message வேலையை வரையறுக்கிறது: "நீங்கள் ஒரு ops assistant. பதிலளிக்க முன் தற்போதைய monitor நிலையை சரிபார்க்க status tool-ஐப் பயன்படுத்துங்கள். down ஆக உள்ள monitor-களை மட்டும், duration உடன் தெரிவியுங்கள்." மேலும் ஒவ்வொரு tool-ன் description மனிதர்களுக்கான ஆவணம் அல்ல — அது Claude அதை எப்போது அழைக்க வேண்டும் என்று தீர்மானிக்கும் வழியாகும். "அனைத்து monitor செய்யப்பட்ட சேவைகளுக்கான தற்போதைய up/down நிலையை JSON ஆக return செய்கிறது" சரியான நேரங்களில் அழைக்கப்படும்; "status API" புறக்கணிக்கப்படும் அல்லது தவறாக பயன்படுத்தப்படும். நீங்கள் HTTP Request node-ஐ tool ஆக இணைக்கும்போது, அதன் Optimize Response விருப்பத்தை enable செய்து முக்கியமான JSON புலங்களைத் தேர்ந்தெடுக்கவும் — இல்லையென்றால் ஒவ்வொரு verbose API response-ம் நீங்கள் கட்டணம் செலுத்தும் input token-களாக model-ன் context-க்குள் தள்ளப்படும்.

Agent-ல் Max Iterations-ஐ (இயல்புநிலை 10) செயல்படும் மிகச்சிறிய எண்ணாக அமைக்கவும் — இது "agent 4 tool call-களுக்கு பிறகு கைவிட்டது" என்பதற்கும் ஒரு டசன் model round-trip-களின் loop-க்கும் உள்ள வித்தியாசம். மேலும் billing வடிவத்தைப் புரிந்துகொள்ளுங்கள்: ஒவ்வொரு iteration-ம் இதுவரையிலான முழு உரையாடலையும் — system message, கேள்வி, ஒவ்வொரு முந்தைய tool முடிவும் — input token-களாக மீண்டும் அனுப்புகிறது. ஒரு ஆறு-iteration agent இயக்கம் எளிதாக 20,000 தொகுப்பு input token-கள் மற்றும் 2,000 output ஆக மொத்தமாக இருக்கலாம்: Sonnet 5-ன் அறிமுக விலையில் தோராயமாக $0.06, நிலையான $3/$15 விலையில் தோராயமாக $0.09 — ஒரு எளிய summarization இயக்கத்தை விட இருபது மடங்கு என்று கருதுங்கள். நீங்கள் பல tool-க்களை ஒரே agent-ல் இணைக்கும் நிலைக்கு வந்தால், அது உங்கள் VPS-ல் MCP server-களை இயக்குவது சுத்தமான architecture ஆகும்.

செலவு பாதுகாப்பு வேலிகள், ஏனெனில் யாரும் கண்காணிப்பதில்லை

கண்காணிப்பின்றி இயங்கும் ஒரு workflow-க்கு ஒரு மனிதர் விசைப்பலகையில் அளிக்கும் கட்டுப்பாடுகள் தேவை. நான்கு அடுக்குகள், மலிவானது முதலில்.

ஒவ்வொரு Claude node-லும் Max Tokens. இது ஒரு கடினமான output உச்சவரம்பு. ஒரு summarizer-க்கு 300, ஒரு classifier-க்கு 100 தேவை. இது கணக்குப்புத்தகத்தின் விலையான பக்கத்தை வரம்பிற்குள் வைக்கிறது (ஒரு மில்லியன் output token-களுக்கு $5–$25, input-க்கு $1–$5-க்கு எதிராக) மற்றும் ஒரு runaway brake ஆகவும் செயல்படுகிறது — Claude-ஐ அலைய வைக்கும் ஒரு prompt bug 8,000-க்கு பதிலாக 300 token-கள் செலவிடும்.

ஒரு node-க்கு ஒரு model. மேலே குறிப்பிடப்பட்டது; தற்போதைய வரிசையில் இது ஐந்து முதல் பத்து மடங்கு விலை நெம்புகோல் மற்றும் அமைக்க பத்து விநாடிகள் ஆகும்.

Loop-களை வரம்புக்குள் வைக்கவும். Agent-களில் Max Iterations. ஒரு workflow சிக்கித் தடுமாறாமல் இறக்க, workflow-ன் அமைப்புகளில் ஒரு workflow timeout. மேலும் per-node Retry On Fail-ஐ கவனமாக பயன்படுத்தவும்: இது தற்காலிக பிழைகளுக்கு சரியான tool, ஆனால் retry-கள் செலவை பெருக்கும் — Max Tries 3 மற்றும் Wait Between Tries 5000 ms என்றால், ஒரு தொடர்ச்சியான தோல்வி கைவிடுவதற்கு முன் ஒரு item-க்கு மூன்று முறை வரை கட்டணம் அறவிடும். ஏற்கனவே விலையுயர்ந்த வகையில் வெற்றிபெற்ற ஒரு node-ஐ retry-ஆல் மூட வேண்டாம்.

ஒரு error workflow கடைசி பாதுகாப்பாக. Error Trigger node உடன் தொடங்கும் ஒரு workflow-ஐ உருவாக்கி, தோல்வியடைந்த workflow-ன் பெயர் மற்றும் பிழையை Slack-ல் இடுங்கள், பின்னர் அதை ஒவ்வொரு AI workflow-ன் அமைப்புகளிலும் Error Workflow ஆக அமைக்கவும். இது பிடிக்கும் தோல்வி நிலை அழகற்றது: ஒரு schedule-triggered workflow ஒவ்வொரு முறையும், ஒவ்வொரு மணித்தியாலமும், ஒரு வாரமாக தோல்வியடைவது — ஒவ்வொரு இயக்கமும் இறப்பதற்கு முன் token-களை எரிக்கிறது. இதை Anthropic Console-ல் ஒரு மாதாந்திர spend limit உடன் இணைக்கவும் மற்றும் ஏதேனும் schedule செய்யப்பட்டதை activate செய்த பிறகு முதல் சில நாட்கள் Console-ன் usage பக்கத்தை சரிபார்க்கவும். நீங்கள் எதற்காக கட்டணம் செலுத்துகிறீர்கள் என்பதை துல்லியமாக புரிந்துகொள்ள விரும்பினால், token-usage கையேடு அதை விரிவாக ஆராய்கிறது.

தோல்வி நிலைகள், நீங்கள் காணும் string-களுடன்

Node "Authorization failed - please check your credentials." உடன் உடனடியாக தோல்வியடைகிறது. API 401 return செய்தது. அடிப்படையிலான body:

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

தவறாக ஒட்டப்பட்ட key — துண்டிக்கப்பட்டது, பின்னொட்டு whitespace, அல்லது ஒரு பயிற்சி கையேட்டில் இருந்து placeholder. n8n credential-ஐ மீண்டும் உருவாக்கி மீண்டும் ஒட்டவும்; அது நேற்று வேலை செய்தது என்றால், Console-ல் key திரும்பப் பெறப்பட்டதா அல்லது ஒரு volume restore வேறு ஒரு N8N_ENCRYPTION_KEY ஆல் encrypt செய்யப்பட்ட credential-க்கு மாற்றியதா என்று சரிபார்க்கவும்.

இயக்கங்கள் 429 rate_limit_error, "Number of request tokens has exceeded your per-minute rate limit." போன்ற செய்தியுடன் தொகுதியாக தோல்வியடைகின்றன. Rate limit-கள் per-minute bucket-கள், மேலும் n8n ஐம்பது webhook அல்லது RSS இயக்கங்களை ஒரே நேரத்தில் இயக்க மிக எளிதாக்குகிறது. இதை structurally சரிசெய்யவும்: item-களை இணையாக அல்லாமல் தொடர்ச்சியாக process செய்யவும் (Loop Over Items), மேலும் Retry On Fail-ஐ Max Tries 3 மற்றும் Wait Between Tries-ஐ அதன் 5000 ms அதிகபட்சத்தில் அமைக்கவும் — n8n அந்த புலத்தை 5000 ms-இல் கட்டுகிறது. நீங்கள் ஒரு நீண்ட backoff தேவைப்படும்போது, அடுத்த நிமிட சாளரத்தில் retry-கள் வர பிழை பாதையில் ஒரு Wait node வைக்கவும் அல்லது item-களை ஒரு நேரத்தில் ஒன்றாக process செய்யவும். Response எவ்வளவு காத்திருக்க வேண்டும் என்று சொல்லும் ஒரு retry-after header கொண்டு வருகிறது — n8n-ன் fixed wait அதை படிக்க முடியாது, எனவே நீண்ட இடைவெளியை நீங்களே உருவாக்கவும்.

உங்கள் model-ஐ குறிப்பிடும் 404 not_found_error. Body அந்த typo-ஐ பிரதிபலிக்கிறது:

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

Hyphen-க்கு பதிலாக Dot-கள் (4-5-க்கு பதிலாக 4.5), காலாவதியான வலைப்பதிவு பதிவில் இருந்து ஒரு தேதி பின்னொட்டு, அல்லது ஒரு ஓய்வு பெற்ற model. ID-ஐ தற்போதைய பட்டியலுக்கு எதிராக சரிசெய்யவும் — இது dropdown-ல் இருந்து தேர்ந்தெடுப்பதற்கு பதிலாக model புலத்தில் expression ஆக தட்டச்சு செய்பவர்களை தாக்குகிறது.

Claude நீங்கள் கேட்காத ஒரு கேள்விக்கு பதிலளிக்கிறது. எங்கும் பிழை இல்லை — இயக்கம் பச்சையாக உள்ளது. ஒரு விடுபட்ட புலத்தை குறிப்பிடும் ஒரு n8n expression, payload message-ஐ பயன்படுத்தியபோது {{ $json.body.text }} போன்றது, அக்ஷரச் சரம் undefined-ஐ உங்கள் prompt-க்குள் interpolate செய்கிறது, மேலும் Claude எதையும் இல்லாத ஒரு prompt-க்கு விளையாட்டாக பதிலளிக்கிறது. குறிப்பிடப்பட்ட node இயங்கவே இல்லையென்றால் நீங்கள் "Referenced node is unavailable" பெறுவீர்கள், ஆனால் ஒரு விடுபட்ட புலம் அமைதியானது. Activate செய்வதற்கு முன், எப்போதும் உண்மையான தரவுடன் ஒரு முறை இயக்கி, node-ன் input panel-ல் உண்மையான render செய்யப்பட்ட prompt-ஐ படிக்கவும் — expression editor தீர்க்கப்பட்ட மதிப்பை preview செய்கிறது, மேலும் நீங்கள் பார்த்தால் undefined அங்கே இருக்கிறது.

FAQ

Claude-ஐ n8n உடன் எப்படி இணைப்பது?

platform.claude.com-ல் உள்ள Anthropic Console-ல் ஒரு API key உருவாக்கவும், பின்னர் n8n-ல் Anthropic வகையின் ஒரு credential சேர்த்து அதை API Key புலத்தில் ஒட்டவும். ஒவ்வொரு Claude node-ம் — Anthropic app node மற்றும் Anthropic Chat Model sub-node — அந்த சேமிக்கப்பட்ட credential-ஐ குறிப்பிடுகிறது. n8n அதை N8N_ENCRYPTION_KEY ஆல் encrypt செய்கிறது, எனவே அந்த key-ஐ காப்பு எடுக்கவும், இல்லையென்றால் உங்கள் credential-க்கள் volume உடன் இழக்கப்படும்.

ஒரு AI workflow ஒரு முறை இயக்கத்திற்கு எவ்வளவு செலவாகும்?

ஒரு முறை இயக்கத்திற்கான token-களை கணித்து, பின்னர் model-ன் per-million விலைகளால் பெருக்கவும் — ஜூலை 2026 நிலவரப்படி, Haiku 4.5 ஒரு மில்லியன் input/output token-களுக்கு $1/$5 மற்றும் Sonnet 5 $3/$15 (ஆகஸ்ட் 2026 வரை அறிமுக $2/$10). Haiku-ல் ஒரு webhook summarization தோராயமாக ஒரு கால் சென்ட்; பல tool call-களுடன் Sonnet-ல் ஒரு agent இயக்கம் ஒவ்வொரு iteration-ம் முழு உரையாடலையும் input ஆக மீண்டும் அனுப்புவதால் $0.06–$0.10-க்கு அருகில் வரும். கணிப்புகளை நம்பாமல் Console-ன் usage பக்கத்தில் இயக்கத்தை சரிபார்க்கவும்.

n8n automation-களுக்கு எந்த Claude model-ஐ பயன்படுத்த வேண்டும்?

Classification, extraction, summarization, மற்றும் routing-க்கு Haiku 4.5 — வேகம் மற்றும் விலை முக்கியமான அதிக-அளவு வேலை. AI Agent node-கள் மற்றும் பல-படி reasoning-க்கு Sonnet 5. ஒரு தவறான பதில் அதன் $5/$25 பட்டியல் விலையை நியாயப்படுத்தும் அளவு விலையுயர்ந்ததாக இருக்கும் இடங்களில் மட்டும் Opus 4.8 — Haiku-ன் ஐந்து மடங்கு, Sonnet-ன் இரண்டு மடங்கிற்கும் கீழே. Model-ஐ workflow-க்கு அல்லாமல் node-க்கு அமைக்கவும் — ஒரு workflow மூன்றையும் கலந்து பயன்படுத்தலாம்.

ஒரு n8n workflow Claude API-ல் அதிக செலவழிப்பதை எப்படி தடுப்பது?

பாதுகாப்பு வேலிகளை அடுக்கவும்: ஒவ்வொரு Claude node-லும் குறைந்த Max Tokens, agent-களில் Max Iterations, ஒரு workflow timeout, மற்றும் தோல்விகள் token செலவை பெருக்காதபடி பழக்கமான Retry On Fail அமைப்புகள். பின்னர் எந்த AI workflow தோல்வியடைந்தாலும் Slack-ல் உங்களுக்கு எச்சரிக்கும் ஒரு Error Trigger workflow சேர்க்கவும், மேலும் Anthropic Console-ல் ஒரு மாதாந்திர spend limit-ஐ VPS-ல் எதுவும் மீற முடியாத கடினமான உச்சவரம்பாக அமைக்கவும்.

AI Agent tool call-களுக்கு கூடுதல் கட்டணம் உண்டா?

தனி tool கட்டணம் இல்லை, ஆனால் tool-கள் இலவசம் அல்ல: ஒவ்வொரு tool முடிவும் input token-களாக model-க்கு மீண்டும் புகுத்தப்படுகிறது, மேலும் ஒவ்வொரு agent iteration-ம் இதுவரையிலான முழு உரையாடலையும் மீண்டும் அனுப்புகிறது. வடிகட்டப்படாமல் அனுப்பப்படும் ஒரு அதிகப்படியான API response உங்கள் உண்மையான prompt-ஐ விட பெரியதாக இருக்கலாம் — HTTP Request tool-களில் Optimize Response-ஐ enable செய்து agent-க்கு தேவையான புலங்களை மட்டும் return செய்யவும்.