วิธีใช้ Claude ร่วมกับ n8n บน VPS

สิ่งที่คุณกำลังสร้าง

Workflow ของ AI ที่ใช้งานได้จริง 3 รูปแบบบน n8n instance ที่คุณรันอยู่: webhook ที่สรุปเนื้อหาจากข้อมูลใดก็ได้ที่คุณส่งเข้าไป, scheduled feed-reader ที่เปลี่ยนบทความให้เป็นแถวข้อมูลใน spreadsheet แบบมีโครงสร้าง, และ AI Agent ที่สามารถเรียกใช้ HTTP API ได้ด้วยตัวเองเพื่อตอบคำถาม นี่คือคู่ขนานแบบ no-code ของ การเรียกใช้ Claude API จาก Python บน VPS ของคุณ — ใช้ API เดียวกัน, ใช้ tokens เท่ากัน, และเสียค่าใช้จ่ายเท่ากัน แต่การควบคุมลำดับขั้นตอน (orchestration) จะอยู่ใน n8n nodes แทนที่จะเป็น script

ผมสมมติว่า n8n ของคุณรันอยู่หลัง HTTPS แล้วตามคู่มือ self-hosted n8n on Docker guide หากยังไม่ได้ทำ ให้เริ่มจากจุดนั้นก่อน — webhook จำเป็นต้องมี TLS endpoint ที่ใช้งานได้จริง และ credential store ที่คุณกำลังจะใส่ API key ลงไปนั้น จำเป็นต้องมีการสำรอง encryption-key ตามที่คู่มือแนะนำไว้

ประเด็นที่น่าสนใจในที่นี้ไม่ใช่แค่การ drag-and-drop แต่คือการเลือก model ในแต่ละ node, ฟิลด์ prompt ที่มีการแทรกค่า undefined อย่างเงียบๆ, และข้อเท็จจริงที่ว่า automation ทำงานโดยไม่มีคนเฝ้า — workflow ที่มีต้นทุนเพียงครึ่งเซนต์ต่อการรันหนึ่งครั้งอาจดูราคาถูก จนกว่า loop การ retry จะรันมันถึงสี่พันครั้งในช่วงข้ามคืน คู่มือส่วนใหญ่จะเน้นไปที่เรื่องเหล่านี้

หนึ่ง credential ที่เข้ารหัสด้วย key ที่คุณสำรองไว้

รับ API key จาก Anthropic Console ที่ platform.claude.com — ไปที่ Settings, จากนั้นไปที่ API Keys, แล้วสร้าง key ที่ตั้งชื่อว่า n8n-vps ตัว key จะแสดงให้เห็นเพียงครั้งเดียว เติมเงินในบัญชีหรือตั้งค่าการชำระเงิน; การใช้งาน API เป็นแบบ pay-per-token และแยกต่างหากจากการสมัครสมาชิก Claude.ai ทุกกรณี

ใน n8n: ไปที่ Credentials, เลือก Create credential, เลือก Anthropic, วาง key ลงในฟิลด์ API Key, แล้วกด save ทุก Claude node ในทุก workflow จะอ้างอิงถึง credential ที่เก็บไว้เพียงอันนี้ — คุณไม่ควรวาง key ลงใน node โดยตรง

หมายเหตุในการปฏิบัติงานสองข้อ ข้อแรก n8n เข้ารหัส credential ที่เก็บไว้ด้วย N8N_ENCRYPTION_KEY หากคุณตั้งค่า env var นี้อย่างชัดเจนใน compose file ตามคู่มือ n8n credential ของคุณจะยังคงอยู่แม้มีการ rebuild container แต่หากคุณปล่อยให้ n8n สร้างขึ้นมาเองแล้วคุณทำ volume หาย credential ทุกตัวที่เก็บไว้ — รวมถึง key นี้ด้วย — จะกลายเป็น ciphertext ที่ไม่สามารถกู้คืนได้ หากคุณข้ามขั้นตอนการสำรอง key ไป ให้รีบทำตอนนี้ ข้อที่สอง ให้ถือว่า n8n credential store คือขอบเขตความเสียหาย (blast radius): ใครก็ตามที่สามารถแก้ไข workflow บน instance ของคุณได้ จะสามารถส่ง request โดยใช้ Anthropic key ของคุณได้ ดังนั้นควรตั้งค่า spend limit ใน Console ภายใต้ Settings เพื่อจำกัดเพดานการใช้งานหาก instance ถูกเจาะระบบหรือทำงานผิดพลาด

การเลือก model เป็นการตัดสินใจในระดับต่อ node

เมนู dropdown ของ model ใน Claude nodes ของ n8n จะดึงข้อมูลสดจาก API ดังนั้นจะแสดงเฉพาะ model ที่ key ของคุณสามารถเข้าถึงได้ ณ เดือนกรกฎาคม 2026 รายการ model และราคา API ต่อหนึ่งล้าน input/output tokens คือ: Claude Haiku 4.5 (claude-haiku-4-5) ราคา $1/$5 พร้อม context window 200K, Claude Sonnet 5 (claude-sonnet-5) ราคา $3/$15 — ราคาแนะนำ $2/$10 จนถึงวันที่ 31 สิงหาคม 2026 — และ Claude Opus 4.8 (claude-opus-4-8) ราคา $5/$25 ทั้งคู่มี context window ขนาด 1M-token นอกจากนี้ยังมี Claude Fable 5 (claude-fable-5) ราคา $10/$50 สำหรับงานด้าน reasoning ที่ยากที่สุด ซึ่งไม่มีความจำเป็นต้องใช้ในคู่มือนี้ โปรดใช้ ID เหล่านี้ให้ถูกต้อง — หากคุณใช้ชื่อรุ่นที่มีวันที่ต่อท้ายซึ่งจำมาจาก tutorial เก่าจะเกิด error 404 และราคาอาจมีการเปลี่ยนแปลง ดังนั้นโปรดตรวจสอบที่ platform.claude.com ก่อนเชื่อถือตัวเลขใดๆ รวมถึงในที่นี้ด้วย

นิสัยที่ควรสร้างคือ: เลือก model ต่อหนึ่ง node ไม่ใช่ต่อหนึ่ง platform การทำ Classification, extraction, summarization, routing — ซึ่งเป็นงานหลักของ automation — สามารถทำงานได้อย่างยอดเยี่ยมบน Haiku โดยมีราคาเพียงหนึ่งในสามของ Sonnet และหนึ่งในห้าของ Opus ให้เก็บ Sonnet ไว้สำหรับ agents และการใช้เหตุผลแบบ multi-step และเก็บ Opus ไว้สำหรับ workflow ที่เกิดขึ้นไม่บ่อยนักซึ่งคำตอบที่ผิดมีมูลค่าสูงกว่าค่า tokens Workflow ที่มี Claude nodes ห้าตัวสามารถและควรผสมผสาน model ต่างๆ เข้าด้วยกัน

Claude nodes ทั้งสองแบบ และควรใช้แบบไหนเมื่อไหร่

n8n มาพร้อมกับการเชื่อมต่อ Anthropic สองรูปแบบที่แตกต่างกัน และการเลือกใช้ผิดเป็นข้อผิดพลาดที่พบบ่อยที่สุดสำหรับมือใหม่

Node Anthropic คือ app node ปกติ: หนึ่ง request เข้า, หนึ่ง response ออก Resource ประเภท Text มี operation Message a Model รวมถึง operation สำหรับวิเคราะห์รูปภาพและเอกสาร ใช้ node นี้เมื่อ logic ของ workflow อยู่ใน n8n — เช่น trigger, การเรียก Claude, และ node ถัดไป Workflow ที่ 1 และ 2 ด้านล่างนี้ใช้ node นี้หรือตัวเทียบเท่าในรูปแบบ chain

Node Anthropic Chat Model คือ sub-node — เป็นส่วนประกอบขนาดเล็กที่ทำหน้าที่ส่ง model ให้กับ root node เช่น AI Agent หรือ Basic LLM Chain มันไม่มี trigger และไม่มี output เป็นของตัวเอง แต่จะแสดงตัวเลือก model picker พร้อมตัวเลือกการ sampling เช่น Maximum Number of Tokens และ Sampling Temperature ข้อควรระวังจากเอกสารของ n8n ที่ควรจำไว้คือ: expression ภายใน sub-nodes จะ resolve กับ input item แรกสุด เท่านั้น ไม่ใช่ทุก item — ดังนั้นควรใส่ per-item expressions ไว้ในฟิลด์ prompt ของ root node ไม่ใช่ใน sub-node

Workflow 1: webhook เข้ามา, summary ออกไป

Hello-world ของ AI automation: ข้อมูลใดๆ ที่ถูก POST ไปยัง URL จะถูกสรุปและส่งไปยัง Slack หรือ inbox ของคุณ

1. Webhook node — HTTP Method เป็น POST, path คือ summarize n8n จะให้ test URL และ production URL มา; production URL จะเริ่มทำงานเมื่อ workflow ถูกเปิดใช้งาน (active) เท่านั้น
2. Anthropic node — เลือก Message a Model, model claude-haiku-4-5, Max Tokens ประมาณ 300
3. Slack node (หรือ Send Email) — ส่งข้อความ response ไปยัง channel

Prompt คือจุดที่ n8n expressions มาบรรจบกับ Claude ข้อมูลใน POST body จะอยู่ที่ $json.body ดังนั้นฟิลด์ user message จะมีลักษณะดังนี้:

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

{{ $json.body.text }}

ให้ใส่คำสั่ง role และ format ไว้ในฟิลด์ system prompt ของ node ไม่ใช่ใน user message — system prompt จะคงที่ในขณะที่ payload เปลี่ยนแปลง ซึ่งจะช่วยให้พฤติกรรมของ model เสถียรและทำให้ prompt อ่านเข้าใจง่ายในอีกหกเดือนข้างหน้า ทดสอบจากตัว VPS เองได้ด้วยคำสั่ง:

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..."}'

ต้นทุนต่อการรันบน Haiku: payload ขนาด 1,200-token รวมกับ prompt จะอยู่ที่ประมาณ $0.0012 สำหรับ input และ 300 tokens สำหรับ output คือ $0.0015 — หรือประมาณหนึ่งในสี่เซนต์ การรันหนึ่งพันครั้งต่อเดือนจะมีค่าใช้จ่ายไม่ถึง $3 หากใช้ node เดียวกันนี้กับ Opus 4.8 จะมีค่าใช้จ่ายประมาณห้าเท่าของจำนวนนั้น อัตราส่วนนี้เมื่อคูณกับทุก workflow ที่คุณสร้าง คือเหตุผลว่าทำไมนิสัยการเลือก model ต่อ node จึงสำคัญ

Workflow 2: scheduled RSS ไปยัง structured rows

คราวนี้เป็นงานตามกำหนดเวลา พร้อมผลลัพธ์ที่มีโครงสร้าง: อ่าน RSS feed ทุกชั่วโมง, classify แต่ละรายการ, และเพิ่มแถวลงใน sheet

1. Schedule Trigger — ทุกๆ หนึ่งชั่วโมง
2. RSS Read — ระบุ URL ของ feed ผลลัพธ์คือหนึ่ง item ต่อหนึ่งบทความ
3. Basic LLM Chain — ใช้ sub-node Anthropic Chat Model ที่ตั้งค่าเป็น claude-haiku-4-5 และ sub-node Structured Output Parser ที่ถือ JSON schema ไว้
4. Google Sheets (หรือ Postgres) — เพิ่มแถวใหม่ตามแต่ละ item

Structured Output Parser คือสิ่งที่เปลี่ยนคำสั่ง "Claude, please return JSON" จากความคาดหวังให้กลายเป็นข้อตกลง: มันจะตรวจสอบคำตอบของ model เทียบกับ schema ของคุณ และจะแจ้ง error ของ item นั้นทันทีแทนที่จะเขียนแถวข้อมูลที่ใช้งานไม่ได้ลงไป ตัวอย่าง schema เช่น:

{
  "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"]
}

และ prompt ของ chain จะอ้างอิงถึง feed item:

Classify this article for a VPS hosting audience.

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

การคำนวณต้นทุนจะเปลี่ยนรูปแบบไป: นี่คือต้นทุนต่อ item ไม่ใช่ต่อการรัน หากมี 50 บทความต่อชั่วโมง ตลอด 24 ชั่วโมง จะมีการเรียก Claude 36,000 ครั้งต่อเดือน — บน Haiku อาจอยู่ที่ $40–$90 ขึ้นอยู่กับความยาวบทความ ส่วนบน Opus จะอยู่ที่ประมาณห้าเท่าของจำนวนนั้น ควรทำ deduplicate ก่อนถึง LLM node (ใช้ IF ง่ายๆ เพื่อเช็ค link ที่เคยเห็นแล้ว หรือใช้ n8n's Remove Duplicates node) เพื่อลดจำนวนการเรียก เพราะการ poll รายชั่วโมงส่วนใหญ่มักไม่มีข้อมูลใหม่ Token ที่ถูกที่สุดคือการเรียกที่คุณไม่ได้ทำ

Workflow 3: AI Agent ที่ใช้เครื่องมือ (tools)

สอง workflow แรกคือ pipelines — คุณเป็นคนกำหนดขั้นตอน แต่ AI Agent node จะทำงานตรงกันข้าม: คุณให้เป้าหมายและเครื่องมือแก่ Claude แล้ว มัน จะตัดสินใจเองว่าจะเรียกเครื่องมือใดและลำดับอย่างไรจนกว่าจะเสร็จสิ้น n8n ต้องการ chat model sub-node และต้องมี sub-node เครื่องมืออย่างน้อยหนึ่งอันแนบไว้

ตัวอย่างการสร้าง — ผู้ช่วยด้าน ops ที่ตอบคำถามว่า "อะไรเสียและเพราะอะไร" จากระบบ monitoring ของคุณ:

1. Chat Trigger (หรือ webhook) — รับคำถามเข้ามา
2. AI Agent — ใช้ sub-node Anthropic Chat Model ที่ตั้งค่าเป็น claude-sonnet-5 Agents จะวางแผนและเชื่อมโยงการเรียกใช้เครื่องมือ; Haiku สามารถรัน agent แบบเครื่องมือเดียวอย่างง่ายได้ แต่ Sonnet คือเกณฑ์ขั้นต่ำที่เหมาะสมเมื่อเครื่องมือมีจำนวนมากขึ้น
3. HTTP Request node ที่แนบไว้ ในฐานะเครื่องมือ — ชี้ไปยัง Uptime Kuma status API หรือ endpoint ของ Zabbix ของคุณ เครื่องมือ HTTP ตัวที่สองสามารถเรียกใช้ API แบบ REST ใดๆ ก็ได้

การตั้งค่าสองอย่างคือหัวใจสำคัญ: System Message ของ agent จะกำหนดหน้าที่: "You are an ops assistant. Use the status tool to check current monitor state before answering. Report only monitors that are down, with duration." และ description ของแต่ละเครื่องมือไม่ใช่เอกสารสำหรับมนุษย์ — แต่มันคือวิธีที่ Claude ใช้ตัดสินใจว่าจะเรียกใช้เครื่องมือเมื่อไหร่ เช่น "Returns current up/down state for all monitored services as JSON" จะถูกเรียกในจังหวะที่เหมาะสม ส่วน "status API" จะถูกเพิกเฉยหรือใช้งานผิดประเภท เมื่อคุณแนบ HTTP Request node เป็นเครื่องมือ ให้เปิดใช้งานตัวเลือก Optimize Response และเลือกฟิลด์ JSON ที่จำเป็น — มิฉะนั้น API response ที่ยาวเกินไปจะถูกส่งเข้าไปใน context ของ model ในฐานะ input tokens ซึ่งคุณต้องเป็นคนจ่ายเงิน

ตั้งค่า Max Iterations ของ agent (ค่าเริ่มต้นคือ 10) ให้เป็นจำนวนน้อยที่สุดที่ยังทำงานได้ — นี่คือความแตกต่างระหว่าง "agent ยอมแพ้หลังจากเรียก 4 เครื่องมือ" กับ "loop การทำงานที่วนซ้ำไปมาหลายสิบครั้ง" และโปรดเข้าใจรูปแบบการเรียกเก็บเงิน: การทำแต่ละ iteration จะส่งประวัติการสนทนาทั้งหมดกลับไปใหม่ — ทั้ง system message, คำถาม, และผลลัพธ์จากเครื่องมือก่อนหน้า — ในฐานะ input tokens การรัน agent หนึ่งครั้งที่มี 6 iterations อาจมีจำนวน input tokens สะสมถึง 20,000 และ output 2,000: บนราคาแนะนำของ Sonnet 5 จะอยู่ที่ประมาณ $0.06 และประมาณ $0.09 ที่ราคามาตรฐาน $3/$15 — หรือเทียบเท่ากับการรันสรุปความแบบง่ายๆ ถึงยี่สิบครั้ง หากคุณพบว่าต้องต่อเครื่องมือจำนวนมากเข้ากับ agent เดียว นั่นคือจุดที่ การรัน MCP servers บน VPS ของคุณ จะเป็นสถาปัตยกรรมที่สะอาดกว่า

การควบคุมต้นทุน เพราะไม่มีใครเฝ้าดูอยู่

Workflow ที่ทำงานโดยไม่มีคนเฝ้าจำเป็นต้องมีการควบคุมเหมือนที่มนุษย์ทำ แบ่งเป็น 4 ระดับ เรียงจากราคาถูกที่สุด

Max Tokens ในทุก Claude node นี่คือการจำกัด output อย่างเด็ดขาด ตัวสรุปความต้องการ 300 tokens, ตัว classify ต้องการ 100 tokens สิ่งนี้ช่วยจำกัดฝั่งที่มีราคาแพง ($5–$25 ต่อหนึ่งล้าน output tokens เทียบกับ $1–$5 สำหรับ input) และยังเป็นเบรกป้องกันความผิดพลาด — bug ใน prompt ที่ทำให้ Claude พูดไม่หยุดจะเสียเพียง 300 tokens ไม่ใช่ 8,000

Model ต่อ node ตามที่กล่าวไปข้างต้น; นี่คือตัวแปรด้านราคาที่ต่างกัน 5-10 เท่าในรายการ model ปัจจุบัน และใช้เวลาตั้งค่าเพียงสิบวินาที

จำกัดการวนซ้ำ (loops) ตั้งค่า Max Iterations ใน agents, ตั้งค่า workflow timeout ในการตั้งค่า workflow เพื่อให้การทำงานที่ค้างอยู่หยุดลงแทนที่จะรันไปเรื่อยๆ และระวังการใช้ Retry On Fail ในแต่ละ node: มันเป็นเครื่องมือที่ถูกต้องสำหรับ error ชั่วคราว แต่การ retry จะทำให้ต้นทุนเพิ่มขึ้น — การตั้ง Max Tries เป็น 3 และ Wait Between Tries เป็น 5000 ms หมายความว่าหากเกิด error ต่อเนื่อง คุณจะเสียเงินเพิ่มถึงสามเท่าต่อหนึ่ง item อย่าใช้การ retry ครอบ node ที่ทำงานสำเร็จไปแล้วแต่มีราคาแพง

ใช้ error workflow เป็นตัวรับมือสุดท้าย สร้าง workflow ที่เริ่มต้นด้วย Error Trigger node เพื่อส่งชื่อ workflow ที่ล้มเหลวและ error ไปยัง Slack จากนั้นตั้งค่า workflow นี้เป็น Error Workflow ในการตั้งค่าของทุก AI workflow รูปแบบความล้มเหลวที่แบบนี้จะตรวจจับได้คือแบบที่ร้ายแรงที่สุด: workflow ที่ถูก trigger ด้วย schedule แล้ว error ทุกชั่วโมง เป็นเวลาหนึ่งสัปดาห์ — โดยแต่ละการรันเผาผลาญ tokens ไปเรื่อยๆ ก่อนจะหยุดลง ให้ใช้ควบคู่ไปกับการตั้งค่า spend limit รายเดือนใน Anthropic Console และตรวจสอบหน้าการใช้งานใน Console ในช่วงไม่กี่วันแรกหลังจากเปิดใช้งาน workflow ที่ตั้งเวลาไว้ หากคุณต้องการเข้าใจรายละเอียดการเรียกเก็บเงินอย่างแม่นยำ คู่มือการใช้งาน token จะช่วยวิเคราะห์ให้คุณได้

รูปแบบความล้มเหลว และสัญญาณเตือนที่คุณจะพบ

Node ล้มเหลวทันทีด้วยข้อความ "Authorization failed - please check your credentials." API ส่งค่า 401 กลับมา เนื้อหาภายในคือ:

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

เกิดจาก key ผิดพลาด — เช่น key ถูกตัดตอน, มีช่องว่างต่อท้าย, หรือเป็นค่า placeholder จาก tutorial ให้สร้าง n8n credential ใหม่และวาง key อีกครั้ง; หากเมื่อวานยังใช้งานได้ ให้ตรวจสอบว่า key ถูกยกเลิกใน Console หรือมีการ restore volume กลับไปยัง credential ที่เข้ารหัสด้วย N8N_ENCRYPTION_KEY ตัวอื่นหรือไม่

Execution ล้มเหลวเป็นชุดด้วย 429 rate_limit_error พร้อมข้อความประมาณว่า "Number of request tokens has exceeded your per-minute rate limit." Rate limits คิดเป็นรายนาที และ n8n ทำให้การยิง webhook หรือ RSS execution จำนวน 50 รายการพร้อมกันเป็นเรื่องง่ายมาก วิธีแก้คือต้องแก้ที่โครงสร้าง: ให้ประมวลผล item ตามลำดับ (Loop Over Items) แทนการทำแบบ parallel และตั้งค่า Retry On Fail โดยมี Max Tries เป็น 3 และ Wait Between Tries สูงสุดที่ 5000 ms — n8n จำกัดค่านี้ไว้ที่ 5000 ms เมื่อคุณต้องการการหน่วงเวลาที่นานกว่านั้นเพื่อให้การ retry ตกไปอยู่ในหน้าต่างนาทีถัดไป ให้ใส่ Wait node ใน error path หรือประมวลผล item ทีละรายการ Response จะมี header retry-after ที่บอกคุณว่าต้องรอนานเท่าใด — n8n ไม่สามารถอ่านค่านี้ได้โดยอัตโนมัติ ดังนั้นคุณต้องสร้างการหน่วงเวลาที่ยาวกว่านั้นด้วยตัวเอง

404 not_found_error เมื่อระบุชื่อ model ผิด เนื้อหาจะแสดงชื่อที่พิมพ์ผิด:

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

เช่น ใช้จุดแทนขีดกลาง (4.5 สำหรับ 4-5), ใช้ date suffix จาก blog post ที่ล้าสมัย หรือใช้ model ที่ถูกยกเลิกไปแล้ว วิธีแก้คือตรวจสอบ ID ให้ตรงกับรายการปัจจุบัน — ปัญหานี้มักเกิดกับคนที่พิมพ์ในฟิลด์ model แทนที่จะเลือกจาก dropdown

Claude ตอบคำถามที่คุณไม่ได้ถาม ไม่มีการแจ้ง error ใดๆ — การรันแสดงสถานะสีเขียว เกิดจาก n8n expression ที่อ้างอิงฟิลด์ที่ไม่มีอยู่จริง เช่น {{ $json.body.text }} ในขณะที่ payload ใช้ message ทำให้เกิดการแทรกข้อความ undefined ลงใน prompt และ Claude ก็พยายามตอบคำถามที่ไม่มีความหมายนั้น หาก node ที่อ้างอิงไม่ได้ถูก execute เลย คุณจะได้ข้อความ "Referenced node is unavailable" แต่หากเป็นฟิลด์ที่หายไปจะไม่มีการแจ้งเตือนใดๆ ก่อนเปิดใช้งาน ให้ลองรันด้วยข้อมูลจริงหนึ่งครั้งและอ่าน prompt ที่ถูก render จริงใน input panel ของ node — editor ของ expression จะแสดงค่าที่ resolve แล้ว และ undefined จะอยู่ตรงนั้นหากคุณสังเกต

FAQ

ฉันจะเชื่อมต่อ Claude กับ n8n ได้อย่างไร?

สร้าง API key ใน Anthropic Console ที่ platform.claude.com จากนั้นใน n8n ให้เพิ่ม credential ประเภท Anthropic และวาง key ลงในฟิลด์ API Key ทุก Claude node — ทั้ง Anthropic app node และ Anthropic Chat Model sub-node — จะอ้างอิงถึง credential ที่เก็บไว้นี้ n8n เข้ารหัสด้วย N8N_ENCRYPTION_KEY ดังนั้นโปรดสำรอง key ไว้ มิฉะนั้น credential ของคุณจะหายไปพร้อมกับ volume

Workflow ของ AI มีต้นทุนต่อการรันเท่าไหร่?

ให้ประมาณการจำนวน token ต่อการรัน แล้วคูณด้วยราคาต่อล้านของ model — ณ เดือนกรกฎาคม 2026, Haiku 4.5 ราคา $1/$5 ต่อหนึ่งล้าน input/output tokens และ Sonnet 5 ราคา $3/$15 ($2/$10 สำหรับช่วงแนะนำจนถึงสิงหาคม 2026) การสรุปความด้วย webhook บน Haiku มีต้นทุนประมาณหนึ่งในสี่เซนต์; การรัน agent บน Sonnet ที่มีการเรียกใช้เครื่องมือหลายครั้งจะมีต้นทุนใกล้เคียง $0.06–$0.10 เนื่องจากทุก iteration จะส่งประวัติการสนทนาทั้งหมดกลับไปใหม่ในฐานะ input โปรดตรวจสอบการใช้งานจริงในหน้า usage ของ Console แทนการเชื่อการประมาณการ

ฉันควรใช้ Claude model ไหนสำหรับ n8n automation?

ใช้ Haiku 4.5 สำหรับการทำ classification, extraction, summarization, และ routing — ซึ่งเป็นงานปริมาณมากที่เน้นความเร็วและราคาเป็นหลัก ใช้ Sonnet 5 สำหรับ AI Agent nodes และการใช้เหตุผลแบบ multi-step ใช้ Opus 4.8 เฉพาะในกรณีที่คำตอบที่ผิดมีมูลค่าสูงพอที่จะคุ้มกับราคา $5/$25 — ซึ่งแพงกว่า Haiku ห้าเท่า และแพงกว่า Sonnet เกือบสองเท่า ให้ตั้งค่า model ต่อ node ไม่ใช่ต่อ workflow — หนึ่ง workflow สามารถผสมผสานทั้งสามรุ่นได้

ฉันจะป้องกันไม่ให้ n8n workflow ใช้จ่ายเงินใน Claude API มากเกินไปได้อย่างไร?

ใช้การควบคุมหลายชั้น: ตั้งค่า Max Tokens ต่ำๆ ในทุก Claude node, ตั้งค่า Max Iterations ใน agents, ตั้งค่า workflow timeout และตั้งค่า Retry On Fail อย่างระมัดระวังเพื่อไม่ให้การ error ทำให้ต้นทุนเพิ่มขึ้น จากนั้นให้เพิ่ม Error Trigger workflow เพื่อแจ้งเตือนผ่าน Slack เมื่อ workflow ใดๆ ล้มเหลว และตั้งค่า spend limit รายเดือนใน Anthropic Console เพื่อเป็นเพดานสูงสุดที่ไม่มีอะไรบน VPS สามารถล่วงละเมิดได้

การเรียกใช้เครื่องมือ (tool calls) ของ AI Agent มีค่าใช้จ่ายเพิ่มไหม?

ไม่มีค่าธรรมเนียมเครื่องมือแยกต่างหาก แต่เครื่องมือไม่ใช่ของฟรี: ผลลัพธ์จากทุกเครื่องมือจะถูกส่งกลับไปยัง model ในฐานะ input tokens และแต่ละ iteration ของ agent จะส่งประวัติการสนทนาทั้งหมดกลับไปใหม่ การส่ง API response ที่ยาวเกินไปโดยไม่กรองข้อมูลอาจทำให้ต้นทุนสูงกว่า prompt จริงของคุณมาก — ควรเปิดใช้งาน Optimize Response ใน HTTP Request tools และส่งคืนเฉพาะฟิลด์ที่ agent จำเป็นต้องใช้เท่านั้น