Claude + n8n: AI workflow sa sariling VPS
Ikonekta ang Claude sa n8n sa sarili mong VPS: setup ng credentials, model bawat node, 3 gumaganang workflow, cost math, at karaniwang errors.
Ano ang ginagawa mo
Tatlong gumaganang AI workflow sa n8n instance na pinapatakbo mo na: isang webhook na nagbubuod ng anumang ipinapadala mo rito, isang naka-schedule na feed reader na ginagawang structured spreadsheet row ang mga article, at isang AI Agent na kusang tumatawag sa isang HTTP API upang sumagot ng mga tanong. Ito ang no-code na katumbas ng pagtawag sa Claude API mula sa Python sa VPS, gamit ang parehong API, parehong token, at parehong bayarin, ngunit nasa mga n8n node ang orchestration sa halip na nasa script.
Ipinapalagay kong gumagana na ang n8n sa HTTPS ayon sa self-hosted n8n sa Docker guide. Kung hindi pa, gawin muna iyon. Kailangan ng webhook ng tunay na TLS endpoint, at ang credential store na paglalagyan mo ng API key ay nangangailangan ng backup ng encryption key na binibigyang-diin ng guide na iyon.
Ang mahahalagang problema rito ay hindi tungkol sa drag-and-drop. Kabilang dito ang pagpili ng model para sa bawat node, mga prompt field na tahimik na nag-i-interpolate ng undefined, at ang katotohanang unattended na tumatakbo ang automation. Ang workflow na nagkakahalaga ng kalahating sentimo sa bawat run ay mura hanggang sa patakbuhin ito ng retry loop nang apat na libong beses magdamag. Karamihan sa guide na ito ay tungkol sa mga problemang iyon.
Isang credential, na naka-encrypt gamit ang na-backup mong key
Kumuha ng API key mula sa Anthropic Console sa platform.claude.com, pagkatapos ay pumunta sa Settings at API Keys, at gumawa ng key na may pangalang gaya ng n8n-vps. Isang beses lamang itong ipapakita. Hihilingin din ng Console na pumili ka ng expiration kapag ginawa mo ang key; itala ang petsa dahil kapag nag-expire ang key, masisira ang unattended workflow at lalabas ang parehong 401 na inilalarawan sa seksyon ng failure modes sa ibaba. Lagyan ng pondo ang account o mag-set up ng billing; ang paggamit ng API ay binabayaran kada token gamit ang prepaid credits. Hindi ito sakop ng Pro subscription. Gayunman, may kasama nang buwanang Claude API credits ang Claude Max, Ultra, at Team plans ($100 sa Max, $200 sa Ultra, at pooled na hanggang $500 sa Team) na makukuha mo sa pamamagitan ng pag-link ng Console organization sa billing settings ng claude.ai. Sinasagot ng mga credit na ito ang mga API call gaya ng ginagawa ng n8n, ngunit hindi nito sakop ang Claude Code, at nag-e-expire ang mga ito sa katapusan ng bawat billing cycle. Kung umaasa kang mabubuo ang tatlong workflow na ito nang walang anumang bayad, sinasabi sa Anthropic's pricing FAQ na tumatanggap ang mga bagong user ng maliit na halaga ng libreng credits para subukan ang API. Dahil dito, maaaring subukan ng bagong Console account ang mga workflow na ito gamit ang starter credits bago ka magdagdag ng billing. Kapag naubos ang mga ito, bawat Claude call ay sisingilin kada token. May ilang bagay ding walang karagdagang bayad bukod sa tokens, gaya ng token counting endpoint at hanggang 1,550 libreng oras ng code-execution time bawat organization kada buwan. Gayunman, wala sa tatlong workflow na ito ang gumagamit ng code execution. Naglalaman ang Mga sakop ng libreng API credits ng mga detalye.
Sa n8n: Credentials, Create credential, piliin ang Anthropic, i-paste ang key sa field na API Key, at i-save. Ang bawat Claude node sa bawat workflow ay tumutukoy sa iisang naka-store na credential na ito. Hindi mo kailanman kailangang i-paste ang key sa isang node.
Dalawang operational note. Una, ine-encrypt ng n8n ang mga naka-store na credential gamit ang N8N_ENCRYPTION_KEY. Kung tahasan mong itinakda ang env var na ito sa compose file ayon sa n8n guide, mananatili ang credential kapag ni-rebuild ang container. Kung hinayaan mong bumuo ng key ang n8n at mawala ang volume, hindi na mare-recover ang bawat naka-store na credential, kabilang ang key na ito, dahil ciphertext na ang mga ito. I-back up ang key ngayon kung hindi mo pa ito nagagawa. Ikalawa, ituring ang credential store ng n8n bilang blast radius: sinumang maaaring gumamit ng Anthropic credential mo ay maaaring gumawa ng mga request gamit ang key mo. Sa Community edition, ikaw at ang instance owner lamang ang may ganitong access. Ayon sa docs ng n8n, “Only the instance owner and the user who creates them can access workflows and credentials,” kaya hindi ito maaabot ng ibang Member account. Ang pagbabahagi ng workflows at credentials ay isang paid feature sa self-hosted n8n (Business o Enterprise). Kapag nagbahagi ka ng workflow, maaaring gamitin ng mga editor nito ang bawat credential na ginagamit ng workflow. Kaya kung may ibang nagla-log in sa instance na ito, basahin ang mga access control na nasa likod ng paid n8n licence bago magbigay ng mga account. Magtakda ng spend limit sa Console sa ilalim ng Settings upang magkaroon ng maximum na gastos ang isang breached o runaway instance.
Ang pagpili ng modelo ay desisyon sa bawat node
Ang model dropdown sa mga Claude node ng n8n ay direktang kinukuha mula sa API, kaya ipinapakita nito kung alin ang naa-access ng iyong key. Ang mga modelong ginagamit ng gabay na ito, kasama ang API pricing bawat milyong input/output token noong October 2026, ay: Claude Haiku 4.5 (claude-haiku-4-5) sa $1/$5 na may 200K context window, Claude Sonnet 5 (claude-sonnet-5) sa $2/$10, at Claude Opus 4.8 (claude-opus-4-8) sa $5/$25, na parehong may 1M-token context window. Mayroon ding Claude Fable 5 (claude-fable-5) sa $10/$50 para sa pinakamahihirap na reasoning task; walang bahagi ng gabay na ito ang nangangailangan nito. Gamitin ang eksaktong mga ID na iyon. Ang claude-haiku-4-5 ay alias para sa naka-pin na snapshot na claude-haiku-4-5-20251001, na gumagana rin, ngunit maaaring tumukoy sa retired model ang dated ID na kinopya mula sa lumang tutorial at magdulot ito ng failure. Nagbabago ang mga presyo, kaya tingnan ang platform.claude.com bago magtiwala sa anumang numerong nabasa mo, kasama na rito.
Mula nang unang mailathala ang gabay na ito, nag-release ang Anthropic ng mga bagong modelo, at minamarkahan na ngayon ng mga dokumentasyon nito bilang legacy ang Haiku 4.5, Sonnet 5, Opus 4.8 at Fable 5. Gumagana pa rin ang mga ito. Nakalista sa deprecations page na ang retirement ng Haiku 4.5 ay hindi mas maaga sa October 15, 2026; lumipas na ang petsang iyon, at noong October 25, 2026 ay ipinapakita pa rin ng page na active ang Haiku 4.5 at walang deprecation notice. Ang retirement ng Sonnet 5, Opus 4.8 at Fable 5 ay hindi mas maaga sa kalagitnaan ng 2027. Nagbibigay ang Anthropic ng hindi bababa sa 60 araw na abiso bago i-retire ang isang publicly released model, kaya i-monitor ang deprecations page nito kung naka-pin ang Haiku 4.5 sa iyong mga workflow. Ang kasalukuyang lineup ay Claude Haiku 5.5 (claude-haiku-5-5, inilabas noong October 7, 2026) mula $0.10/$0.50 para sa prompts na hanggang 100,000 token at $0.50/$2.50 para sa higit dito, Claude Sonnet 5.5 (claude-sonnet-5-5) sa $2/$10, Claude Opus 5.5 (claude-opus-5-5) sa $4/$20, at Claude Fable 5.1 (claude-fable-5-1) sa $10/$50. Binibilang ng tokenizer ng Haiku 5.5 ang parehong text bilang humigit-kumulang 30% mas maraming token kaysa sa Haiku 4.5, kaya ikumpara ang aktuwal na per-run cost sa usage page ng Console, hindi ang list prices lamang.
Ang dapat na maging nakasanayan: piliin ang modelo bawat node, hindi bawat platform. Ang classification, extraction, summarization, at routing—ang mga pangunahing gawain ng automation—ay mahusay na tumatakbo sa Haiku. Ang list price ng Haiku 4.5 ay kalahati ng presyo ng Sonnet 5 at ikalimang bahagi ng presyo ng Opus 4.8; para sa prompts na hanggang 100,000 token, ang list price ng Haiku 5.5 ay ikadalawampu ng presyo ng Sonnet 5.5 at ikaapatnapu ng presyo ng Opus 5.5. Gamitin ang Sonnet para sa mga agent at multi-step reasoning, at ang Opus para sa bihirang workflow kung saan mas mahal ang maling sagot kaysa sa mga token. Maaari at dapat maghalo ng mga modelo ang workflow na may limang Claude node.
Ang dalawang Claude node, at kung saan gagamitin ang bawat isa
May dalawang magkahiwalay na Anthropic integration ang n8n, at ang pagpili sa maling isa ang pinakakaraniwang paglihis ng mga beginner.
Ang Anthropic node ay regular na app node: isang request papasok, isang response palabas. Mayroon itong Message a Model operation sa Text resource, pati mga operation para sa pagsusuri ng mga image at document. Gamitin ito kapag nasa n8n ang workflow logic: trigger, Claude call, kasunod na node. Ginagamit ito o ang chain equivalent nito sa Workflows 1 at 2 sa ibaba.
Ang Anthropic Chat Model node ay sub-node, isang maliit na attachment na nagsusuplay ng modelo sa root node gaya ng AI Agent o Basic LLM Chain. Wala itong sariling trigger o output; inilalantad nito ang model picker at mga sampling option gaya ng Maximum Number of Tokens at Sampling Temperature. May isang mahalagang caveat sa n8n docs: ang expressions sa loob ng sub-node ay palaging nire-resolve batay sa first input item, hindi sa bawat item. Ilagay ang per-item expressions sa prompt fields ng root node, hindi sa sub-node. May isa ring mahalagang punto mula sa Anthropic: sa Claude 4.7 at mga mas bagong modelo, na siyang lahat ng modelo sa gabay na ito maliban sa Haiku 4.5, magbabalik ng 400 error ang pagtatakda ng temperature, top_p o top_k sa non-default value. Tinatanggal ng mas bagong API version ng Anthropic na 2026-10-21 ang mga parameter na ito para sa lahat ng modelo, kaya panatilihing unset ang Sampling Temperature, Top K at Top P sa mga modelong iyon.
Workflow 1: pumapasok ang webhook, lumalabas ang buod
Ang hello-world ng AI automation: anumang POST na ipinadala sa isang URL ay ibubuod at mapupunta sa Slack o sa iyong inbox.
- Webhook node, HTTP Method POST, path
summarize. Binibigyan ka ng n8n ng test URL at production URL; makikinig lamang ang production URL kapag na-publish na ang workflow. - Anthropic node, Message a Model, model
claude-haiku-4-5, Max Tokens na humigit-kumulang 300. - Slack node (o Send Email), ipadala ang response text sa isang channel.
Dito nagtatagpo ang mga expression ng n8n at Claude: sa prompt. Napupunta ang POST body sa $json.body, kaya ganito ang hitsura ng user message field:
Summarize the following feedback in three bullets, then one line:
verdict: praise | complaint | churn-risk. No preamble.
{{ $json.body.text }}Ilagay ang role at format instructions sa system prompt field ng node, hindi sa user message. Nananatiling pareho ang system prompt habang nagbabago ang payload. Pinananatili nitong stable ang behavior at ginagawang mas madaling basahin ang prompt pagkalipas ng anim na buwan. I-test ito mula mismo sa VPS:
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..."}'Sa Haiku, ang cost bawat run ay ganito: ang 1,200-token na payload kasama ang prompt ay humigit-kumulang $0.0012 para sa input, at ang 300 token na output ay $0.0015. Katumbas ito ng humigit-kumulang isang-kapat ng isang sentimo. Ang 1,000 run bawat buwan ay mas mababa sa $3. Ang parehong node kapag itinuro sa Opus 4.8 ay humigit-kumulang limang beses ang halaga. Ang ratio na iyon, kapag pinarami sa bawat workflow na binuo mo, ang dahilan kung bakit mahalaga ang nakasanayang pagpili ng model bawat node.
Workflow 2: naka-schedule na RSS papunta sa structured rows
Ngayon, gagamit tayo ng workflow na tumatakbo ayon sa iskedyul at may structured output: babasahin ang RSS feed bawat oras, ika-classify ang bawat item, at mag-a-append ng mga row sa isang sheet.
- Schedule Trigger, bawat oras.
- RSS Read, ang feed URL. Naglalabas ito ng isang item para sa bawat article.
- Basic LLM Chain, na may Anthropic Chat Model sub-node na naka-set sa
claude-haiku-4-5, at Structured Output Parser sub-node na may JSON schema. - Google Sheets (o Postgres), mag-a-append ng isang row para sa bawat item.
Ang Structured Output Parser ang nagko-convert sa “Claude, magbalik ka ng JSON” mula sa simpleng pag-asa tungo sa isang contract: bina-validate nito ang sagot ng model laban sa schema mo, at malinaw na dini-disable nito ang item kapag may error sa halip na magsulat ng mga row na may maling data. Halimbawa ng 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"]
}Tinutukoy ng prompt ng chain ang feed item:
Classify this article for a VPS hosting audience.
Title: {{ $json.title }}
Content: {{ $json.contentSnippet }}Iba ang cost calculation dito: per-item ito, hindi per-run. Kung may 50 article bawat oras sa loob ng 24 oras bawat araw, aabot ito sa 36,000 Claude call bawat buwan. Sa Haiku, maaaring umabot ito sa humigit-kumulang $40–90 depende sa haba ng article; sa Opus, mga limang beses ang halagang iyon. Mag-deduplicate bago ang LLM node, gamit ang simpleng IF laban sa mga link na dati nang nakita o ang Remove Duplicates node ng n8n. Bababa nang malaki ang bilang dahil karaniwang walang bagong item sa karamihan ng hourly poll. Ang pinakamurang token ay ang call na hindi mo ginawa.
Workflow 3: isang AI Agent na gumagamit ng mga tool
Ang unang dalawang workflow ay mga pipeline; ikaw ang nagtatakda ng mga hakbang. Binabaligtad ito ng AI Agent node: binibigyan mo si Claude ng goal at mga tool, at siya ang nagpapasya kung aling mga tool ang tatawagin at sa anong pagkakasunod-sunod hanggang matapos ang gawain. Nangangailangan ang n8n ng chat model sub-node at kahit isang tool sub-node na nakakabit.
Isang konkretong setup: isang ops assistant na sumasagot sa “ano ang down at bakit” batay sa monitoring mo:
- Chat Trigger (o webhook); dito pumapasok ang tanong.
- AI Agent, na may Anthropic Chat Model sub-node na naka-set sa
claude-sonnet-5. Nagpaplano ang mga agent at nag-uugnay ng mga tool call; kayang magpatakbo ng mga simpleng single-tool agent ng Haiku, pero si Sonnet ang praktikal na minimum kapag dumarami ang mga tool. - HTTP Request node na nakakabit bilang tool, at nakaturo sa status API ng Uptime Kuma o Zabbix endpoint mo. Maaaring gumamit ng ikalawang HTTP tool para tumawag sa iba pang may REST API.
Dalawang setting ang gumagawa ng malaking bahagi ng trabaho. Tinutukoy ng System Message ng agent ang gawain: “Isa kang ops assistant. Gamitin ang status tool upang suriin ang kasalukuyang estado ng mga monitor bago sumagot. Iulat lamang ang mga monitor na down, kasama ang tagal.” At ang description ng bawat tool ay hindi dokumentasyon para sa mga tao; ito ang ginagamit ni Claude upang magpasya kung kailan ito tatawagin. Ang “Returns current up/down state for all monitored services as JSON” ay tatawagin sa tamang pagkakataon; ang “status API” ay maaaring hindi pansinin o magamit sa maling paraan. Kapag ikinabit mo ang HTTP Request node bilang tool, i-enable ang opsyong Optimize Response at piliin ang mahahalagang JSON field. Kung hindi, lahat ng verbose API response ay isinasama sa context ng model bilang input tokens na binabayaran mo.
Itakda ang Max Iterations sa agent sa pinakamaliit na bilang na gumagana (ang default ay 10). Ito ang pagkakaiba sa pagitan ng “sumuko ang agent matapos ang 4 na tool call” at isang loop na may dosenang round-trip sa model. Unawain din ang paraan ng billing: sa bawat iteration, muling ipinapadala ang buong conversation hanggang sa puntong iyon—ang system message, tanong, at bawat naunang tool result—bilang input tokens. Ang isang agent run na may anim na iteration ay madaling umabot sa kabuuang 20,000 input tokens at 2,000 output: sa Sonnet 5 na may presyong $2/$10, humigit-kumulang $0.06 ito; ituring itong dalawampung beses ng isang simpleng summarization run. Kung napapansin mong marami kang ikinakabit na tool sa isang agent, iyon na ang puntong mas malinis na architecture ang pagpapatakbo ng mga MCP server sa iyong VPS.
Mga cost guardrail, dahil walang nagbabantay
Kailangan ng unattended workflow ang mga control na awtomatikong ibinibigay ng taong nakaupo sa harap ng keyboard. Apat na layer, mula sa pinakamura.
Max Tokens sa bawat Claude node. Hard output cap ito. Kailangan ng summarizer ng 300, at ng classifier ng 100. Nililimitahan nito ang mas magastos na bahagi ng ledger—sa mga modelong nasa gabay na ito, $0.50–$50 bawat milyong output token kumpara sa $0.10–$10 para sa input, kung saan limang beses ang presyo ng output kaysa input sa bawat modelo—at nagsisilbi rin itong runaway brake. Kung may prompt bug na nagpapadaldal kay Claude, 300 token lamang ang magagastos, hindi 8,000.
Model per node. Natalakay na ito sa itaas; sa pagitan ng Haiku 4.5 at Opus 4.8, isa itong fivefold price lever, tenfold hanggang Fable 5, at sa kasalukuyang lineup, mula Haiku 5.5 hanggang Fable 5.1, umaabot ito sa hundredfold para sa prompts na hanggang 100,000 token. Sampung segundo lamang ang kailangan para itakda ito.
Limitahan ang mga loop. Itakda ang Max Iterations sa mga agent. Magtakda ng workflow timeout sa settings ng workflow upang mamatay ang na-stuck na execution sa halip na patuloy na umikot. Mag-ingat din sa per-node na Retry On Fail: tamang tool ito para sa transient error, ngunit pinaparami ng retries ang cost. Ang Max Tries na 3 at Wait Between Tries na 5000 ms ay nangangahulugang maaaring masingil sa iyo nang hanggang tatlong beses bawat item ang isang persistent failure bago sumuko. Huwag kailanman maglagay ng retry sa node na nakapagtagumpay na at gumastos nang malaki.
Error workflow bilang huling panangga. Gumawa ng workflow na nagsisimula sa Error Trigger node at nagpo-post sa Slack ng pangalan at error ng nag-fail na workflow. Pagkatapos, itakda ito bilang Error Workflow sa settings ng bawat AI workflow. Ang failure mode na hinuhuli nito ay ang pinakaproblema: isang schedule-triggered workflow na nag-e-error sa bawat run, bawat oras, sa loob ng isang linggo, at gumagastos ng token sa bawat run bago ito mamatay. Ipares ito sa monthly spend limit sa Anthropic Console at tingnan ang usage page ng Console sa unang ilang araw matapos i-activate ang anumang naka-schedule. Kung gusto mong malaman nang eksakto kung para saan ka sinisingil, sinusuri ito ng gabay sa paggamit ng token.
Mga failure mode at mga string na makikita mo
Agad na nagfa-fail ang node na may “Authorization failed - please check your credentials.” Nagbalik ang API ng 401. Ganito ang anyo ng body nito (may dala ring request_id field ang mga kasalukuyang response):
{"type": "error", "error": {"type": "authentication_error", "message": "invalid x-api-key"}}Maaaring mali ang pagkaka-paste ng key, naputol ito, may trailing whitespace, o placeholder ito mula sa tutorial. I-recreate ang n8n credential at i-paste itong muli. Kung gumana ito kahapon, tingnan sa Console kung na-revoke ang key o umabot na ito sa expiration date, o kung ibinalik ng volume restore ang credential na naka-encrypt gamit ang ibang N8N_ENCRYPTION_KEY.
Biglang nagfa-fail nang sunod-sunod ang mga execution na may 429 rate_limit_error, na may mensaheng tulad ng “Number of request tokens has exceeded your per-minute rate limit.” Sinusukat ang rate limits kada minuto at ipinapatupad gamit ang token bucket na patuloy na napupunan, habang napakadaling magpatakbo ang n8n ng limampung webhook o RSS execution nang sabay-sabay. Ayusin ito sa istruktural na paraan: iproseso ang mga item nang sunod-sunod gamit ang Loop Over Items sa halip na parallel, at i-set ang Retry On Fail sa Max Tries 3 at Wait Between Tries na 5000 ms, dahil nililimitahan ng n8n ang field na iyon sa 5000 ms. Kapag kailangan mo ng mas mahabang backoff para may oras mapunan muli ang bucket bago ang retry, maglagay ng Wait node sa error path o iproseso ang mga item nang paisa-isa. Karaniwang may retry-after header ang rate-limit 429 na nagsasabi kung ilang segundo ang dapat hintayin (tandaan sa dokumentasyon ng Anthropic na hindi lahat ng 429 ay may ganito). Hindi ito mabasa ng fixed wait ng n8n, kaya ikaw ang kailangang gumawa ng mas mahabang pause. May isang exception: ang 429 na walang retry-after header at may error_code na enforced_spend_limit_reached ay nangangahulugang naabot ng iyong organization ang monthly spend cap ng usage tier nito. Walang retry na magtatagumpay hanggang sa susunod na buwan o hanggang sa mag-upgrade ng tier.
404 not_found_error habang tinutukoy ang model. Nasa mensahe ang model ID na ipinadala mo, na may anyong ganito:
{"type": "error", "error": {"type": "not_found_error", "message": "model: claude-haiku-4.5"}}Maaaring mga tuldok ang ginamit sa halip na hyphen (4.5 para sa 4-5), mali o gawa-gawa ang date suffix, o retired na ang model dahil galing ito sa lumang blog post. Itama ang ID batay sa kasalukuyang listahan. Madalas itong nangyayari kapag mano-manong nagta-type sa model field bilang expression sa halip na pumili mula sa dropdown.
Sumasagot si Claude sa tanong na hindi mo naman ipinagawa. Walang error kahit saan at green ang run. Kapag may n8n expression na tumutukoy sa nawawalang field, gaya ng {{ $json.body.text }} samantalang message ang ginamit ng payload, inilalagay nito ang literal na string na undefined sa prompt. Kaya sumasagot si Claude sa prompt na walang aktuwal na tanong. Kung hindi talaga nag-execute ang tinukoy na node, hihinto ang n8n at magpapakita ng error na nagsasabing ang expression ay tumutukoy sa node na “hasn't been executed yet.” Ngunit tahimik na lumalampas ang nawawalang field. Bago i-activate, palaging magpatakbo nang isang beses gamit ang totoong data at basahin ang aktuwal na rendered prompt sa input panel ng node. Ipinapakita ng expression editor ang resolved value, at makikita roon ang undefined kung susuriin mo.
FAQ
Paano ko ikokonekta ang Claude sa n8n?
Gumawa ng API key sa Anthropic Console sa platform.claude.com, pagkatapos ay magdagdag ng credential na may type na Anthropic sa n8n at i-paste ito sa field na API Key. Tinutukoy ng bawat Claude node, ng Anthropic app node, at ng Anthropic Chat Model sub-node ang naka-store na credential na iyon. Ine-encrypt ito ng n8n gamit ang N8N_ENCRYPTION_KEY, kaya i-back up ang key na iyon; kung hindi, mawawala ang credentials kapag nawala ang volume.
Magkano ang gastos ng AI workflow sa bawat run?
Tantiyahin ang mga token sa bawat run, pagkatapos ay i-multiply ito sa per-million na presyo ng model. Noong October 2026, ang Haiku 4.5 ay $1/$5 bawat milyon na input/output token, at ang Sonnet 5 ay $2/$10. Ang webhook summarization sa Haiku ay humigit-kumulang isang-kapat ng sentimo; ang agent run sa Sonnet na may ilang tool call ay karaniwang umaabot sa $0.06–$0.10 dahil muling ipinapadala ang buong conversation bilang input sa bawat iteration. I-verify ang run sa usage page ng Console sa halip na umasa sa mga pagtatantiya.
Aling Claude model ang dapat kong gamitin para sa mga automation sa n8n?
Gamitin ang Haiku 4.5 para sa classification, extraction, summarization, at routing, pati sa high-volume na trabaho kung saan pinakamahalaga ang bilis at presyo. Gamitin ang Sonnet 5 para sa AI Agent nodes at multi-step reasoning. Gamitin lamang ang Opus 4.8 kapag sapat ang laki ng gastos ng maling sagot para bigyang-katwiran ang list price nitong $5/$25—limang beses ng Haiku at dalawa at kalahating beses ng Sonnet. Parehong gamit ang mas bagong Haiku 5.5, Sonnet 5.5, at Opus 5.5, na may kapantay o mas mababang list price. Itakda ang model sa bawat node, hindi sa bawat workflow; maaaring paghaluin ng isang workflow ang tatlo.
Paano ko mapipigilan ang n8n workflow na lumampas sa budget para sa Claude API?
Ipatupad ang mga guardrail sa ilang layer: magtakda ng mababang Max Tokens sa bawat Claude node, Max Iterations sa mga agent, workflow timeout, at konserbatibong Retry On Fail settings upang hindi dumami ang gastos sa token kapag may failure. Pagkatapos, magdagdag ng Error Trigger workflow na mag-a-alert sa iyo sa Slack kapag nag-fail ang anumang AI workflow, at magtakda ng monthly spend limit sa Anthropic Console bilang hard ceiling na walang anumang nasa VPS ang makakapag-override.
May dagdag bang bayad ang tool calls ng AI Agent?
Walang hiwalay na tool fee, pero hindi libre ang mga tool: ipinapasa sa model bilang input tokens ang bawat tool result, at muling ipinapadala ng bawat agent iteration ang buong conversation hanggang sa puntong iyon. Maaaring mas malaki pa sa aktuwal mong prompt ang isang API response na masyadong maraming laman at ipinasa nang walang filtering. I-enable ang Optimize Response sa HTTP Request tools at ibalik lamang ang mga field na kailangan ng agent.