சொந்த VPS-ல் n8n AI Agent உருவாக்குவது எப்படி?
n8n AI Agent node, Claude model, HTTP Request tool மற்றும் memory பயன்படுத்தி சொந்தமாக AI Agent உருவாக்குவது எப்படி என்பதை அறிக. செலவைக் கட்டுப்படுத்தும் முக்கிய அமைப்புகள் இதோ.
n8n AI agent என்றால் என்ன, அது chain-ல் இருந்து எவ்வாறு வேறுபடுகிறது
n8n AI agent என்பது அதனுடன் இணைக்கப்பட்ட sub-nodes-களைக் கொண்ட ஒரு AI Agent node ஆகும்: இதில் ஒரு chat model, ஒன்று அல்லது அதற்கு மேற்பட்ட tools, மற்றும் விருப்பத்தேர்வாக memory இருக்கும். நீங்கள் ஒரு இலக்கை எளிய மொழியில் குறிப்பிடுவீர்கள்; அந்த model எந்தெந்த கருவிகளை, எந்த வரிசையில் பயன்படுத்த வேண்டும் என்பதைத் தீர்மானித்து பதிலளிக்கும். கீழே உள்ள அனைத்தும் அந்த ஒரு கருத்தைச் சுற்றியுள்ள configuration ஆகும்.
Chain இதற்கு நேர்மாறாகச் செயல்படுகிறது. ஒரு Basic LLM Chain-ல் நீங்களே படிகளைத் தீர்மானிக்கிறீர்கள், model வெறும் உரையை மட்டுமே நிரப்புகிறது. Agent-ல் model-தான் படிகளைத் தீர்மானிக்கிறது, எனவே ஒரே கேள்விக்கு இன்று ஒரு model call தேவைப்படலாம், நாளை ஒன்பது தேவைப்படலாம். அந்த ஒரு சிறிய வேறுபாடே இந்த வழிகாட்டியில் உள்ள ஒவ்வொரு அமைப்பையும் தீர்மானிக்கிறது. இந்த loop முறை உங்களுக்கு n8n வசதியாக இல்லாமல் ஒரு புதிய கருத்தாக இருந்தால், அதை nodes மூலம் கட்டமைக்கும் முன் ஒருமுறை கையால் எழுதிப் பார்ப்பது நல்லது. ஏனெனில், இந்த வழிகாட்டியின் எஞ்சிய பகுதியில் நீங்கள் எதைப் பற்றிச் சிந்திக்கப் போகிறீர்களோ, அந்த நுணுக்கமான பகுதியை node மறைத்துவிடுகிறது.
n8n ஏற்கனவே உங்கள் கட்டுப்பாட்டில் உள்ள ஒரு machine-ல் HTTPS-க்கு பின்னால் இயங்குகிறது என்று இது கருதுகிறது. அவ்வாறு இல்லையெனில், Docker-ல் உண்மையான certificate-உடன் n8n-ஐ self-host செய்வது என்பதில் தொடங்குங்கள். ஏனெனில், நீங்கள் சேமிக்கப்போகும் API key-க்கு அந்த வழிகாட்டியில் வலியுறுத்தப்படும் encryption-key backup தேவைப்படுகிறது. Agent அல்லாத patterns, webhook summarizers மற்றும் scheduled classifiers ஆகியவற்றிற்கு, Claude மற்றும் n8n workflow patterns-ஐப் பார்க்கவும்.
இங்குள்ள எந்தவொரு field பெயரையும் நம்புவதற்கு முன் உங்கள் version-ஐச் சரிபார்க்கவும், ஏனெனில் n8n அடிக்கடி AI nodes-ஐ மாற்றுகிறது.
docker compose exec n8n n8n --versionVersion 1.82.0-ல் agent-type அமைப்பு நீக்கப்பட்டு, அதற்குப் பதிலாக Tools Agent கொண்டுவரப்பட்டது. பழைய v1 nodes-ல் இன்னும் அந்த அமைப்பு உள்ளது; n8n-ன் ஆவணங்கள் அந்த node version-ன் நீக்கத்தை n8n 3.0-க்கு ஒதுக்கியுள்ளன.
படி 1: தூண்டுதலைத் (trigger) தேர்ந்தெடுத்தல்
ஒரு உரையாடல் முகவருக்கு (conversational agent), Chat Trigger முனையைச் சேர்க்கவும். நீங்கள் உருவாக்கும்போது Make Chat Publicly Available என்பதை அணைத்து வைக்கவும், அப்போதுதான் எடிட்டரின் chat panel மூலம் மட்டுமே அதை அணுக முடியும். முகவர் தயாராகி, அங்கீகாரத்தை (authentication) முடிவு செய்த பிறகு அதை இயக்கவும்.
Chat Trigger முகவருக்கு chatInput என்ற புலத்தை (field) வழங்குகிறது. அந்தப் பெயர் படி 3-ல் முக்கியமானது, அதைத் தவறாகக் குறிப்பிடுவதுதான் முதல் தோல்விக்கு மிகப்பொதுவான காரணமாகும்.
கண்காணிப்பாளர் இல்லாத முகவருக்கு (unattended agent), அதற்குப் பதிலாக Schedule Trigger அல்லது Webhook முனையைப் பயன்படுத்தவும். இவை இரண்டுமே chatInput-ஐ உருவாக்குவதில்லை, எனவே நீங்கள் prompt-ஐ நீங்களே எழுத வேண்டியிருக்கும்.
படி 2: model credential
Canvas-ல் ஒரு AI Agent node-ஐச் சேர்க்கவும். n8n உடனடியாக அதன் கீழே ஒரு காலியான Chat Model connector-ஐக் காட்டும். அதில் ஒரு Anthropic Chat Model sub-node-ஐ இணைக்கவும்.
platform.claude.com-ல் உள்ள Claude Console-ன் Settings மற்றும் API keys பகுதிக்குச் சென்று credential-ஐ உருவாக்கவும். இந்த key ஒருமுறை மட்டுமே காட்டப்படும். key-ஐ உருவாக்கும்போது அதன் காலாவதி தேதியைத் தேர்வு செய்ய Console கேட்கும். காலாவதி தேதி முடிந்ததும் unattended agent இயங்குவதை நிறுத்திவிடும் என்பதால், அந்தத் தேதியை நீங்கள் அடிக்கடி பார்க்கும் இடத்தில் குறித்து வைக்கவும். Unattended agent-க்கு, workspace-ல் வரையறுக்கப்பட்ட service account key-ஐப் பயன்படுத்தவும்; அப்போதுதான் ஒவ்வொரு கோரிக்கைக்கும் தனி workspace header தேவையில்லை.
API பயன்பாட்டிற்கு token அடிப்படையில் கட்டணம் வசூலிக்கப்படும். 31 October 2026 நிலவரப்படி, உங்கள் Claude plan-ஐப் பொறுத்து கட்டண முறை அமையும். Max, Ultra மற்றும் Team plans-ல் மாதாந்திர API credits உண்டு: Max-க்கு $100, Ultra-க்கு $200, மற்றும் Team-க்கு $500 வரை pooled credits கிடைக்கும். Max அல்லது Ultra-ல் Settings > Billing மூலமும், Team-ல் Organization settings > Billing மூலமும் Console organization-ஐ உங்கள் plan-உடன் இணைப்பதன் மூலம் இதைப் பெறலாம். Console-ல் தனிப்பட்ட payment method-ஐச் சேர்க்க வேண்டிய அவசியமில்லை. புதிய சந்தாதாரர்கள் plan-ல் சேர்ந்த 7 நாட்களுக்குப் பிறகு இதைப் பெறலாம். பயன்படுத்தப்படாத credits ஒவ்வொரு billing cycle முடிவிலும் அல்லது வருடாந்திரத் திட்டங்களில் மாத இறுதியிலும் காலாவதியாகிவிடும். வழங்கப்பட்ட credits தீர்ந்ததும், வாங்கிய credits-லிருந்து கட்டணம் கழிக்கப்படும். Auto-reload மூலம் கூடுதல் credits வாங்கலாம். Invoiced நிறுவனங்களுக்குக் கூடுதல் பயன்பாட்டிற்குப் பற்றுச்சீட்டு அனுப்பப்படும். Prepaid நிறுவனங்களில் credits தீர்ந்ததும் கோரிக்கைகள் நின்றுவிடும்; API பயன்பாட்டிற்கான கட்டணம் ஒருபோதும் உங்கள் Claude subscription-ல் சேர்க்கப்படாது. Free, Pro மற்றும் Enterprise plans-ல் மாதாந்திர API credits கிடையாது, எனவே அவற்றில் API கட்டணம் subscription-லிருந்து தனித்தே வசூலிக்கப்படும்.
ஒவ்வொரு நிறுவனத்திற்கும் அல்லாமல், ஒவ்வொரு agent-க்கும் தனித்தனியாக model-ஐத் தேர்வு செய்யவும். தகவல்களைத் தேடித் தரும் ஒரு கருவி கொண்ட agent-க்கு Haiku போதுமானது. 12 October 2026 நிலவரப்படி, Haiku 5.5-ன் விலை ஒரு மில்லியன் input tokens-க்கு $0.10 மற்றும் ஒரு மில்லியன் output tokens-க்கு $0.50 ஆகும். ஒரு கோரிக்கையின் prompt 100,000 tokens-ஐத் தாண்டினால், இந்த விலை முறையே $0.50 மற்றும் $2.50 ஆக உயரும். நீண்ட memory window மற்றும் பெரிய tool results-ஐப் பயன்படுத்தும்போது இந்த வரம்பை நீங்கள் எட்டக்கூடும். Agent பல கருவிகளைக் கொண்டு திட்டமிட வேண்டிய சூழல் ஏற்பட்டால், Sonnet-க்கு மாறவும். மலிவான model-ஐப் பயன்படுத்தி, அது தவறான கருவியை நான்கு முறை அழைப்பதன் மூலம் ஏற்படும் கூடுதல் செலவைத் தவிர்க்க வேண்டும்; சரியான model-ஐப் பயன்படுத்தி ஒருமுறை சரியாகச் செயல்படுவதே சிக்கனமானது.
Sub-node-ன் options-ல் Maximum Number of Tokens-ஐ அமைக்கவும். இது model உருவாக்கும் ஒவ்வொரு பதிலின் நீளத்தையும் கட்டுப்படுத்தும். இதை அதிகப்படியான default மதிப்பிலேயே விட்டால், ஒரு குழப்பமான run மிக நீண்ட பதிலை உருவாக்கி உங்களுக்கு அதிகக் கட்டணத்தை ஏற்படுத்தலாம்.
n8n ஆவணங்களில் உள்ள ஒரு முக்கியமான குறிப்பு: sub-node-க்குள் இருக்கும் expressions எப்போதும் முதல் input item-ஐ மட்டுமே அடிப்படையாகக் கொண்டு செயல்படும், ஒவ்வொரு item-க்கும் தனித்தனியாகச் செயல்படாது. எனவே, item வாரியான expressions-ஐ root node-ன் prompt fields-ல் வைக்கவும்.
படி 3: ஏஜென்ட் பெறும் prompt
AI Agent நோடைத் திறக்கவும். Source for Prompt (User Message) அளவுருவில் இரண்டு அமைப்புகள் உள்ளன.
- Connected Chat Trigger Node என்பது
chatInputஎன்ற பெயரில் வரும் உள்ளீட்டு புலத்தை எதிர்பார்க்கிறது. Chat Trigger-க்கு பின்னால் இதுவே சரியான தேர்வாகும். - Define below என்பதைத் தேர்ந்தெடுத்தால், Prompt (User Message) என்ற புலம் தோன்றும். இதில் நீங்கள் நிலையான உரையையோ (static text) அல்லது expression-ஐயோ எழுதலாம். Schedule Trigger அல்லது Webhook நோடுக்கு பின்னால் இதுவே சரியான தேர்வாகும்.
முன்பக்கத்தில் ஒரு Webhook நோடு இருக்கும்போது, POST body ஆனது $json.body-ன் கீழ் அமையும். எனவே, prompt புலம் பின்வருமாறு அமையும்.
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.படி 4: ஏஜெண்டிற்கு ஒரு கருவியை வழங்குதல்
n8n ஆவணங்களின்படி, நீங்கள் குறைந்தது ஒரு கருவி (tool) துணை-முனையை (sub-node) AI Agent முனையுடன் இணைக்க வேண்டும். தற்போதைய முனை குறியீடு (பதிப்பு 3.1) ஒரு chat model இல்லாமல் இயங்க மறுக்கிறது. எப்படியும் ஒரு கருவியுடன் தொடங்குங்கள், ஏனெனில் சரியாகச் செயல்படும் ஒரு கருவி, சரியாக அமைக்கப்படாத நான்கு கருவிகளை விட அதிக விஷயங்களைக் கற்றுத்தரும். கருவி இல்லாத ஏஜெண்ட் என்பது அதிக செலவு வைக்கும் ஒரு சங்கிலி மட்டுமே.
ஏஜெண்டின் Tool இணைப்பில் ஒரு HTTP Request முனையை இணைக்கவும். ஒரு சாதாரண HTTP Request முனையை அமைப்பது போலவே இதையும் அமைக்கவும், பின்னர் அந்த endpoint-ஐ முதலில் ஒரு shell மூலம் சோதிக்கவும்.
curl -s -H 'Accept: application/json' \
https://status.example.com/api/status/database | head -c 400அந்த curl கட்டளை ஒரு பிழையையோ அல்லது HTML login பக்கத்தையோ காட்டினால், ஏஜெண்டும் தோல்வியடையும். இது உண்மையில் URL அல்லது அங்கீகாரப் (authentication) பிரச்சினை என்றாலும், ஏஜெண்ட் இதைக் குறிப்பிடும்போது ஒரு model பிரச்சினை போலத் தோன்றும். இதை முனையில் சரிசெய்யாமல், shell-லிலேயே சரிசெய்யவும்.
கருவியின் Description புலம் உங்கள் சக ஊழியர்களுக்கான ஆவணம் அல்ல. இந்த கருவி பொருத்தமானதா என்பதை முடிவு செய்யும்போது, கருவியின் பெயர் மற்றும் அளவுரு (parameter) திட்டத்துடன் சேர்த்து model இதையும் வாசிக்கும். இது என்ன தகவலைத் தருகிறது என்பதைத் தெளிவாக எழுதவும்: "Returns the current up or down state and the downtime duration for one monitored service, as JSON."
model-ஐக் கொண்டு கோரிக்கையின் ஒரு பகுதியை நிரப்ப, $fromAI() expression-ஐப் பயன்படுத்தவும். இது AI Agent முனையுடன் இணைக்கப்பட்ட கருவிகளில் மட்டுமே செயல்படும், Code கருவியில் இது செயல்படாது.
{{ $fromAI('service', 'The name of the service to look up', 'string') }}இதன் வாதங்கள் key, மற்றும் விருப்பத்தேர்வாக description, type, defaultValue ஆகியவை ஆகும். key என்பது 1 முதல் 64 எழுத்துக்கள் வரை இருக்க வேண்டும்; இதில் எழுத்துக்கள், எண்கள், underscores மற்றும் hyphens மட்டுமே பயன்படுத்தப்பட வேண்டும். வகை என்பது string, number, boolean அல்லது json ஆகியவற்றில் ஒன்றாக இருக்க வேண்டும், மேலும் இது இயல்பாக string என்று அமையும். ஒரு முழுமையான அழைப்பு இதைப் போல இருக்கும்.
{{ $fromAI('limit', 'How many records to return', 'number', 20) }}key என்பது ஒரு குறிப்பு மட்டுமே, ஏற்கனவே உள்ள தரவிற்கான இணைப்பு அல்ல. $fromAI('service') என்பது எங்கிருந்தும் service என்ற புலத்தை வாசிப்பதில்லை. இது model-இடம் "ஒரு மதிப்பை உருவாக்கி அதற்கு service என்று பெயரிடு" என்று கூறுகிறது. model உரையாடல், உள்ளீட்டுத் தரவு மற்றும் பிற கருவி முடிவுகளைப் பார்த்து ஒரு மதிப்பைத் தேடும். ஒரு chat workflow-ல், இது பயனரிடமே நேரடியாகக் கேட்கலாம்.
Web search என்பது பொதுவாக இரண்டாவது கருவியாகப் பயன்படுத்தப்படுகிறது. இதுவும் மற்றொரு HTTP endpoint என்பதால், நீங்கள் இந்த முனையை கட்டண search API-க்கு பதிலாக உங்கள் சொந்த SearXNG instance-க்கு சுட்டிக்காட்டலாம். ஆனால், அது கொண்டு வரும் ஒவ்வொரு பக்கத்தையும் நம்பகத்தன்மையற்ற உரையாகக் கருதி, அதை உங்கள் prompt-க்குள் சேர்க்க வேண்டும்.
படி 5: நினைவகம் (memory), மற்றும் agent ஏன் தகவல்களை மறக்கிறது
Memory sub-node இல்லையென்றால், ஒவ்வொரு செய்தியும் புதிதாகவே தொடங்கப்படும். சமீபத்திய உரையாடலைச் சேமிக்க, Simple Memory sub-node-ஐ இணைக்கவும்.
இதில் இரண்டு parameters உள்ளன. Session Key என்பது இது எந்த உரையாடல் என்பதைத் தீர்மானிக்கிறது; எனவே வெவ்வேறு keys கொண்ட இரு பயனர்கள் தனித்தனி வரலாற்றைப் பெறுவார்கள். Context Window Length என்பது எத்தனை முந்தைய உரையாடல்கள் prompt-க்குள் மீண்டும் சேர்க்கப்பட வேண்டும் என்பதைத் தீர்மானிக்கிறது.
Context Window Length என்பது தரத்தை மட்டுமல்ல, செலவையும் தீர்மானிக்கும் காரணியாகும். ஏனெனில், நினைவில் கொள்ளப்பட்ட ஒவ்வொரு உரையாடலும், அடுத்தடுத்த அழைப்புகளின் போது input tokens-ஆக மீண்டும் அனுப்பப்படும். அதிக உரையாடல் கொண்ட ஒரு agent-க்கு 20 என்ற window அளவை வைத்தால், ஆரம்பத்தில் அனுப்பிய அதே செய்திகளுக்கு நீங்கள் 20 முறை கட்டணம் செலுத்த வேண்டியிருக்கும்.
n8n queue mode-ல் இயங்கும்போது, Simple Memory ஒரு active production workflow-ல் வேலை செய்யாது. ஏனெனில், இது workflow மற்றும் session IDs மூலம் process-local singleton Map-ல் வரலாற்றைச் சேமிக்கிறது; workers இந்த நினைவகத்தைப் பகிர்ந்து கொள்ளாது. Queue-mode instance-ல், அதற்குப் பதிலாக Postgres Chat Memory sub-node-ஐப் பயன்படுத்தவும். அதை main process மற்றும் workers ஆகிய இரண்டும் அணுகக்கூடிய ஒரு database-உடன் இணைக்கவும்.
படி 6: System Message
Agent-ன் Options பகுதியைத் திறந்து, ஒரு System Message-ஐச் சேர்க்கவும். இதுவே அந்தப் பணியின் விவரங்கள் (job description) அமையும் இடமாகும்; பணிப்பாய்வில் (workflow) மிக முக்கியமான தாக்கத்தை ஏற்படுத்தக்கூடிய உரை இதுவே.
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."பதிலளிக்கும் முன் எப்போதும் status tool-ஐ அழைக்கவும்" என்ற கட்டளை அங்கு மிக முக்கியப் பணியைச் செய்கிறது. இந்தக் கட்டளை இல்லையெனில், தனக்கு ஏற்கனவே விடை தெரியும் என்று கருதும் ஒரு model, அந்த tool-ஐத் தவிர்த்துவிட்டுத் தனது நினைவகத்திலிருந்து பதிலளிக்கும். உங்கள் உள்கட்டமைப்பு (infrastructure) மாறும்போது, அந்தப் பதில் தவறாக இருக்க அதிக வாய்ப்புள்ளது.
ஏஜென்ட் ஏன் சுழற்சியில் (loop) சிக்கிக்கொள்கிறது மற்றும் அதைத் தடுப்பது எப்படி
Options பிரிவின் கீழ் Max Iterations என்ற அமைப்பு உள்ளது, இதன் இயல்புநிலை மதிப்பு 10 ஆகும். ஒரு iteration என்பது ஒரு model call ஆகும்; இது கருவிகளைக் (tools) கோரலாம் அல்லது இறுதிப் பதிலைத் தரலாம். கருவியின் முடிவுகள் அடுத்தடுத்த அழைப்புகளுக்கு உள்ளீடாகச் செல்லும். எனவே, ஒரு ஏஜென்ட் இயக்கம் என்பது ஒரே ஒரு API அழைப்பு அல்ல; இது 10 அழைப்புகள் வரை இருக்கலாம். ஒவ்வொரு அழைப்பும் வளர்ந்து வரும் முழு உரையாடலையும் உள்ளீடாகக் கொண்டு செல்லும்.
இதன் மதிப்பை குறைக்கவும். பெரும்பாலான ஒற்றைக் கருவி ஏஜென்ட்கள் இரண்டு சுழற்சிகளிலேயே முடிந்துவிடும். 3 அல்லது 4 என்ற வரம்பை அமைப்பதன் மூலம், கட்டுப்பாடற்ற சுழற்சியைத் தடுத்து, execution list-ல் தெளிவாகத் தெரியும் வகையில் தோல்வியடையச் செய்யலாம்.
நீங்கள் பிழைத்திருத்தம் (debugging) செய்யும்போது, Return Intermediate Steps என்பதை ஆன் செய்யவும். அப்போதுதான் ஏஜென்ட் மேற்கொண்ட கருவி அழைப்புகள் இறுதி வெளியீட்டில் சேர்க்கப்படும். இதன் மூலமே "model கருவியை அழைக்கவே இல்லை" என்பதற்கும் "கருவி பயனுள்ள எதையும் திருப்பித் தரவில்லை" என்பதற்கும் உள்ள வித்தியாசத்தை உங்களால் கண்டறிய முடியும். பயன்பாட்டுக்கு (live) கொண்டு செல்லும் முன் இதை ஆஃப் செய்யவும், ஏனெனில் அந்த விவரங்கள் இறுதிப் பயனருக்குத் தேவையற்ற தகவல்களாக இருக்கும்.
shell மூலம் ஒரு இயக்கம் எவ்வாறு நடைபெறுகிறது என்பதைக் கவனிக்கவும்.
docker compose logs -f n8nகண்காணிப்பாளர் இல்லாத agent தேவையற்ற செலவுகளைச் செய்வதைத் தடுத்தல்
Chat Trigger-க்கு பின்னால் இருக்கும் ஒரு agent-ஐ ஒரு மனிதர் கண்காணிப்பார்; பதில் தவறாகத் தெரிந்தால் அவர் அதை நிறுத்திவிடுவார். ஆனால், Schedule Trigger-க்கு பின்னால் இருக்கும் agent-ஐ யாரும் கண்காணிப்பதில்லை. இங்கே நீங்கள் கவனிப்பது உரிமத்திற்கான (licence) செலவு அல்ல, மாறாக model-க்கான செலவு. ஏனெனில் agent, tool மற்றும் memory nodes ஆகிய அனைத்தும் இலவச self-hosted edition-ல் இயங்குகின்றன, மேலும் கட்டண key தேவைப்படும் அம்சங்கள் பெரும்பாலும் குழு மற்றும் நிர்வாகம் சார்ந்தவை. இதற்கான முழுமையான வழிமுறைகள் எப்போதும் இயங்கும் VPS-ல் AI agent செலவு கட்டுப்பாடு என்பதில் உள்ளன. நான்கு அமைப்புகள் இந்த வேலையைச் சிறப்பாகச் செய்கின்றன:
- model sub-node-ல் Maximum Number of Tokens-ஐக் கட்டுப்படுத்துங்கள், இதன் மூலம் எந்தவொரு பதிலும் நீண்ட நேரம் இயங்காது.
- Max Iterations-ஐ பணியை முடிக்கத் தேவையான மிகச்சிறிய எண்ணாக அமைக்கவும்.
- tool-களின் பதில்களைச் சுருக்கமாக வைத்திருங்கள். 4,000 வரிகள் கொண்ட JSON blob-ஐத் திருப்பி அனுப்பும் ஒரு tool, அந்த முழுத் தரவையும் அடுத்த model அழைப்பிலும், அதே run-ல் அதற்குப் பின் வரும் அனைத்து அழைப்புகளிலும் சேர்க்கும்.
- agent-க்கு உண்மையில் schedule தேவையா என்று சிந்தியுங்கள். ஐந்து நிமிடங்களுக்கு ஒருமுறை இயங்கும் ஒரு பணி, ஒரு நாளில் 288 முறை இயங்கும். ஒருமுறை இயங்குவதற்கு ஆகும் செலவை, இந்த எண்ணிக்கையால் பெருக்கினால் வரும் தொகையே உங்கள் மொத்தச் செலவு.
நீங்கள் மாற்றங்களைச் செய்யும்போது workflow-ஐ unpublish செய்யுங்கள், அல்லது எந்தப் பதிப்பு (version) தற்போது live-ல் உள்ளது என்பதை நினைவில் கொள்ளுங்கள். Schedule Trigger கொண்ட ஒரு published workflow, நீங்கள் கடைசியாக publish செய்த பதிப்பையே தொடர்ந்து இயக்கும்; உங்கள் திரையில் உள்ள draft-ஐ இயக்காது. ஏனெனில், நீங்கள் மீண்டும் publish செய்யும் வரை n8n உங்கள் மாற்றங்களை draft-ஆகவே வைத்திருக்கும்.
FAQ
AI Agent node ஏன் செயல்பட மறுக்கிறது?
முதலில் connectors-ஐச் சரிபார்க்கவும். AI Agent node-க்கு ஒரு chat model sub-node தேவைப்படுகிறது; அது இல்லையென்றால், எந்த API அழைப்பையும் மேற்கொள்வதற்கு முன்பே "Please connect a model to the Chat Model input" என்ற பிழையுடன் அது நின்றுவிடும். n8n ஆவணங்களின்படி, குறைந்தது ஒரு tool sub-node-ஆவது கட்டாயம் தேவை. எனவே, model இணைக்கப்பட்டிருந்தும் node செயல்படவில்லை என்றால், ஒரு tool-ஐ (எளிமையானதாக இருந்தாலும் சரி) இணைத்து மீண்டும் இயக்கவும்.
Agent பதிலளிக்கிறது, ஆனால் அது ஏன் tool-ஐ அழைப்பதில்லை?
இதற்கு பெரும்பாலும் tool-ன் Description புலமே காரணமாக இருக்கும். அந்த விளக்கங்களைப் படித்தே model எந்த tool-ஐப் பயன்படுத்த வேண்டும் என்று முடிவு செய்கிறது. எனவே, "HTTP Request" என்பது போன்ற விளக்கம், அந்த tool எப்போது பயன்படும் என்பதை அதற்கு உணர்த்தாது. எந்தத் தரவு திரும்பக் கிடைக்கும், எந்தச் சூழலில் அது பயனுள்ளதாக இருக்கும் என்பதை விளக்கி அதை மீண்டும் எழுதவும். பின்னர், பதிலளிக்கும் முன் அந்த tool-ஐ அழைக்குமாறு agent-க்கு அறிவுறுத்தும் வரியை System Message-ல் சேர்க்கவும்.
ஒரே கேள்விக்கு ஒவ்வொரு முறையும் ஏன் வெவ்வேறு கட்டணம் வசூலிக்கப்படுகிறது?
ஏனெனில், எத்தனை படிகள் (steps) தேவை என்பதை model-தான் முடிவு செய்கிறது. ஒவ்வொரு சுற்றும் (iteration) இதுவரை நடந்த முழு உரையாடலையும், முந்தைய tool-ன் வெளியீடுகளையும் சேர்த்து மீண்டும் அனுப்புகிறது. எனவே, நான்கு சுற்றுகளை எடுக்கும் ஒரு இயக்கம், அந்த நான்கு அழைப்புகளிலும் உள்ள input மற்றும் output tokens-க்குக் கட்டணம் வசூலிக்கும். Max Iterations என்பது அதற்கான உச்ச வரம்பாகும், மேலும் Return Intermediate Steps ஒரு குறிப்பிட்ட இயக்கம் எத்தனை படிகளைப் பயன்படுத்தியது என்பதைக் காட்டும்.
Editor-ல் வேலை செய்யும் memory, production-ல் ஏன் வேலை செய்யவில்லை?
உங்கள் instance queue mode-ல் இயங்குகிறதா என்று சரிபார்க்கவும். Simple Memory, வரலாற்றை workflow மற்றும் session ID-களைக் கொண்ட process-local singleton Map-ல் சேமிக்கிறது; தனித்தனி worker processes இதைப் பகிர்ந்துகொள்வதில்லை. அதற்குப் பதிலாக Postgres Chat Memory sub-node-ஐப் பயன்படுத்தவும்; இது வரலாற்றை அனைத்து worker-களும் பகிரும் database-ல் சேமித்து வைக்கும்.