ద్వారా Matt Connor 2026-07-15 · అప్‌డేట్ చేయబడింది 2026-08-28

Claude + n8n: VPS పై AI workflows ఎలా నిర్మించాలి

మీ VPS లో Claude ను n8n కి కనెక్ట్ చేయండి: credentials, node వారీగా model ఎంపిక, 3 AI workflows, ఖర్చు లెక్కలు, సాధారణ errors పై పూర్తి guide.

మీరు నిర్మించబోయేది

మీరు ఇప్పటికే నడుపుతున్న n8n instance పై పనిచేసే మూడు AI workflows: మీకు పంపిన ఏదైనా కంటెంట్‌ను సంక్షిప్తం చేసే webhook, articles ను structured spreadsheet rows గా మార్చే scheduled feed-reader, మరియు ప్రశ్నలకు సమాధానం ఇవ్వడానికి స్వయంగా HTTP API ను call చేసే AI Agent. ఇది మీ VPS నుండి Claude API ను Python తో call చేయడానికి no-code ప్రత్యామ్నాయం. API అదే, tokens అవే, bill అదే. అయితే orchestration script లో కాకుండా n8n nodes లో జరుగుతుంది.

Docker పై self-hosted n8n guide ప్రకారం n8n ఇప్పటికే HTTPS వెనుక పనిచేస్తోందని నేను భావిస్తున్నాను. అలా లేకపోతే ముందుగా దాన్ని సిద్ధం చేయండి. Webhooks కు నిజమైన TLS endpoint అవసరం. మీరు API key ను ఉంచబోయే credential store కు, ఆ guide లో పదేపదే సూచించిన encryption-key backup కూడా అవసరం.

ఇక్కడి ఆసక్తికరమైన సమస్యలు drag-and-drop కాదు. ప్రతి node కు సరైన model ను ఎంచుకోవడం, undefined ను మౌనంగా interpolate చేసే prompt fields, మరియు automation unattended గా నడవడం ప్రధాన విషయాలు. ఒక్క run కు అర సెంట్ ఖర్చయ్యే workflow చవకగానే ఉంటుంది. కానీ retry loop అది రాత్రంతా నాలుగు వేల సార్లు నడిపితే ఖర్చు వేగంగా పెరుగుతుంది. ఈ guide లో ఎక్కువ భాగం ఆ సమస్యల గురించే ఉంటుంది.

మీరు backup తీసుకున్న key తో encrypt చేసిన ఒక credential

platform.claude.com లోని Anthropic Console కు వెళ్లి Settings, తరువాత API Keys ఎంచుకోండి. అక్కడ API key ను పొందండి. n8n-vps వంటి పేరుతో key ను create చేయండి. అది ఒక్కసారి మాత్రమే చూపబడుతుంది. Account కు నిధులు జోడించండి లేదా billing ను setup చేయండి. API usage ప్రతి token కు చెల్లింపు విధానంలో ఉంటుంది. ఇది ఏ Claude.ai subscription కు పూర్తిగా వేరుగా ఉంటుంది.

n8n లో: Credentials, Create credential ఎంచుకుని, Anthropic ను select చేయండి. Key ను API Key field లో paste చేసి save చేయండి. ప్రతి workflow లోని ప్రతి Claude node ఈ ఒక్క stored credential ను reference చేస్తుంది. Key ను node లోకి ఎప్పుడూ paste చేయకండి.

రెండు నిర్వహణ సూచనలు.

మొదటిది, n8n నిల్వ చేసిన credentials ను N8N_ENCRYPTION_KEY తో encrypt చేస్తుంది. n8n guide ప్రకారం మీ compose file లో ఆ env var ను స్పష్టంగా సెట్ చేస్తే, container rebuilds తర్వాత కూడా మీ credential కొనసాగుతుంది. n8n ఒక key ను స్వయంగా generate చేసి, తరువాత volume ను కోల్పోతే, ఈ keyతో సహా నిల్వ చేసిన ప్రతి credential ను తిరిగి పొందలేరు; అవి unrecoverable ciphertext గా మారతాయి. ఈ దశను ఇంతకు ముందు దాటవేసి ఉంటే, ఇప్పుడే key కు backup తీసుకోండి.

రెండవది, n8n credential store ను blast radius గా పరిగణించండి. మీ instance లో workflows ను edit చేయగల ఎవరైనా మీ Anthropic key తో requests పంపగలరు. Community edition లో credentials పై per-user permissions లేవు. అందువల్ల మరెవరైనా ఈ instance లోకి login అవుతే, వారికి accounts ఇవ్వడానికి ముందు చెల్లింపు n8n licence వెనుక ఉన్న access controls ఏవో చదవండి. Compromised లేదా runaway instance కు ఖర్చు పరిమితి ఉండేలా Console లో Settings కింద spend limit సెట్ చేయండి.

ప్రతి node కు model ఎంపిక ఒక ప్రత్యేక నిర్ణయం

n8n లోని Claude nodes లో model dropdown నేరుగా API నుంచి అందుతుంది. అందువల్ల మీ key కు అందుబాటులో ఉన్న models మాత్రమే అందులో కనిపిస్తాయి. July 2026 నాటికి, ప్రతి million input/output tokens కు API ధరలతో కూడిన జాబితా ఇలా ఉంది: Claude Haiku 4.5 (claude-haiku-4-5) ధర $1/$5, context window 200K; Claude Sonnet 5 (claude-sonnet-5) ధర $3/$15, August 31, 2026 వరకు ప్రారంభ ఆఫర్‌గా $2/$10; Claude Opus 4.8 (claude-opus-4-8) ధర $5/$25. Sonnet మరియు Opus రెండింటికీ 1M-token context window ఉంది. అత్యంత క్లిష్టమైన reasoning పనుల కోసం Claude Fable 5 (claude-fable-5) కూడా ఉంది. దాని ధర $10/$50. ఈ guide లో దాని అవసరం లేదు. ఖచ్చితమైన IDs నే ఉపయోగించండి. పాత tutorial లో గుర్తున్న date-suffixed variant ఉపయోగిస్తే 404 వస్తుంది. ధరలు మారవచ్చు. అందువల్ల ఇక్కడితో సహా ఎక్కడైనా కనిపించే ఏ ధరనైనా నమ్మే ముందు platform.claude.com ను పరిశీలించండి.

అలవాటు చేసుకోవాల్సిన విషయం: model ను platform స్థాయిలో కాకుండా node స్థాయిలో ఎంచుకోండి. Automation లోని ప్రాథమిక పనులైన classification, extraction, summarization, routing వంటివి Haiku పై సమర్థంగా నడుస్తాయి. దీని list price Sonnet కంటే మూడో వంతు, Opus కంటే ఐదో వంతు. Agents మరియు multi-step reasoning కోసం Sonnet ను ఉంచండి. తప్పు సమాధానం tokens ఖర్చు కంటే ఎక్కువ నష్టాన్ని కలిగించే అరుదైన workflow కోసం Opus ను ఉపయోగించండి. ఐదు Claude nodes ఉన్న workflow లో models ను కలపవచ్చు, కలపడం సముచితం కూడా.

రెండు Claude నోడ్‌లు, ఎక్కడ దేనిని ఉపయోగించాలి

n8n రెండు ప్రత్యేక Anthropic integrationలను అందిస్తుంది. తప్పు integrationను ఎంచుకోవడం ప్రారంభ వినియోగదారులు చేసే అత్యంత సాధారణ పొరపాటు.

Anthropic నోడ్ సాధారణ app node. ఇది ఒక అభ్యర్థనను స్వీకరించి, ఒక ప్రతిస్పందనను ఇస్తుంది. దీని Text resourceలో Message a Model operationతో పాటు images మరియు documentsను విశ్లేషించే operations కూడా ఉన్నాయి. Workflow logic n8nలోనే ఉండి, తర్వాతి క్రమం trigger, Claude call, next nodeలా ఉన్నప్పుడు దీన్ని ఉపయోగించండి. దిగువ Workflows 1 మరియు 2లో ఈ నోడ్ లేదా దీనికి సమానమైన chainను ఉపయోగిస్తారు.

Anthropic Chat Model నోడ్ ఒక sub-node. ఇది AI Agent లేదా Basic LLM Chain వంటి root nodeకు modelను అందించే చిన్న attachment. దీనికి స్వంత trigger లేదా output ఉండదు. ఇది model pickerతో పాటు Maximum Number of Tokens, Sampling Temperature వంటి sampling optionsను అందిస్తుంది. n8n documentationలోని ఒక ముఖ్యమైన విషయం గుర్తుంచుకోండి: sub-nodesలోని expressions ఎల్లప్పుడూ ప్రతి itemకు కాకుండా మొదటి input item ఆధారంగా resolve అవుతాయి. అందువల్ల ప్రతి itemకు సంబంధించిన expressionsను sub-nodeలో కాకుండా root nodeలోని prompt fieldsలో ఉంచండి.

Workflow 1: webhook లోపలికి, సారాంశం బయటికి

AI automation కు ప్రాథమిక ఉదాహరణ: URL కు POST చేసిన ఏదైనా కంటెంట్ సారాంశంగా మారి Slack లేదా మీ inbox కు చేరుతుంది.

Webhook node లో HTTP Method ను POST గా, path ను summarize గా సెట్ చేయండి. n8n మీకు test URL మరియు production URL ఇస్తుంది; workflow active అయిన తర్వాత మాత్రమే production URL requests ను స్వీకరిస్తుంది.
Anthropic node లో Message a Model ఎంచుకుని, model ను claude-haiku-4-5 గా, Max Tokens ను సుమారు 300 గా సెట్ చేయండి.
Slack node లేదా Send Email ఉపయోగించి response text ను ఒక channel కు పంపండి.

ఇక్కడ n8n expressions, Claude తో అనుసంధానమవుతాయి. POST body $json.body కింద అందుబాటులో ఉంటుంది. అందువల్ల user message field ఇలా ఉంటుంది:

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

{{ $json.body.text }}

Role మరియు format సూచనలను user message లో కాకుండా node యొక్క system prompt field లో ఉంచండి. Payload మారినా system prompt స్థిరంగా ఉంటుంది. దీనివల్ల ప్రవర్తన స్థిరంగా ఉంటుంది. ఆరు నెలల తర్వాత కూడా prompt ను సులభంగా అర్థం చేసుకోవచ్చు. VPS నుంచే దీన్ని test చేయండి:

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 పై ప్రతి run ఖర్చు: prompt తో కలిపిన 1,200-token payload కు సుమారు $0.0012, 300 tokens output కు $0.0015. అంటే సుమారు ఒక cent లో నాలుగో వంతు. నెలకు వెయ్యి runs ఖర్చు $3 కంటే తక్కువగా ఉంటుంది. అదే node ను Opus 4.8 కు అనుసంధానిస్తే ఖర్చు సుమారు ఐదు రెట్లు ఉంటుంది. మీరు రూపొందించే ప్రతి workflow కు ఈ నిష్పత్తి వర్తిస్తుంది. అందుకే ప్రతి node కు model ఎంచుకునే అలవాటు ముఖ్యమైనది.

Workflow 2: షెడ్యూల్ చేసిన RSS ను నిర్మిత వరుసలుగా మార్చడం

ఇప్పుడు నిర్దిష్ట సమయానికి నడిచే workflow చూద్దాం. ఇందులో నిర్మిత output ఉంటుంది: ప్రతి గంటకు ఒక RSS feed చదివి, ప్రతి item ను వర్గీకరించి, sheet కు వరుసలను జోడిస్తుంది.

Schedule Trigger, ప్రతి గంటకు.
RSS Read, feed URL. ఇది ప్రతి article కు ఒక item ను output గా ఇస్తుంది.
Basic LLM Chain, ఇందులో claude-haiku-4-5 కు సెట్ చేసిన Anthropic Chat Model sub-node మరియు JSON schema ను కలిగి ఉన్న Structured Output Parser sub-node ఉంటాయి.
Google Sheets (లేదా Postgres), ప్రతి item కు ఒక వరుసను జోడిస్తుంది.

"Claude, దయచేసి JSON ను తిరిగి ఇవ్వు" అనే అభ్యర్థనను కేవలం ఆశగా కాకుండా ఒక contract గా మార్చేది Structured Output Parser. ఇది model reply ను మీ schema తో validate చేస్తుంది. చెల్లని item ను గుర్తించి ఆపుతుంది. దాంతో తప్పు వరుసలు sheet లో రాయబడవు. ఉదాహరణ 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"]
}

Chain prompt లో feed item ను ఇలా reference చేయాలి:

Classify this article for a VPS hosting audience.

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

ఇక్కడ ఖర్చు లెక్కింపు విధానం మారుతుంది. ఇది ప్రతి run కు కాకుండా ప్రతి item కు వర్తిస్తుంది. ఒక గంటకు 50 articles, రోజుకు 24 గంటలు ఉంటే, నెలకు 36,000 Claude calls అవుతాయి. Article పొడవును బట్టి Haiku పై సుమారు $40–90 ఖర్చవుతుంది. Opus పై దానికి సుమారు ఐదు రెట్లు ఖర్చవుతుంది. LLM node కు ముందు duplicates ను తొలగించండి. గతంలో చూసిన links పై సాధారణ IF ను ఉపయోగించవచ్చు లేదా n8n యొక్క Remove Duplicates node ను ఉపయోగించవచ్చు. ఇలా చేస్తే calls సంఖ్య గణనీయంగా తగ్గుతుంది, ఎందుకంటే ప్రతి గంట poll లో కొత్త content ఏమీ ఉండకపోవచ్చు. మీరు చేయని call కు token ఖర్చు ఉండదు.

Workflow 3: సాధనాలను ఉపయోగించే AI Agent

మొదటి రెండు workflows pipelines. వాటిలో దశలను మీరు నిర్ణయిస్తారు. AI Agent node ఆ విధానాన్ని తిప్పి వేస్తుంది: మీరు Claude కు ఒక లక్ష్యం మరియు tools ఇస్తారు. పని పూర్తయ్యే వరకు ఏ tools ను ఏ క్రమంలో call చేయాలో Claude స్వయంగా నిర్ణయిస్తుంది. n8n కు chat model sub-node తప్పనిసరి. కనీసం ఒక tool sub-node ను కూడా జత చేయాలి.

మీ monitoring వ్యవస్థ నుంచి "ఏది పనిచేయడం లేదు, ఎందుకు?" అనే ప్రశ్నకు సమాధానం ఇచ్చే ops assistant ను నిర్మించడానికి concrete build ఇలా ఉంటుంది:

Chat Trigger (లేదా webhook), దీనికి ప్రశ్న వస్తుంది.
AI Agent, దీనికి claude-sonnet-5 గా సెట్ చేసిన Anthropic Chat Model sub-node జతచేయాలి. Agents tool calls ను plan చేసి chain చేస్తాయి. ఒకే tool ఉపయోగించే సరళమైన agents కు Haiku సరిపోవచ్చు. అయితే tools సంఖ్య పెరిగినప్పుడు Sonnet కనీసం ఉపయోగించదగిన ఎంపిక.
tool గా జతచేసిన HTTP Request node. దీనిని మీ Uptime Kuma status API లేదా Zabbix endpoint కు point చేయాలి. రెండవ HTTP tool ద్వారా REST API ఉన్న మరేదైనా service ను access చేయవచ్చు.

చాలా పనిని రెండు settings నిర్వహిస్తాయి. Agent యొక్క System Message దాని పనిని నిర్వచిస్తుంది: "మీరు ops assistant. సమాధానం ఇచ్చే ముందు ప్రస్తుత monitor స్థితిని తనిఖీ చేయడానికి status tool ను ఉపయోగించండి. down గా ఉన్న monitors ను మాత్రమే, వాటి duration తో నివేదించండి." ప్రతి tool యొక్క description మనుషుల కోసం documentation కాదు. Claude ఆ tool ను ఎప్పుడు call చేయాలో నిర్ణయించడానికి అదే ఉపయోగిస్తుంది. "Returns current up/down state for all monitored services as JSON" వంటి వివరణ సరైన సమయంలో call చేయబడుతుంది. "status API" వంటి అస్పష్టమైన వివరణను Claude పట్టించుకోకపోవచ్చు లేదా తప్పుగా ఉపయోగించవచ్చు. HTTP Request node ను tool గా జతచేసినప్పుడు, దాని Optimize Response option ను enable చేసి, అవసరమైన JSON fields ను select చేయండి. లేకపోతే ప్రతి verbose API response input tokens గా model context లోకి పంపబడుతుంది. వాటికి మీరు చెల్లించాలి.

Agent పై Max Iterations ను సెట్ చేయండి. దాని default విలువ 10. పనిచేసే అతి తక్కువ సంఖ్యను ఎంచుకోండి. "4 tool calls తర్వాత agent ఆగిపోయింది" అనే పరిస్థితి మరియు model తో డజను round-trips చేసే loop మధ్య తేడాను ఇదే నిర్ణయిస్తుంది. Billing విధానాన్ని కూడా అర్థం చేసుకోండి: ప్రతి iteration వరకు ఉన్న పూర్తి conversation, system message, ప్రశ్న మరియు గతంలోని ప్రతి tool result మళ్లీ input tokens గా పంపబడతాయి. ఆరు iterations ఉన్న agent run లో cumulative input tokens సులభంగా 20,000 కు, output 2,000 కు చేరవచ్చు. Sonnet 5 యొక్క introductory pricing వద్ద ఇది సుమారు $0.06. సాధారణ $3/$15 pricing వద్ద సుమారు $0.09. సరళమైన summarization run కంటే దీన్ని ఇరవై రెట్లు ఖరీదైనదిగా భావించండి. ఒకే agent కు అనేక tools ను వరుసగా జతచేస్తున్నట్లు అనిపిస్తే, మీ VPSలో MCP servers నడపడం మరింత సరళమైన architecture గా మారే దశకు మీరు చేరుకున్నారు.

ఖర్చు నియంత్రణలు, ఎందుకంటే ఎవరూ పర్యవేక్షించడం లేదు

పర్యవేక్షణ లేకుండా నడిచే workflow కు, keyboard వద్ద ఉన్న మనిషి సహజంగా అమలు చేసే నియంత్రణలు అవసరం. ఖర్చు తక్కువదానితో ప్రారంభమయ్యే నాలుగు పొరలు ఇవి.

ప్రతి Claude nodeలో Max Tokens. ఇది outputకు గట్టి పరిమితి. Summarizerకు 300, classifierకు 100 అవసరం. దీనివల్ల ఖరీదైన output భాగం పరిమితం అవుతుంది ($5–$25 per million output tokens; inputకు $1–$5). ఇది అదుపు తప్పే పరిస్థితులను అడ్డుకునే సాధనంగా కూడా పనిచేస్తుంది. ఉదాహరణకు promptలోని లోపం వల్ల Claude ఎక్కువగా రాస్తే, ఖర్చు 8,000 tokens కాకుండా 300 tokensకు పరిమితం అవుతుంది.

ప్రతి nodeకు Model. దీని గురించి పైభాగంలో వివరించాం. ప్రస్తుతం అందుబాటులో ఉన్న modelలలో ఇది ధరను ఐదు నుంచి పది రెట్లు మార్చగల నియంత్రణ. దీన్ని సెట్ చేయడానికి పది సెకన్లు చాలు.

Loopsకు పరిమితి విధించండి. Agentsలో Max Iterations సెట్ చేయండి. Workflow settingsలో workflow timeout సెట్ చేయండి, తద్వారా నిలిచిపోయిన execution నిరంతరం నడవకుండా ముగుస్తుంది. ప్రతి nodeలోని Retry On Fail ను జాగ్రత్తగా ఉపయోగించండి. తాత్కాలిక errorsకు ఇది సరైన సాధనం. కానీ retries ఖర్చును అనేక రెట్లు పెంచుతాయి. Wait Between Tries of 5000 msతో Max Tries of 3 సెట్ చేస్తే, శాశ్వత failure సంభవించినప్పుడు విఫలమై ఆగే ముందు ప్రతి itemకు గరిష్ఠంగా మూడు సార్లు billing జరుగుతుంది. ఇప్పటికే ఖరీదైన execution విజయవంతమైన node చుట్టూ retryను ఎప్పుడూ ఉంచవద్దు.

వెనుకటి రక్షణగా error workflow. Error Trigger nodeతో ప్రారంభమయ్యే workflowను సృష్టించండి. అది విఫలమైన workflow పేరు మరియు errorను Slackకు పంపాలి. తరువాత ప్రతి AI workflow settingsలో దాన్ని Error Workflowగా సెట్ చేయండి. ఇది పట్టుకునే failure mode అత్యంత సమస్యాత్మకమైనది: schedule-triggered workflow ప్రతి runలో, ప్రతి గంటకు, ఒక వారం పాటు error అవుతూ ఉండటం. ప్రతి run ముగిసే ముందు tokens ఖర్చు చేస్తుంది. దీనికి Anthropic Consoleలో monthly spend limitను జత చేయండి. Scheduled workflowను activate చేసిన తర్వాత మొదటి కొన్ని రోజుల్లో Console usage pageను పరిశీలించండి. మీకు ఏ అంశానికి billing జరుగుతోందో ఖచ్చితంగా అర్థం చేసుకోవాలంటే, token వినియోగ మార్గదర్శిని దాని వివరాలను అందిస్తుంది.

విఫల పరిస్థితులు, మీరు చూడబోయే సందేశాలతో

"Authorization failed - please check your credentials." అనే సందేశంతో node వెంటనే విఫలమవుతుంది. API 401 ను తిరిగి ఇచ్చింది. అసలు response body ఇది:

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

Key తప్పుగా paste చేయడం, అది మధ్యలో కత్తిరించబడటం, చివరలో whitespace ఉండటం లేదా tutorial లోని placeholder అలాగే ఉండటం కారణాలు కావచ్చు. n8n credential ను మళ్లీ సృష్టించి key ను తిరిగి paste చేయండి. అది నిన్న పనిచేసి ఉంటే, Console లో key revoke అయిందా లేదా volume restore వల్ల వేరే N8N_ENCRYPTION_KEY తో encrypt చేసిన credential తిరిగి వచ్చిందా అని పరిశీలించండి.

Executions 429 rate_limit_error తో సమూహాలుగా విఫలమవుతాయి. "Number of request tokens has exceeded your per-minute rate limit." వంటి సందేశం కనిపిస్తుంది. Rate limits నిమిషం-వారీ buckets గా అమలవుతాయి. n8n లో యాభై webhook లేదా RSS executions ను ఒకేసారి ప్రారంభించడం చాలా సులభం. దీన్ని నిర్మాణాత్మకంగా సరిచేయండి: items ను parallel గా కాకుండా క్రమంగా process చేయండి (Loop Over Items). Retry On Fail ను ప్రారంభించి, Max Tries ను 3 గా, Wait Between Tries ను దాని గరిష్ఠమైన 5000 ms గా సెట్ చేయండి. n8n ఈ field ను 5000 ms వద్ద పరిమితం చేస్తుంది. Retries తదుపరి నిమిషపు window లోకి వెళ్లేలా ఎక్కువ backoff అవసరమైతే, error path లో Wait node ను ఉంచండి లేదా items ను ఒక్కొక్కటిగా process చేయండి. Response లో ఎంతసేపు వేచి ఉండాలో ఖచ్చితంగా తెలిపే retry-after header ఉంటుంది. n8n యొక్క fixed wait దాన్ని చదవలేడు. అందువల్ల ఎక్కువసేపు pause ను మీ workflow లోనే నిర్మించండి.

మీ model పేరు పెట్టినప్పుడు 404 not_found_error వస్తుంది. Body లో typo కనిపిస్తుంది:

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

Hyphens స్థానంలో dots ఉండటం (4.5 కు బదులుగా 4-5), పాత blog post లోని date suffix వాడటం లేదా retired model ను ఎంచుకోవడం కారణాలు కావచ్చు. ప్రస్తుత list ఆధారంగా ID ను సరిచేయండి. Model field లో expression గా స్వయంగా type చేసి, dropdown నుంచి ఎంచుకోని సందర్భాల్లో ఈ సమస్య ఎక్కువగా కనిపిస్తుంది.

మీరు అడగని ప్రశ్నకు Claude సమాధానం ఇస్తుంది. ఎక్కడా error కనిపించదు; run green గా ఉంటుంది. Payload లో message ఉన్నప్పుడు {{ $json.body.text }} వంటి missing field ను సూచించే n8n expression, prompt లోకి undefined అనే literal string ను చేర్చుతుంది. అప్పుడు ఏమీ అడగని prompt కు Claude సమాధానం ఇస్తుంది. Referenced node అసలు execute కాకపోతే "Referenced node is unavailable" అనే సందేశం వస్తుంది. కానీ missing field మాత్రం ఎలాంటి error లేకుండా మిగిలిపోతుంది. Workflow ను activate చేయడానికి ముందు నిజమైన data తో ఒకసారి run చేసి, node యొక్క input panel లో render అయిన prompt ను తప్పనిసరిగా చదవండి. Expression editor resolved value ను preview చేస్తుంది. మీరు పరిశీలిస్తే undefined అక్కడే కనిపిస్తుంది.

FAQ

Claude ను n8n కు ఎలా కనెక్ట్ చేయాలి?

platform.claude.com లోని Anthropic Consoleలో API key సృష్టించండి. తరువాత n8nలో Anthropic రకానికి చెందిన credentialను జోడించి, దాన్ని API Key ఫీల్డ్‌లో paste చేయండి. ప్రతి Claude node, Anthropic app node, అలాగే Anthropic Chat Model sub-node ఆ నిల్వ చేసిన credentialను ఉపయోగిస్తాయి. n8n దాన్ని N8N_ENCRYPTION_KEY తో encrypt చేస్తుంది. కాబట్టి ఆ keyకు backup తీసుకోండి. లేకపోతే volume పోయినప్పుడు మీ credentials కూడా పోతాయి.

ప్రతి runకు AI workflow ఖర్చు ఎంత?

ముందుగా ప్రతి runకు ఉపయోగించే tokensను అంచనా వేయండి. తరువాత వాటిని modelకు వర్తించే per-million ధరలతో గుణించండి. July 2026 నాటికి Haiku 4.5 ధర ప్రతి million input/output tokensకు $1/$5. Sonnet 5 ధర $3/$15. August 2026 వరకు introductory ధర $2/$10. Haikuపై webhook summarization ఖర్చు సుమారు quarter of a cent ఉంటుంది. Sonnetపై అనేక tool callsతో నడిచే agent run ఖర్చు సుమారు $0.06–$0.10కు చేరుతుంది. కారణం, ప్రతి iterationలో మొత్తం conversationను inputగా మళ్లీ పంపడం. అంచనాలను మాత్రమే నమ్మకుండా Consoleలోని usage pageలో runను ధృవీకరించండి.

n8n automations కోసం ఏ Claude model ఉపయోగించాలి?

Classification, extraction, summarization, routing వంటి పనులకు Haiku 4.5 ఉపయోగించండి. వేగం మరియు ధర ప్రధానమైన high-volume పనులకు ఇది సరిపోతుంది. AI Agent nodes మరియు multi-step reasoning కోసం Sonnet 5 ఉపయోగించండి. తప్పు సమాధానం వల్ల కలిగే ఖర్చు దాని $5/$25 list priceను సమర్థించేంత ఎక్కువగా ఉన్నప్పుడు మాత్రమే Opus 4.8 ఉపయోగించండి. దీని ధర Haiku కంటే ఐదు రెట్లు, Sonnet కంటే కొద్దిగా తక్కువగా రెండు రెట్లు ఉంటుంది. Modelను workflowకు కాకుండా ప్రతి nodeకు సెట్ చేయండి. ఒకే workflowలో ఈ మూడు modelsను కలపవచ్చు.

Claude APIపై n8n workflow అధికంగా ఖర్చు చేయకుండా ఎలా ఆపాలి?

Guardrailsను పలు స్థాయిల్లో అమలు చేయండి. ప్రతి Claude nodeలో తక్కువ Max Tokens పరిమితి పెట్టండి. Agentsకు Max Iterations సెట్ చేయండి. Workflow timeoutను నిర్ణయించండి. Failures వల్ల token ఖర్చు అనేక రెట్లు పెరగకుండా Retry On Fail settingsను conservativeగా ఉంచండి. తరువాత ఏదైనా AI workflow విఫలమైనప్పుడు Slackలో alert పంపే Error Trigger workflowను జోడించండి. Anthropic Consoleలో monthly spend limitను కూడా సెట్ చేయండి. VPSలోని ఏదీ override చేయలేని hard ceilingగా ఇది పనిచేస్తుంది.

AI Agent tool callsకు అదనపు ఖర్చు ఉంటుందా?

ప్రత్యేక tool fee లేదు. అయితే tools ఉచితం కావు. ప్రతి tool resultను modelకు input tokensగా తిరిగి పంపాలి. ప్రతి agent iterationలో అప్పటివరకు ఉన్న మొత్తం conversationను మళ్లీ పంపాలి. Filter చేయని chatty API response మీ అసలు prompt కంటే చాలా పెద్దదిగా మారవచ్చు. HTTP Request toolsలో Optimize Responseను enable చేయండి. Agentకు అవసరమైన fieldsను మాత్రమే return చేయండి.

#n8n #claude #ai #automation #workflows