SSD Nodes Learn Hosting plans →

n8n AI Agent ను మీ స్వంత VPS లో ఎలా నిర్మించాలి?

n8n లో AI Agent నోడ్, Claude మోడల్ క్రెడెన్షియల్స్, HTTP Request టూల్ మరియు మెమరీని సెటప్ చేయడం ఎలాగో తెలుసుకోండి. ఖర్చును నియంత్రించే సెట్టింగ్స్ తో వర్క్ ఫ్లోను రూపొందించండి.

n8n AI agent అంటే ఏమిటి, ఇది chain కు ఎలా భిన్నంగా ఉంటుంది

n8n AI agent అనేది దానికి sub-nodes అనుసంధానించబడిన ఒకే AI Agent node. ఇందులో ఒక chat model, ఒకటి లేదా అంతకంటే ఎక్కువ tools, అలాగే ఐచ్ఛిక memory ఉంటాయి. మీరు సాధారణ భాషలో ఒక లక్ష్యాన్ని పేర్కొంటారు. తరువాత సమాధానం ఇవ్వగలిగే వరకు ఏ tools ను ఏ క్రమంలో పిలవాలో model నిర్ణయిస్తుంది. కింది మొత్తం వివరణ ఈ ఒక్క ఆలోచన చుట్టూ ఉన్న configuration గురించి ఉంటుంది.

Chain దీనికి విరుద్ధంగా పనిచేస్తుంది. Basic LLM Chain లో మీరు దశలను నిర్ణయిస్తారు. Model మాత్రం text ను నింపుతుంది. Agent లో దశలను model నిర్ణయిస్తుంది. అందువల్ల ఒకే ప్రశ్నకు ఈరోజు ఒక model call, రేపు తొమ్మిది model calls అవసరం కావచ్చు. ఈ ఒక్క తేడానే ఈ guide లోని ప్రతి setting కు ఆధారం. ఈ loop ను n8n feature గా కాకుండా ఒక ఆలోచనగా మొదటిసారి చూస్తున్నట్లయితే, nodes తో నిర్మించేముందు దాన్ని ఒకసారి చేతితో రాయడం ఉపయోగకరంగా ఉంటుంది. ఎందుకంటే node మీరు ఈ guide లో మిగతా భాగమంతా విశ్లేషించాల్సిన ఖచ్చితమైన అంశాన్ని దాచేస్తుంది.

మీ నియంత్రణలో ఉన్న machine పై n8n ఇప్పటికే HTTPS వెనుక నడుస్తోందని ఇది భావిస్తుంది. అలా లేకపోతే, నిజమైన certificate తో Docker లో n8n ను self-host చేయడం తో ప్రారంభించండి. మీరు త్వరలో నిల్వ చేయబోయే API key కోసం ఆ guide తప్పనిసరిగా సూచించే encryption-key backup అవసరం. Agent కాని విధానాల కోసం, webhook summarizers మరియు scheduled classifiers కోసం, Claude మరియు n8n workflow patterns చూడండి.

ఇక్కడ ఉన్న field name లను నమ్మే ముందు మీ version ను తనిఖీ చేయండి. n8n AI nodes ను తరచుగా మార్చుతుంది.

docker compose exec n8n n8n --version

Version 1.82.0 లో agent-type setting ను తొలగించి దాని స్థానంలో Tools Agent ను ఉపయోగించడం ప్రారంభించారు. Legacy v1 nodes లో ఇప్పటికీ ఆ setting ఉంటుంది. ఆ node version ను n8n 3.0 లో తొలగిస్తామని n8n docs పేర్కొంటున్నాయి.

దశ 1: ట్రిగ్గర్‌ను ఎంచుకోండి

Conversational agent కోసం, Chat Trigger నోడ్‌ను జోడించండి. మీరు బిల్డ్ చేస్తున్నప్పుడు Make Chat Publicly Available ఆప్షన్‌ను ఆఫ్ చేసి ఉంచండి, తద్వారా ఎడిటర్ యొక్క చాట్ ప్యానెల్ ద్వారా మాత్రమే దీనిని చేరుకోగలరు. ఏజెంట్ పూర్తయిన తర్వాత మరియు మీరు అథెంటికేషన్ గురించి నిర్ణయం తీసుకున్న తర్వాత దీనిని ఆన్ చేయండి.

Chat Trigger ఏజెంట్‌కు chatInput అనే ఫీల్డ్‌ను అందిస్తుంది. ఆ పేరు దశ 3లో ముఖ్యమైనది, మరియు దానిని తప్పుగా నమోదు చేయడం సాధారణంగా జరిగే మొదటి పొరపాటు.

Unattended agent కోసం, దానికి బదులుగా Schedule Trigger లేదా Webhook నోడ్‌ను ఉపయోగించండి. వీటిలో ఏదీ chatInput ను ఉత్పత్తి చేయదు, కాబట్టి మీరు ప్రాంప్ట్‌ను మీరే స్వయంగా వ్రాయాల్సి ఉంటుంది.

దశ 2: మోడల్ credential

Canvasపై ఒక AI Agent node ఉంచండి. n8n వెంటనే దాని కింద ఖాళీ Chat Model connector ను చూపిస్తుంది. అక్కడ ఒక Anthropic Chat Model sub-node ను జత చేయండి.

platform.claude.com లోని Claude Consoleలో Settings, తరువాత API keys కు వెళ్లి credential ను సృష్టించండి. Key ఒక్కసారి మాత్రమే కనిపిస్తుంది. Key సృష్టించే సమయంలో expiration ను ఎంచుకోమని Console అడుగుతుంది. unattended agent, దాని key గడువు ముగిసిన రోజున పనిచేయడం ఆపేస్తుంది. కాబట్టి ఆ తేదీని మీరు తప్పకుండా చూసే చోట నమోదు చేయండి. unattended agent కోసం workspace కు పరిమితమైన service account key ను ఉపయోగించండి. అప్పుడు ప్రతి request కు ప్రత్యేక workspace header అవసరం ఉండదు.

API వినియోగానికి ప్రతి token ఆధారంగా billing జరుగుతుంది. 31 October 2026 నాటికి మీరు చెల్లించే విధానం మీ Claude plan పై ఆధారపడి ఉంటుంది. Max, Ultra, Team plans లో నెలవారీ API credits ఉంటాయి: Maxలో $100, Ultraలో $200, Teamలో మొత్తం కలిపి గరిష్ఠంగా $500. Max లేదా Ultraలో Settings > Billing నుంచి, Teamలో Organization settings > Billing నుంచి Console organization ను planకు link చేయడం ద్వారా వాటిని claim చేయవచ్చు. Consoleలో payment method జోడించాల్సిన అవసరం లేదు. కొత్త subscribers planలో 7 రోజులు పూర్తయిన తరువాత claim చేయవచ్చు. ఉపయోగించని credits ప్రతి billing cycle ముగిసినప్పుడు expire అవుతాయి; annual plansలో అవి నెలకు ఒకసారి expire అవుతాయి. Included credits అయిపోయిన తరువాత requests purchased creditsపై కొనసాగుతాయి. auto-reload మరిన్ని credits కొనుగోలు చేయవచ్చు. invoiced organizationsకు అదనపు వినియోగానికి bill వస్తుంది. prepaid organizationలో credits ఏవీ మిగలకపోతే requests ఆగిపోతాయి. API వినియోగానికి మీ Claude planపై ఎప్పుడూ charge ఉండదు. Free, Pro, Enterprise plansలో నెలవారీ API credits ఉండవు. అందువల్ల ఆ plansలో APIకి subscriptionకు వేరుగా billing జరుగుతుంది.

Modelను company స్థాయిలో కాకుండా agent స్థాయిలో ఎంచుకోండి. ఏదైనా సమాచారాన్ని చూసి నివేదించే ఒక-tool agent Haikuపై సరిగ్గా పనిచేస్తుంది. 12 October 2026 నాటికి ప్రస్తుత version, Haiku 5.5, ప్రతి million input tokensకు $0.10 మరియు ప్రతి million output tokensకు $0.50 ధరను కలిగి ఉంది. Prompt 100,000 tokens దాటిన ఏ requestకైనా ఈ ధరలు వరుసగా $0.50 మరియు $2.50 అవుతాయి. Long memory window మరియు పెద్ద tool results కారణంగా మీరు ఈ పరిమితిని దాటవచ్చు. Agentలో అనేక tools ఉండి, వాటి మధ్య ప్రణాళిక చేయాల్సి వస్తే Sonnetకు మారండి. మీరు నివారించాల్సిన సమస్య ఏమిటంటే, చవకైన model తప్పు toolను నాలుగుసార్లు call చేయడం. సరైన toolను ఖరీదైన model ఒక్కసారి call చేయడం కంటే అది ఎక్కువ ఖర్చు కావచ్చు.

Sub-node ఎంపికల్లో Maximum Number of Tokens ను set చేయండి. Model ఉత్పత్తి చేసే ప్రతి response పొడవును ఇది పరిమితం చేస్తుంది. పెద్ద default విలువ అలాగే ఉంటే, గందరగోళానికి గురైన ఒక run చాలా పొడవైన సమాధానాన్ని ఉత్పత్తి చేసి, దానికి మీకు billing చేయవచ్చు.

n8n docsలోని ఒక ముఖ్యమైన మినహాయింపు ఇది: sub-nodeలోని expressions ఎల్లప్పుడూ first input item ఆధారంగా resolve అవుతాయి; ప్రతి itemకు విడిగా resolve కావు. Per-item expressionsను root nodeలోని prompt fieldsలో ఉంచండి.

దశ 3: agent స్వీకరించే prompt

AI Agent node ను తెరవండి. Source for Prompt (User Message) parameter కు రెండు settings ఉన్నాయి.

  • Connected Chat Trigger Node అనే setting, chatInput పేరుతో వచ్చే field ను ఆశిస్తుంది. Chat Trigger వెనుక ఈ ఎంపిక సరైనది.
  • Define below అనే setting లో Prompt (User Message) field కనిపిస్తుంది. ఇందులో static text లేదా expression రాయవచ్చు. Schedule Trigger లేదా Webhook node వెనుక ఈ ఎంపిక సరైనది.

ముందుగా Webhook node ఉన్నప్పుడు, POST body $json.body కింద వస్తుంది. అందువల్ల prompt field ఇలా కనిపిస్తుంది.

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.

దశ 4: agent కు ఒక tool ఇవ్వండి

n8n documentation ప్రకారం, AI Agent node కు కనీసం ఒక tool sub-node ను అనుసంధానించాలి. అయితే ప్రస్తుత node code (version 3.1) chat model లేకపోతే మాత్రమే అమలును నిరాకరిస్తుంది. ఏ పరిస్థితిలోనైనా ముందుగా ఒక tool తో ప్రారంభించండి. సగం మాత్రమే కాన్ఫిగర్ చేసిన నాలుగు tools కంటే సరిగ్గా పనిచేసే ఒక tool ఎక్కువ సమాచారాన్ని ఇస్తుంది. tool లేని agent ఎక్కువ ఖర్చయ్యే chain మాత్రమే.

agent లోని Tool connector కు HTTP Request node ను అనుసంధానించండి. సాధారణ HTTP Request node ను కాన్ఫిగర్ చేసినట్లే దీన్ని ఖచ్చితంగా కాన్ఫిగర్ చేయండి. తరువాత ముందుగా shell నుంచి ఆ endpoint ను test చేయండి.

curl -s -H 'Accept: application/json' \
  https://status.example.com/api/status/database | head -c 400

ఆ curl error ను లేదా HTML login page ను తిరిగి ఇస్తే agent కూడా విఫలమవుతుంది. అప్పుడు అసలు సమస్య URL లేదా authentication కు సంబంధించినదైనా, అది model సమస్యలా కనిపిస్తుంది. దీన్ని node లో కాకుండా shell లో సరిచేయండి.

tool లోని Description field మీ సహచరుల కోసం documentation కాదు. ఈ tool సంబంధితమా కాదా అని నిర్ణయించేటప్పుడు model, tool పేరు మరియు parameter schema తో పాటు దీన్ని చదువుతుంది. ఏ ఫలితం తిరిగి వస్తుందో సాధారణ వాక్యంగా రాయండి: "ఒక పర్యవేక్షిత service ప్రస్తుత up లేదా down స్థితి మరియు downtime వ్యవధిని JSONగా తిరిగి ఇస్తుంది."

request లోని కొంత భాగాన్ని model పూరించేందుకు $fromAI() expression ను ఉపయోగించండి. ఇది AI Agent node కు అనుసంధానించిన tools లో మాత్రమే పనిచేస్తుంది. Code tool లో ఇది పనిచేయదు.

{{ $fromAI('service', 'The name of the service to look up', 'string') }}

arguments key, తరువాత ఐచ్ఛికమైన description, type మరియు defaultValue. key 1 నుంచి 64 characters వరకు ఉండాలి. ఇందులో letters, digits, underscores మరియు hyphens మాత్రమే ఉపయోగించాలి. type, string, number, boolean లేదా json లో ఒకటి అయి ఉండాలి. default విలువ string. పూర్తి call ఇలా ఉంటుంది.

{{ $fromAI('limit', 'How many records to return', 'number', 20) }}

key అనేది ఒక సూచన మాత్రమే. ఇది ఇప్పటికే ఉన్న data కు reference కాదు. $fromAI('service') ఎక్కడి నుంచీ service పేరున్న field ను చదవదు. ఇది "ఒక value ను సృష్టించి దానికి service అని పేరు పెట్టు" అని model కు చెబుతుంది. తరువాత model conversation, input data మరియు ఇతర tool results లో చూసి ఆ value ను కనుగొంటుంది. chat workflow లో అది user ను నేరుగా అడగవచ్చు.

Web search సాధారణంగా ఉపయోగించే రెండవ tool. ఇది మరో HTTP endpoint మాత్రమే కాబట్టి, paid search API బదులుగా మీ స్వంత SearXNG instance ను ఇదే node కు point చేయవచ్చు. అయితే అది తిరిగి తెచ్చే ప్రతి page ను untrusted text గా పరిగణించాలి, ఎందుకంటే ఆ text ఇప్పుడు మీ prompt లో భాగమవుతుంది.

దశ 5: memory మరియు agent ఎందుకు మర్చిపోతుంది

memory sub-node లేకపోతే ప్రతి message పూర్తిగా కొత్తగా ప్రారంభమవుతుంది. ఇటీవలి conversation ను నిల్వ చేయడానికి Simple Memory sub-node ను జోడించండి.

దీనిలో రెండు parameters ఉంటాయి. ఈ conversation ఏదో Session Key నిర్ణయిస్తుంది. అందువల్ల వేర్వేరు keys ఉన్న ఇద్దరు users కు వేర్వేరు histories లభిస్తాయి. prompt లో ఎన్ని previous interactions ను మళ్లీ చేర్చాలో Context Window Length నిర్ణయిస్తుంది.

Context Window Length quality ను మాత్రమే కాకుండా cost ను కూడా ప్రభావితం చేస్తుంది. కారణం, గుర్తుంచుకున్న ప్రతి turn తరువాతి ప్రతి call లో input tokens గా మళ్లీ పంపబడుతుంది. ఎక్కువగా messages పంపే agent లో window ను 20 గా ఉంచితే, ప్రారంభ messages కోసం అదే ఖర్చు ఇరవైసార్లు చెల్లించాల్సి వస్తుంది.

n8n queue mode లో నడిచే active production workflow లో Simple Memory పనిచేయదు. కారణం, ఇది workflow మరియు session IDs ఆధారంగా process-local singleton Map లో history ని నిల్వ చేస్తుంది. Workers ఆ memory ని పంచుకోలేవు. queue-mode instance లో దీనికి బదులుగా Postgres Chat Memory sub-node ను ఉపయోగించండి. Main process మరియు workers రెండూ చేరుకోగల database ను దానికి configure చేయండి.

దశ 6: సిస్టమ్ మెసేజ్ (System Message)

ఏజెంట్ యొక్క Options తెరిచి, ఒక System Message ను జోడించండి. ఇక్కడే ఉద్యోగ వివరణ (job description) ఉంటుంది, మరియు వర్క్‌ఫ్లోలో అత్యంత ప్రభావవంతమైన టెక్స్ట్ ఇదే.

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.

"సమాధానం ఇచ్చే ముందు ఎల్లప్పుడూ status టూల్‌ను కాల్ చేయండి" అనే సూచన ఇక్కడ కీలక పాత్ర పోషిస్తుంది. ఇది లేకపోతే, తనకు సమాధానం తెలుసని భావించే మోడల్ టూల్‌ను దాటవేసి, తన జ్ఞాపకశక్తి నుండి సమాధానం ఇస్తుంది. మీ ఇన్‌ఫ్రాస్ట్రక్చర్ మారిన వెంటనే, ఆ సమాధానం తప్పుగా ఉండే అవకాశం ఉంది.

ఏజెంట్ ఎందుకు లూప్‌లోకి వెళ్తుంది, దాన్ని ఏది ఆపుతుంది

Options లో Max Iterations కూడా ఉంటుంది. దీని డిఫాల్ట్ విలువ 10. ఒక iteration అంటే ఒక model call. ఆ call tools ను అభ్యర్థించవచ్చు లేదా తుది సమాధానాన్ని తిరిగి ఇవ్వవచ్చు; tool results తదుపరి call కు పంపబడతాయి. అందువల్ల ఒక agent run ఒక API call మాత్రమే కాదు. ఇది గరిష్ఠంగా పది calls వరకు ఉండవచ్చు. ప్రతి call కు ఇన్‌పుట్‌గా పెరుగుతున్న మొత్తం conversation పంపబడుతుంది.

ఈ విలువను తగ్గించండి. చాలా single-tool agents రెండు iterations లో పూర్తవుతాయి. limit ను 3 లేదా 4 గా ఉంచితే runaway loop అమలు జాబితాలో మీరు చూడగలిగే స్పష్టమైన failure గా మారుతుంది.

మీరు debugging చేస్తున్నప్పుడు Return Intermediate Steps ను ఆన్ చేయండి. అప్పుడు తుది output లో agent మధ్యలో చేసిన tool calls కూడా ఉంటాయి. దీని ద్వారా "model tool ను ఎప్పుడూ call చేయలేదు" మరియు "tool ఉపయోగకరమైన ఫలితాన్ని ఏదీ ఇవ్వలేదు" అనే పరిస్థితులను వేరు చేయవచ్చు. live కు వెళ్లే ముందు దీన్ని మళ్లీ ఆఫ్ చేయండి. ఎందుకంటే ఆ steps తుది వినియోగదారుకు అవసరం లేని సమాచారంగా ఉంటాయి.

shell నుంచి ఒక run జరుగుతున్న విధానాన్ని పరిశీలించండి.

docker compose logs -f n8n

నిర్వహణ లేకుండా నడిచే agent నిశ్శబ్దంగా అధిక ఖర్చు చేయకుండా నిరోధించడం

Chat Trigger వెనుక ఉన్న agent కు ఒక మనిషి పర్యవేక్షణ ఉంటుంది. సమాధానం తప్పుగా కనిపిస్తే ఆ వ్యక్తి agent ను ఆపగలరు. Schedule Trigger వెనుక ఉన్న agent ను ఎవరూ పర్యవేక్షించరు. ఇక్కడ మీరు licence ఖర్చును కాకుండా model వినియోగ ఖర్చును పర్యవేక్షిస్తున్నారు. ఎందుకంటే agent, tool మరియు memory nodes అన్నీ ఉచిత self-hosted edition లో పనిచేస్తాయి. చెల్లింపు key అవసరమయ్యే ఫీచర్లు ఎక్కువగా team మరియు governance కు సంబంధించినవే. పూర్తి వివరణ ఎల్లప్పుడూ నడిచే VPSలో AI agent ఖర్చు నియంత్రణ లో ఉంది. ఇక్కడ ప్రధానంగా నాలుగు settings సరిపోతాయి.

  • model sub-node లో Maximum Number of Tokens కు పరిమితి పెట్టండి. అప్పుడు ఏ ఒక్క response కూడా చాలా పొడవుగా కొనసాగదు.
  • task పూర్తయ్యేంత చిన్న విలువకు Max Iterations ను సెట్ చేయండి.
  • tool responses ను చిన్నగా ఉంచండి. 4,000 పంక్తుల JSON blob ను తిరిగి ఇచ్చే tool, దాని మొత్తం కంటెంట్‌ను తదుపరి model call లోకి, అదే run లోని ఆ తర్వాతి ప్రతి call లోకి కూడా పంపుతుంది.
  • agent కు schedule నిజంగా అవసరమా అని పరిశీలించండి. ప్రతి ఐదు నిమిషాలకు నడిచే job రోజుకు 288 సార్లు ప్రారంభమవుతుంది. ఒక్క run కు ఎంత ఖర్చవుతుందో, ఆ మొత్తాన్ని 288తో గుణించాలి.

మీరు మార్పులు పరీక్షిస్తున్నప్పుడు workflow ను unpublish చేయండి. కనీసం ప్రస్తుతం live లో ఉన్న version ఏదో గుర్తుంచుకోండి. Schedule Trigger ఉన్న published workflow మీరు తెరపై చూస్తున్న draft ను కాకుండా, చివరిసారి publish చేసిన version ను అమలు చేస్తూనే ఉంటుంది. ఎందుకంటే మీరు మళ్లీ publish చేసే వరకు n8n మీ మార్పులను draft గా ఉంచుతుంది.

FAQ

నా AI Agent node అమలు కావడానికి నిరాకరిస్తోంది. ఎందుకు?

ముందుగా connectors ను తనిఖీ చేయండి. AI Agent node కు chat model sub-node అవసరం. అది లేకపోతే ఎలాంటి API call చేయకముందే "Please connect a model to the Chat Model input" అనే సందేశంతో ఆగిపోతుంది. కనీసం ఒక tool sub-node అవసరమని n8n docs కూడా పేర్కొంటాయి. కాబట్టి model కనెక్ట్ అయి ఉన్నప్పటికీ node ఇంకా అమలు కాకపోతే, ఒక tool ను జత చేసి మళ్లీ run చేయండి. అది సాధారణమైన tool అయినా సరిపోతుంది.

agent సమాధానం ఇస్తోంది, కానీ నా tool ను ఎప్పుడూ call చేయడం లేదు. సమస్య ఏమిటి?

దాదాపు ఎల్లప్పుడూ సమస్య tool లోని Description field లోనే ఉంటుంది. Model ఆ descriptions ను చదివి tools ను ఎంచుకుంటుంది. అందువల్ల "HTTP Request" వంటి description ద్వారా ఆ tool ఎప్పుడు ఉపయోగించాలో model కు తెలియదు. ఏ data తిరిగి వస్తుంది, ఏ పరిస్థితిలో అది ఉపయోగకరంగా ఉంటుంది అనే విషయాలను స్పష్టంగా చెప్పేలా description ను మార్చండి. తరువాత సమాధానం ఇవ్వడానికి ముందు ఆ tool ను call చేయాలని agent కు సూచించే ఒక line ను System Message లో జోడించండి.

ఒకే ప్రశ్నకు ప్రతి run లో వేర్వేరు ఖర్చు ఎందుకు వస్తుంది?

ఎందుకంటే ఎన్ని steps ఉపయోగించాలో model నిర్ణయిస్తుంది. ప్రతి iteration లో అప్పటివరకు ఉన్న పూర్తి conversation మళ్లీ పంపబడుతుంది. ఇందులో మునుపటి tool output కూడా ఉంటుంది. అందువల్ల నాలుగు iterations పట్టే run లో, మొత్తం నాలుగు calls కు సంబంధించిన input మరియు output tokens కోసం billing జరుగుతుంది. Max Iterations దీనికి గరిష్ఠ పరిమితిని నిర్దేశిస్తుంది. Return Intermediate Steps ద్వారా ఒక run వాస్తవంగా ఎన్ని steps ఉపయోగించిందో చూడవచ్చు.

editor లో నా memory పనిచేస్తోంది, కానీ production లో పనిచేయడం లేదు. ఏమి మారింది?

instance queue mode లో నడుస్తుందో లేదో తనిఖీ చేయండి. Simple Memory చరిత్రను workflow మరియు session IDs ఆధారంగా process-local singleton Map లో నిల్వ చేస్తుంది. వేర్వేరు worker processes ఈ memory ని భాగస్వామ్యం చేసుకోలేవు. ప్రతి worker భాగస్వామ్యం చేసుకునే database లో చరిత్రను నిల్వ చేసే Postgres Chat Memory sub-node ను ఉపయోగించండి.

ఈ వ్యాసం ఉపయోగకరంగా ఉందా?