Paano gumawa ng n8n AI agent sa sariling VPS
Gumawa ng gumaganang n8n AI agent gamit ang AI Agent node, Claude credential, HTTP Request tool, memory, trigger, at cost caps sa settings.
Ano ang n8n AI agent, at paano ito naiiba sa isang chain
Ang n8n AI agent ay isang AI Agent node na may mga sub-node na nakakabit dito: isang chat model, isa o higit pang tool, at optional na memory. Magtakda ka ng layunin sa simpleng wika, at nagpapasya ang model kung aling mga tool ang tatawagin at kung anong pagkakasunod-sunod hanggang makasagot ito. Ang lahat ng nasa ibaba ay configuration sa paligid ng ideyang iyon.
Kabaligtaran ang paraan ng paggana ng isang chain. Sa Basic LLM Chain, ikaw ang nagtatakda ng mga hakbang at ang model ay text lamang ang pinupunan. Sa agent, ang model ang nagpapasya sa mga hakbang, kaya maaaring isang model call lang ang gastos ng parehong tanong ngayon at siyam naman bukas. Ang pagkakaibang ito ang batayan ng bawat setting sa gabay na ito. Kung bago sa iyo ang loop na ito bilang konsepto, hindi lamang bilang feature ng n8n, mainam na isulat muna ito nang isang beses bago mo ito buuin gamit ang mga node. Itinatago kasi ng node ang eksaktong bahaging gugugulan mo ng panahon sa pag-unawa sa natitirang bahagi ng gabay na ito.
Ipinapalagay dito na tumatakbo na ang n8n sa likod ng HTTPS sa isang machine na kontrolado mo. Kung hindi pa, magsimula sa pag-self-host ng n8n sa Docker gamit ang wastong certificate, dahil kailangan ng API key na ise-save mo ang backup ng encryption key na ipinapaliwanag sa gabay na iyon. Para sa mga pattern na hindi gumagamit ng agent, gaya ng webhook summarizer at scheduled classifier, tingnan ang mga pattern ng Claude at n8n workflow.
Suriin ang iyong version bago pagkatiwalaan ang anumang field name dito, dahil madalas baguhin ng n8n ang mga AI node.
docker compose exec n8n n8n --versionSa Version 1.82.0, hindi na ginagamit ang agent-type setting at pinalitan ito ng Tools Agent. Taglay pa rin ng mga legacy v1 node ang setting na ito; itinalaga ng docs ng n8n ang pagtanggal sa bersyon ng node na iyon sa n8n 3.0.
Hakbang 1: piliin ang trigger
Para sa conversational agent, magdagdag ng Chat Trigger node. Iwanang naka-off ang Make Chat Publicly Available habang ginagawa mo ito upang editor's chat panel lamang ang makagamit nito. I-on ito kapag tapos na ang agent at nakapagpasya ka na tungkol sa authentication.
Ipinapasa ng Chat Trigger sa agent ang field na tinatawag na chatInput. Mahalaga ang pangalang ito sa step 3, at ang maling pangalan nito ang pinakakaraniwang unang sanhi ng failure.
Para sa unattended agent, gumamit na lang ng Schedule Trigger o Webhook node. Walang ibinibigay na chatInput ang alinman sa mga ito, kaya ikaw mismo ang magsusulat ng prompt.
Hakbang 2: ang credential ng model
Maglagay ng AI Agent node sa canvas. Agad na magpapakita ang n8n ng walang lamang Chat Model connector sa ilalim nito. Mag-attach doon ng Anthropic Chat Model sub-node.
Gawin ang credential mula sa Claude Console sa platform.claude.com, sa ilalim ng Settings at pagkatapos ay API keys. Isang beses lamang ipinapakita ang key. Hinihiling din ng Console na pumili ka ng expiration kapag gumagawa ka ng key. Kapag nag-expire ang key, hihinto sa paggana sa araw na iyon ang unattended agent. Itala ang petsa sa lugar na makikita mo. Para sa unattended agent, gumamit ng service account key na naka-scope sa isang workspace upang hindi na mangailangan ng hiwalay na workspace header ang mga request.
Sinisingil ang API usage batay sa token. Depende sa Claude plan ang paraan ng pagbabayad, ayon sa mga tuntunin noong 31 October 2026. May kasamang buwanang API credits ang Max, Ultra, at Team plans: $100 sa Max, $200 sa Ultra, at hanggang $500 na pinagsasaluhang credit sa Team. I-claim ang mga ito sa pamamagitan ng pag-link ng Console organization sa plan mula sa Settings > Billing sa Max o Ultra, o Organization settings > Billing sa Team. Hindi mo kailangang magdagdag ng payment method sa Console. Maaaring mag-claim ang mga bagong subscriber pagkalipas ng 7 araw sa plan. Nag-e-expire ang mga hindi nagamit na credit sa pagtatapos ng bawat billing cycle, o buwan-buwan para sa annual plans. Kapag naubos ang mga kasamang credit, magpapatuloy ang mga request gamit ang purchased credits. Maaaring bumili ng karagdagang credit ang auto-reload, at sisingilin ang mga organization na gumagamit ng invoicing para sa sobrang usage. Hihinto ang mga request kapag wala nang credit ang prepaid organization. Hindi kailanman sinisingil ang API usage sa Claude plan mo. Walang kasamang buwanang API credits ang Free, Pro, at Enterprise plans. Sa mga plan na ito, hiwalay na sinisingil ang API sa subscription.
Piliin ang model para sa bawat agent, hindi para sa buong kumpanya. Maayos na tatakbo sa Haiku ang isang agent na gumagamit ng isang tool para maghanap ng impormasyon at mag-ulat nito. Ang kasalukuyang bersyon, Haiku 5.5, ay may presyong $0.10 bawat milyong input token at $0.50 bawat milyong output token noong 12 October 2026. Tataas ito sa $0.50 at $2.50 para sa anumang request na lalampas sa 100,000 token ang prompt. Maaaring umabot sa limitasyong ito ang mahabang memory window at malalaking resulta mula sa tool. Kapag maraming tool na ang agent at kailangan nitong magplano gamit ang mga ito, lumipat sa Sonnet. Ang iniiwasang problema ay ang murang model na apat na beses tumatawag sa maling tool. Maaari itong maging mas mahal kaysa sa mamahaling model na isang beses tumatawag sa tamang tool.
Itakda ang Maximum Number of Tokens sa options ng sub-node. Nililimitahan nito ang haba ng bawat response na ginagawa ng model. Kapag iniwan ito sa malaking default value, maaaring gumawa ng napakahabang sagot ang isang nalilitong run at masingil ka para rito.
May isang mahalagang paalala sa n8n docs: ang mga expression sa loob ng sub-node ay palaging nire-resolve batay sa unang input item, hindi batay sa bawat item. Ilagay ang mga expression na nagbabago bawat item sa prompt fields ng root node.
Hakbang 3: ang prompt na natatanggap ng agent
Buksan ang AI Agent node. May dalawang setting ang parameter na Source for Prompt (User Message).
- Inaasahan ng Connected Chat Trigger Node ang incoming field na may pangalang
chatInput. Ito ang tamang piliin kapag nasa likod ito ng Chat Trigger. - Ipinapakita ng Define below ang field na Prompt (User Message) kung saan maaari kang magsulat ng static text o expression. Ito ang tamang piliin kapag nasa likod ito ng Schedule Trigger o Webhook node.
Kapag may Webhook node sa unahan, napupunta ang POST body sa ilalim ng $json.body, kaya ganito ang hitsura ng prompt field.
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.Hakbang 4: bigyan ang agent ng isang tool
Ayon sa docs ng n8n, kailangan mong magkonekta ng kahit isang tool sub-node sa isang AI Agent node, bagama't ang kasalukuyang node code nito (version 3.1) ay tumatangging tumakbo kapag walang chat model. Magsimula pa rin sa isang tool, dahil mas marami kang matututunan sa isang gumaganang tool kaysa sa apat na bahagyang naka-configure, at ang agent na walang tool ay isa lamang chain na mas mahal patakbuhin.
Ikonekta ang HTTP Request node sa Tool connector ng agent. I-configure ito nang eksakto gaya ng karaniwang HTTP Request node, pagkatapos ay i-test muna ang endpoint mula sa shell.
curl -s -H 'Accept: application/json' \
https://status.example.com/api/status/database | head -c 400Kung error o HTML login page ang ibinalik ng curl na iyon, mabibigo rin ang agent. Magmumukhang model problem ang error kahit URL o authentication problem talaga ito. Ayusin ito sa shell, hindi sa node.
Ang Description field ng tool ay hindi dokumentasyon para sa mga katrabaho mo. Binabasa ito ng model kasama ng pangalan ng tool at parameter schema nito kapag nagpapasya kung nauugnay ang tool na ito. Isulat ito bilang payak na pahayag tungkol sa ibinabalik nito: "Ibinabalik ang kasalukuyang up o down state at tagal ng downtime para sa isang mino-monitor na serbisyo, bilang JSON."
Para hayaan ang model na punan ang bahagi ng request, gamitin ang $fromAI() expression. Gumagana lamang ito sa mga tool na nakakonekta sa isang AI Agent node, at hindi ito gumagana sa Code tool.
{{ $fromAI('service', 'The name of the service to look up', 'string') }}Ang mga argument ay key, kasunod ang opsyonal na description, type at defaultValue. Dapat 1 hanggang 64 na character ang key, gamit ang mga letra, digit, underscore at hyphen. Ang type ay isa sa string, number, boolean o json, at ang default nito ay string. Ganito ang mas kumpletong call.
{{ $fromAI('limit', 'How many records to return', 'number', 20) }}Hint lamang ang key; hindi ito reference sa umiiral na data. Hindi binabasa ng $fromAI('service') ang field na service mula sa kahit saan. Sinasabi nito sa model na "gumawa ng value at pangalanan itong service", at hinahanap ng model ang value sa conversation, input data at iba pang resulta ng tool. Sa isang chat workflow, maaari nitong tanungin mismo ang user.
Karaniwang ikalawang tool ang web search. Dahil isa rin itong HTTP endpoint, maaari mong ituro ang node na ito sa sarili mong SearXNG instance sa halip na isang bayad na search API, basta ituring mong untrusted text ang bawat page na ibinabalik nito at tandaan na nasa loob na ito ng prompt mo.
Hakbang 5: memory, at kung bakit nakakalimot ang agent
Kung walang memory sub-node, nagsisimula sa wala ang bawat mensahe. Mag-attach ng Simple Memory sub-node upang panatilihin ang kamakailang pag-uusap.
Mayroon itong dalawang parameter. Tinutukoy ng Session Key kung aling pag-uusap ito, kaya magkahiwalay ang history ng dalawang user na may magkaibang key. Tinutukoy ng Context Window Length kung ilang naunang interaction ang muling isasama sa prompt.
Ang Context Window Length ay panukat din ng gastos, hindi lamang ng kalidad, dahil ipinapadala muli bilang input tokens ang bawat naaalalang turn sa bawat susunod na call. Sa isang chatty na agent, ang window na 20 ay nangangahulugang magbabayad ka para sa parehong mga unang mensahe nang 20 beses.
Hindi gumagana ang Simple Memory sa aktibong production workflow kapag tumatakbo ang n8n sa queue mode. Ini-store nito ang history sa isang process-local singleton Map na naka-key sa workflow at session IDs, at hindi nagbabahagi ng memory ang mga worker. Sa isang queue-mode instance, gamitin na lang ang Postgres Chat Memory sub-node at ituro ito sa database na maaabot ng main process at ng mga worker.
Hakbang 6: ang System Message
Buksan ang Options ng agent at magdagdag ng System Message. Dito ilalagay ang job description, at ito ang text na may pinakamalaking epekto sa workflow.
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.May aktuwal na silbi ang “Always call the status tool before answering.” Kung wala ito, lalaktawan ng model na naniniwalang alam na nito ang sagot ang tool at sasagot mula sa memorya. Magiging mali ito nang may kumpiyansa kapag nagbago ang iyong infrastructure.
Bakit naglo-loop ang agent, at ano ang pumipigil dito
Makikita rin sa Options ang Max Iterations, na may default na value na 10. Ang isang iteration ay isang model call na maaaring humiling ng tools o magbalik ng final answer; ipinapasa ang mga resulta ng tool sa susunod na call. Kaya ang isang agent run ay hindi isang API call lamang. Maaari itong umabot sa sampung call, at kasama sa input ng bawat isa ang buong conversation na patuloy na lumalaki.
Bawasan ito. Kadalasang natatapos sa dalawang iteration ang mga single-tool agent, at ginagawang malinaw na failure na makikita sa execution list ng limit na 3 o 4 turns ang runaway loop.
Habang nagde-debug, i-on ang Return Intermediate Steps. Isasama ng final output ang mga tool call na ginawa ng agent habang tumatakbo ito. Sa ganitong paraan, matutukoy mo kung hindi kailanman tumawag ng tool ang model o kung walang kapaki-pakinabang na ibinalik ang tool. I-off ito bago mag-live, dahil magiging ingay lamang ang mga hakbang na ito para sa end user.
Panoorin ang isang run mula sa shell.
docker compose logs -f n8nPagpigil sa isang unattended agent na tahimik na gumagastos
May taong nagbabantay sa isang agent na nasa likod ng Chat Trigger, at ihihinto niya ito kapag mukhang mali ang sagot. Walang nagbabantay sa isang agent na nasa likod ng Schedule Trigger. Ang mino-monitor dito ay gastos sa paggamit ng model, hindi gastos sa license, dahil gumagana ang agent, tool, at memory nodes sa libreng self-hosted edition, at karamihan sa mga feature na nangangailangan ng paid key ay para sa team at governance. Nasa pagkontrol sa gastos ng AI agent sa isang always-on VPS ang buong paliwanag. Apat na setting ang may pinakamalaking epekto dito.
- Magtakda ng limit sa Maximum Number of Tokens sa model sub-node para hindi humaba nang sobra ang isang response.
- Itakda ang Max Iterations sa pinakamaliit na bilang na nakakatapos pa rin sa task.
- Panatilihing maliit ang mga tool response. Kapag nagbalik ang isang tool ng 4,000-line na JSON blob, mapupunta ang lahat nito sa susunod na model call at sa bawat kasunod na call sa parehong run.
- Alamin kung kailangan ba talaga ng agent ng schedule. Ang job na tumatakbo kada limang minuto ay nagti-trigger nang 288 beses sa isang araw. Anuman ang gastos ng isang run, iyon ang bilang na imu-multiply mo.
I-unpublish ang workflow habang nag-iiterate ka, o tandaan man lang kung aling version ang live. Patuloy na pinapatakbo ng isang published workflow na may Schedule Trigger ang huling version na na-publish mo, hindi ang draft sa screen mo, dahil pinananatili ng n8n sa draft ang mga edit mo hanggang sa muli mo itong i-publish.
FAQ
Bakit ayaw mag-execute ng aking AI Agent node?
Suriin muna ang mga connector. Kailangan ng AI Agent node ang chat model sub-node. Kung wala ito, hihinto ito sa mensaheng "Please connect a model to the Chat Model input" bago pa ito gumawa ng anumang API call. Nakalista rin sa documentation ng n8n na kailangan ang kahit isang tool sub-node. Kaya kung nakakonekta na ang model pero ayaw pa ring magpatuloy ng node, mag-attach ng isang tool, kahit isang simpleng tool lang, at patakbuhin itong muli.
Sumasagot ang agent, pero hindi nito kailanman tinatawag ang aking tool. Ano ang mali?
Halos palaging nasa Description field ng tool ang problema. Pumipili ang model ng mga tool batay sa pagbabasa nito sa mga description. Kaya walang sapat na impormasyon ang description na tulad ng "HTTP Request" tungkol sa kung kailan dapat gamitin ang tool. Isulat itong muli upang ipaliwanag kung anong data ang ibinabalik nito at sa anong sitwasyon ito kapaki-pakinabang. Pagkatapos, magdagdag ng linya sa System Message na nag-uutos sa agent na tawagin muna ang tool na iyon bago sumagot.
Bakit magkaiba ang gastos sa parehong tanong sa bawat run?
Dahil ang model ang pumipili kung ilang hakbang ang gagawin. Sa bawat iteration, ipinapadala muli ang buong conversation hanggang sa puntong iyon, kasama ang naunang tool output. Kaya ang run na umabot sa apat na iteration ay sisingilin para sa input at output tokens sa lahat ng apat na call. Ang Max Iterations ang nagtatakda ng pinakamataas na bilang nito. Ipinapakita naman ng Return Intermediate Steps kung ilang hakbang ang aktuwal na ginamit ng isang run.
Gumagana ang memory ko sa editor pero hindi sa production. Ano ang nagbago?
Suriin kung tumatakbo ang instance sa queue mode. Iniimbak ng Simple Memory ang history sa isang process-local singleton Map na naka-key sa workflow at session IDs. Hindi ito pinaghahatian ng magkakahiwalay na worker process. Gamitin sa halip ang Postgres Chat Memory sub-node. Iniimbak nito ang history sa database na pinaghahatian ng lahat ng worker.