VPS پر Claude اور n8n AI workflows بنائیں

آپ کیا بنا رہے ہیں

آپ پہلے سے چلنے والے n8n instance پر 3 فعال AI workflows بنائیں گے: ایک webhook جو اسے بھیجے گئے کسی بھی مواد کا خلاصہ بناتا ہے، ایک scheduled feed-reader جو articles کو structured spreadsheet rows میں تبدیل کرتا ہے، اور ایک AI Agent جو سوالات کے جواب دینے کے لیے خود HTTP API کو call کرتا ہے۔ یہ اپنے VPS سے Claude API کو Python کے ذریعے call کرنا کا no-code متبادل ہے۔ API وہی ہے، tokens وہی ہیں، bill وہی ہے، لیکن orchestration script کے بجائے n8n nodes میں ہوتی ہے۔

میں فرض کر رہا ہوں کہ n8n پہلے ہی Docker پر self-hosted n8n guide کے مطابق HTTPS کے پیچھے چل رہا ہے۔ اگر ایسا نہیں ہے تو پہلے اسے configure کریں۔ webhooks کے لیے حقیقی TLS endpoint درکار ہوتا ہے، اور جس credential store میں آپ API key رکھنے والے ہیں اسے encryption-key backup کی ضرورت ہے، جس کے بارے میں وہ guide بار بار متنبہ کرتی ہے۔

یہاں اصل مسائل drag-and-drop نہیں ہیں۔ اصل مسائل ہر node کے لیے model selection، وہ prompt fields ہیں جو خاموشی سے undefined کو interpolate کرتے ہیں، اور یہ حقیقت ہے کہ automation unattended چلتی ہے۔ ہر run پر آدھے cent کی لاگت والا workflow اس وقت تک سستا ہے جب تک retry loop اسے رات بھر میں 4000 بار نہ چلا دے۔ اس guide کا زیادہ تر حصہ انہی مسائل سے متعلق ہے۔

ایک credential، اس key سے encrypted جس کا backup آپ نے لیا تھا

Anthropic Console سے platform.claude.com پر API key حاصل کریں: Settings، پھر API Keys، اور پھر ایسی key بنائیں جس کا نام مثلاً n8n-vps ہو۔ یہ key صرف ایک بار دکھائی جاتی ہے۔ Console key بناتے وقت expiration منتخب کرنے کو بھی کہتا ہے؛ تاریخ نوٹ کر لیں، کیونکہ expired key unattended workflow کو ناکام کر دیتی ہے اور نیچے failure modes میں بیان کردہ وہی 401 error پیدا ہوتا ہے۔ Account میں funds شامل کریں یا billing قائم کریں؛ API usage pay-per-token ہے اور ادائیگی prepaid credits سے ہوتی ہے۔ Pro subscription اس کا احاطہ نہیں کرتی، لیکن Claude Max اور Team plans میں اب ماہانہ Claude API credits شامل ہیں: Max 5x میں $100، Max 20x میں $200، اور Team میں pooled طور پر $500 تک۔ یہ credits آپ claude.ai کی billing settings میں Console organization link کر کے claim کرتے ہیں۔ یہ credits n8n کی جانب سے کی جانے والی API calls جیسی calls کی ادائیگی کرتے ہیں، Claude Code کا احاطہ نہیں کرتے، اور ہر billing cycle کے اختتام پر expire ہو جاتے ہیں۔ اگر آپ یہ تینوں workflows بغیر کسی ادائیگی کے بنانے کی امید کر رہے تھے تو Anthropic کی pricing FAQ کے مطابق نئے users کو API آزمانے کے لیے تھوڑے free credits ملتے ہیں۔ اس لیے نیا Console account billing شامل کرنے سے پہلے ان starter credits پر یہ workflows آزما سکتا ہے؛ credits ختم ہونے کے بعد ہر Claude call کی billing tokens کی بنیاد پر ہوتی ہے۔ کچھ چیزوں پر tokens کے علاوہ کوئی لاگت نہیں آتی، مثلاً token counting endpoint اور ہر organization کے لیے ماہانہ 1,550 free hours تک code-execution time، اگرچہ ان تینوں workflows میں code execution استعمال نہیں ہوتا۔ Free API credits کن چیزوں کا احاطہ کرتے ہیں میں تفصیلات بیان کی گئی ہیں۔

n8n میں: Credentials، Create credential منتخب کریں، Anthropic چنیں، key کو API Key field میں paste کریں، اور save کریں۔ ہر workflow کا ہر Claude node اسی ایک stored credential کو reference کرتا ہے؛ آپ key کو کبھی کسی node میں paste نہیں کرتے۔

دو operational نکات اہم ہیں۔ اول، n8n stored credentials کو N8N_ENCRYPTION_KEY کے ساتھ encrypt کرتا ہے۔ اگر آپ n8n guide کے مطابق اس env var کو اپنی compose file میں صراحت کے ساتھ set کرتے ہیں تو container rebuilds کے بعد بھی credential برقرار رہتا ہے۔ اگر آپ n8n کو خود key generate کرنے دیں اور پھر volume ضائع ہو جائے تو ہر stored credential، بشمول اس key کے، ناقابلِ بازیافت ciphertext بن جاتا ہے۔ اگر آپ نے backup نہیں لیا تو ابھی key کا backup لیں۔ دوم، n8n credential store کو blast radius سمجھیں: جو بھی آپ کا Anthropic credential استعمال کر سکتا ہے، وہ آپ کی key سے requests کر سکتا ہے۔ Community edition میں یہ اختیار آپ اور instance owner کے پاس ہوتا ہے۔ n8n کی docs کے مطابق، "Only the instance owner and the user who creates them can access workflows and credentials"، اس لیے دیگر Member accounts اس تک رسائی حاصل نہیں کر سکتے۔ Self-hosted n8n میں workflows اور credentials share کرنا paid feature ہے، جو Business یا Enterprise میں دستیاب ہے۔ جب آپ کوئی workflow share کرتے ہیں تو اس کے editors اس workflow کے زیرِ استعمال ہر credential کو استعمال کر سکتے ہیں۔ اس لیے اگر کوئی اور اس instance میں login کرتا ہے تو اسے accounts دینے سے پہلے دیکھیں کہ paid n8n licence کے تحت کون سے access controls موجود ہیں۔ Console میں Settings کے تحت spend limit مقرر کریں تاکہ compromised یا runaway instance کی زیادہ سے زیادہ لاگت محدود رہے۔

ماڈل کا انتخاب ہر node کے لیے الگ فیصلہ ہے

n8n کے Claude nodes میں model dropdown براہِ راست API سے حاصل ہوتا ہے، اس لیے اس میں وہی ماڈلز دکھائی دیتے ہیں جن تک آپ کی key کو رسائی حاصل ہے۔ اس گائیڈ میں استعمال کیے گئے ماڈلز، اکتوبر 2026 تک فی million input/output tokens کی API pricing کے ساتھ، یہ ہیں: Claude Haiku 4.5 (claude-haiku-4-5)، $1/$5، اور 200K context window کے ساتھ؛ Claude Sonnet 5 (claude-sonnet-5)، $2/$10؛ اور Claude Opus 4.8 (claude-opus-4-8)، $5/$25۔ آخری دونوں میں 1M-token context windows ہیں۔ Claude Fable 5 (claude-fable-5) بھی دستیاب ہے، جس کی قیمت $10/$50 ہے اور جو مشکل ترین reasoning کام کے لیے ہے؛ اس گائیڈ میں اس کی ضرورت نہیں ہے۔ یہی exact IDs استعمال کریں۔ claude-haiku-4-5 pinned snapshot claude-haiku-4-5-20251001 کا alias ہے، اس لیے یہ بھی کام کرتا ہے، لیکن کسی پرانے tutorial سے نقل کیا گیا dated ID retired model کا نام ہو سکتا ہے اور ناکام ہو سکتا ہے۔ Prices تبدیل ہوتی رہتی ہیں، اس لیے کہیں بھی پڑھی گئی کسی بھی number پر، یہاں سمیت، اعتماد کرنے سے پہلے platform.claude.com ملاحظہ کریں۔

اس گائیڈ کی پہلی اشاعت کے بعد Anthropic نے نئے ماڈلز جاری کیے ہیں، اور اس کی documentation اب Haiku 4.5، Sonnet 5، Opus 4.8 اور Fable 5 کو legacy قرار دیتی ہے۔ یہ اب بھی کام کرتے ہیں۔ Deprecations page میں Haiku 4.5 کی retirement کو اکتوبر 15، 2026 سے پہلے نہ ہونے والا بتایا گیا تھا؛ یہ تاریخ گزر چکی ہے، اور اکتوبر 20، 2026 تک page پر Haiku 4.5 اب بھی active دکھائی دے رہا ہے اور کوئی deprecation notice موجود نہیں ہے۔ Sonnet 5، Opus 4.8 اور Fable 5 کی retirement mid-2027 سے پہلے نہیں ہوگی۔ Anthropic کسی publicly released model کو retire کرنے سے پہلے کم از کم 60 دن کا notice دیتی ہے، اس لیے اگر آپ کے workflows میں Haiku 4.5 pinned ہے تو اس کے deprecations page کو monitor کریں۔ موجودہ lineup میں Claude Haiku 5.5 (claude-haiku-5-5، اکتوبر 7، 2026 کو جاری کیا گیا)، prompts کے لیے 100,000 tokens تک $0.10/$0.50 اور اس سے زیادہ کے لیے $0.50/$2.50 سے؛ Claude Sonnet 5.5 (claude-sonnet-5-5)، $2/$10؛ Claude Opus 5.5 (claude-opus-5-5)، $4/$20؛ اور Claude Fable 5.1 (claude-fable-5-1)، $10/$50 شامل ہیں۔ Haiku 5.5 کا tokenizer اسی text کو Haiku 4.5 کے مقابلے میں تقریباً 30% زیادہ tokens شمار کرتا ہے، اس لیے صرف list prices کے بجائے Console کے usage page پر فی run حقیقی costs کا موازنہ کریں۔

یہ عادت اپنائیں: model کا انتخاب platform کے لیے نہیں بلکہ ہر node کے لیے کریں۔ Classification، extraction، summarization اور routing، یعنی automation کے بنیادی کام، Haiku پر Sonnet کی list price کے نصف اور Opus کی ایک پانچویں قیمت میں بہترین طور پر چلتے ہیں۔ Agents اور multi-step reasoning کے لیے Sonnet مختص رکھیں، جبکہ Opus صرف اس نادر workflow میں استعمال کریں جہاں غلط جواب کی لاگت tokens سے زیادہ ہو۔ پانچ Claude nodes والے workflow میں ماڈلز کو ملایا جا سکتا ہے، اور ایسا کرنا چاہیے۔

دو Claude nodes، اور ہر ایک کو کہاں استعمال کرنا ہے

n8n میں Anthropic کے دو الگ integrations شامل ہیں، اور غلط integration منتخب کرنا beginners کی سب سے عام غلطی ہے۔

Anthropic node ایک عام app node ہے: ایک request اندر آتی ہے اور ایک response باہر جاتا ہے۔ اس کے Text resource میں Message a Model operation کے علاوہ images اور documents کے تجزیے کے لیے operations بھی موجود ہیں۔ جب workflow کی منطق n8n میں ہو، یعنی trigger، Claude call، پھر اگلا node، تو اسے استعمال کریں۔ ذیل کے Workflows 1 اور 2 میں یہی node یا اس کے chain equivalent کو استعمال کیا گیا ہے۔

Anthropic Chat Model node ایک sub-node ہے، یعنی ایک چھوٹا attachment جو AI Agent یا Basic LLM Chain جیسے root node کو model فراہم کرتا ہے۔ اس کا اپنا کوئی trigger یا output نہیں ہوتا؛ یہ model picker اور Maximum Number of Tokens اور Sampling Temperature جیسے sampling options فراہم کرتا ہے۔ n8n docs کی ایک اہم بات یاد رکھیں: sub-nodes کے اندر expressions ہمیشہ first input item کے مطابق resolve ہوتے ہیں، ہر item کے مطابق نہیں۔ اس لیے per-item expressions sub-node کے بجائے root node کے prompt fields میں رکھیں۔ Anthropic کی طرف سے ایک اور اہم بات یہ ہے: Claude 4.7 اور اس کے بعد کے models میں، یعنی اس guide کے ہر model میں سوائے Haiku 4.5 کے، temperature، top_p یا top_k کو default کے علاوہ کسی value پر set کرنے سے 400 error آتا ہے۔ اس لیے ان models پر Sampling Temperature، Top K اور Top P کو unset رہنے دیں۔

Workflow 1: webhook موصول، خلاصہ تیار

AI automation کی بنیادی مثال: URL پر POST کیا گیا کوئی بھی data خلاصہ ہو کر Slack یا آپ کے inbox میں پہنچ جاتا ہے۔

1. Webhook node، HTTP Method POST، path summarize۔ n8n آپ کو test URL اور production URL دیتا ہے؛ production URL صرف workflow کے publish ہونے کے بعد درخواستیں وصول کرتا ہے۔
2. Anthropic node، Message a Model، model claude-haiku-4-5، Max Tokens تقریباً 300۔
3. Slack node (یا Send Email)، response text کو کسی channel میں post کریں۔

Prompt میں n8n expressions اور Claude ایک دوسرے سے مربوط ہوتے ہیں۔ POST body $json.body کے تحت آتی ہے، اس لیے user message field یوں نظر آتا ہے:

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

{{ $json.body.text }}

Role اور format instructions کو node کے system prompt field میں رکھیں، user message میں نہیں۔ system prompt مستقل رہتا ہے، جبکہ payload تبدیل ہوتا رہتا ہے۔ اس سے behavior مستحکم رہتا ہے اور چھ ماہ بعد prompt سمجھنا آسان ہوتا ہے۔ اسے خود VPS سے test کریں:

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 پر ہر run کی لاگت: prompt سمیت 1,200-token payload کی input لاگت تقریباً $0.0012 ہے، جبکہ 300 tokens کی output لاگت $0.0015 ہے، یعنی تقریباً ایک چوتھائی cent۔ ماہانہ 1,000 runs کی لاگت $3 سے کم رہتی ہے۔ اسی node کو Opus 4.8 پر چلانے سے لاگت تقریباً پانچ گنا ہو جاتی ہے۔ آپ کے بنائے ہوئے ہر workflow پر اس تناسب کا اثر پڑتا ہے، اسی لیے ہر node کے لیے model منتخب کرنے کی عادت اہم ہے۔

Workflow 2: مقررہ RSS سے منظم rows

اب گھڑی کے مطابق چلنے والا workflow بنائیں، جس کا output منظم ہو: ہر گھنٹے RSS feed پڑھیں، ہر item کی درجہ بندی کریں، اور rows کو sheet میں شامل کریں۔

1. Schedule Trigger، ہر گھنٹے۔
2. RSS Read، feed URL کے ساتھ۔ یہ ہر article کے لیے ایک item کا output دیتا ہے۔
3. Basic LLM Chain، جس میں Anthropic Chat Model sub-node کو claude-haiku-4-5 پر set کریں، اور Structured Output Parser sub-node میں JSON schema رکھیں۔
4. Google Sheets (یا Postgres)، ہر item کے لیے ایک row شامل کریں۔

Structured Output Parser ہی "Claude، براہ کرم JSON واپس کریں" کو محض امید کے بجائے ایک contract بناتا ہے۔ یہ model کے جواب کو آپ کے schema کے مطابق validate کرتا ہے اور خراب rows لکھنے کے بجائے item کو واضح failure کے ساتھ روک دیتا ہے۔ Schema کی مثال:

{
  "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 کا prompt feed item کا حوالہ دیتا ہے:

Classify this article for a VPS hosting audience.

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

یہاں لاگت کا حساب مختلف ہو جاتا ہے: لاگت ہر run کے بجائے ہر item کے حساب سے آتی ہے۔ ہر گھنٹے پچاس articles اور روزانہ 24 گھنٹے کے حساب سے، ایک ماہ میں Claude کی 36,000 calls بنتی ہیں۔ Haiku پر article کی لمبائی کے لحاظ سے لاگت تقریباً $40–90 ہو سکتی ہے، جبکہ Opus پر یہ تقریباً پانچ گنا ہو گی۔ LLM node سے پہلے duplicates ختم کریں، مثلاً پہلے سے دیکھے گئے links کے خلاف سادہ IF استعمال کریں یا n8n کا Remove Duplicates node استعمال کریں۔ اس سے تعداد بہت کم ہو جاتی ہے، کیونکہ زیادہ تر hourly polls میں کوئی نئی چیز نہیں ہوتی۔ سب سے سستا token وہ ہے جس کے لیے call ہی نہ کی جائے۔

Workflow 3: ایسے AI Agent جو tools استعمال کرتا ہے

پہلے دو workflows pipelines ہیں؛ ان کے steps آپ طے کرتے ہیں۔ AI Agent node اس ترتیب کو بدل دیتا ہے: آپ Claude کو ایک goal اور tools دیتے ہیں، پھر وہ مکمل ہونے تک فیصلہ کرتا ہے کہ کون سا tool کب اور کس ترتیب سے call کرنا ہے۔ n8n کے لیے chat model sub-node اور کم از کم ایک منسلک tool sub-node ضروری ہے۔

ایک عملی build یہ ہے: ایسا ops assistant جو آپ کی monitoring سے جواب دے کہ "کیا down ہے اور کیوں":

1. Chat Trigger (یا webhook)، جہاں سوال موصول ہوتا ہے۔
2. AI Agent، جس میں Anthropic Chat Model sub-node کو claude-sonnet-5 پر set کیا گیا ہو۔ Agents tool calls کی planning اور chaining کرتے ہیں؛ Haiku سادہ single-tool agents چلا سکتا ہے، لیکن tools کی تعداد بڑھنے پر Sonnet ایک مناسب کم از کم انتخاب ہے۔
3. HTTP Request node کو tool کے طور پر attach کریں، اور اسے اپنے Uptime Kuma status API یا Zabbix endpoint کی طرف point کریں۔ دوسرا HTTP tool کسی بھی دوسرے REST API کو call کر سکتا ہے۔

زیادہ تر کام دو settings کرتی ہیں۔ Agent کا System Message اس کا job متعین کرتا ہے: "آپ ایک ops assistant ہیں۔ جواب دینے سے پہلے موجودہ monitor state چیک کرنے کے لیے status tool استعمال کریں۔ صرف ان monitors کی رپورٹ دیں جو down ہیں، اور duration بھی بتائیں۔" ہر tool کی description انسانوں کے لیے documentation نہیں ہوتی؛ Claude اسی کی بنیاد پر فیصلہ کرتا ہے کہ tool کب call کرنا ہے۔ "Returns current up/down state for all monitored services as JSON" مناسب وقت پر call کیا جائے گا؛ "status API" کو نظر انداز کیا جا سکتا ہے یا غلط استعمال کیا جا سکتا ہے۔ جب آپ HTTP Request node کو tool کے طور پر attach کریں تو اس کا Optimize Response option enable کریں اور صرف اہم JSON fields منتخب کریں۔ بصورت دیگر ہر verbose API response input tokens کے طور پر model کے context میں شامل ہو جائے گا، اور آپ کو ان کی لاگت ادا کرنا ہوگی۔

Agent پر Max Iterations کو set کریں، جس کی default value 10 ہے، اور اسے کام کرنے والی سب سے کم تعداد رکھیں۔ یہی فرق ہے "agent نے 4 tool calls کے بعد ہار مان لی" اور ایک درجن model round-trips والے loop کے درمیان۔ Billing کا طریقہ بھی سمجھیں: ہر iteration اب تک کی پوری conversation، system message، سوال اور پچھلے تمام tool results کو input tokens کے طور پر دوبارہ بھیجتی ہے۔ چھ iterations والا agent run آسانی سے مجموعی طور پر 20,000 cumulative input tokens اور 2,000 output tokens تک پہنچ سکتا ہے۔ Sonnet 5 پر $2/$10 کے حساب سے اس کی لاگت تقریباً $0.06 بنتی ہے؛ اسی رقم میں ایک سادہ summarization run کو بیس مرتبہ call کیا جا سکتا ہے۔ اگر آپ خود کو ایک agent کے ساتھ بہت سے tools جوڑتے ہوئے پائیں تو یہی وہ مقام ہے جہاں اپنے VPS پر MCP servers چلانا زیادہ صاف architecture بن جاتا ہے۔

لاگت کے حفاظتی ضوابط، کیونکہ کوئی نگرانی نہیں کر رہا

بغیر نگرانی کے چلنے والے workflow کو وہ controls درکار ہوتے ہیں جو keyboard کے سامنے موجود انسان غیر محسوس طور پر فراہم کرتا ہے۔ چار layers ہیں، سب سے کم لاگت والے سے شروع کریں۔

ہر Claude node پر Max Tokens مقرر کریں۔ یہ output کی سخت حد ہے۔ summarizer کے لیے 300 اور classifier کے لیے 100 کافی ہیں۔ اس سے مہنگے حصے کی حد مقرر ہو جاتی ہے (اس guide کے models میں output tokens کی قیمت فی million $5–$50، جبکہ input کی $1–$10 ہے؛ ہر model میں output کی قیمت input سے پانچ گنا ہے) اور یہ runaway process کو روکنے کا کام بھی کرتا ہے۔ ایسا prompt bug جس سے Claude غیر ضروری طور پر طویل جواب دے، 8,000 کے بجائے 300 tokens کی لاگت پیدا کرے گا۔

ہر node کے لیے model مقرر کریں۔ اس کی وضاحت اوپر کی جا چکی ہے۔ Haiku 4.5 اور Opus 4.8 کے درمیان یہ قیمت میں پانچ گنا فرق پیدا کرتا ہے، Fable 5 تک دس گنا، اور موجودہ lineup میں Haiku 5.5 سے Fable 5.1 تک، 100,000 tokens تک کے prompts کے لیے یہ فرق سو گنا تک پہنچ جاتا ہے۔ اسے مقرر کرنے میں دس seconds لگتے ہیں۔

loops کی حد مقرر کریں۔ agents پر Max Iterations مقرر کریں۔ workflow کی settings میں workflow timeout مقرر کریں تاکہ رکا ہوا execution مسلسل چلنے کے بجائے ختم ہو جائے۔ ہر node کے Retry On Fail کے ساتھ احتیاط کریں۔ یہ عارضی errors کے لیے درست tool ہے، لیکن retries لاگت بڑھا دیتے ہیں۔ Max Tries کی قدر 3 اور Wait Between Tries کی قدر 5000 ms ہو تو مستقل failure کی صورت میں، ختم ہونے سے پہلے، ہر item کے لیے آپ سے تین گنا تک billing ہو سکتی ہے۔ ایسے node کے گرد retry کبھی نہ لگائیں جو پہلے ہی مہنگا execution کامیابی سے مکمل کر چکا ہو۔

Error workflow کو آخری حفاظتی حصار بنائیں۔ ایسا workflow بنائیں جو Error Trigger node سے شروع ہو اور failed workflow کا نام اور error Slack پر بھیجے۔ پھر ہر AI workflow کی settings میں اسے Error Workflow کے طور پر مقرر کریں۔ یہ اس خطرناک صورتِ حال کو پکڑتا ہے: schedule-triggered workflow ہر run، ہر hour، پورے ہفتے error دے، اور ختم ہونے سے پہلے ہر run tokens خرچ کرتا رہے۔ اسے Anthropic Console میں monthly spend limit کے ساتھ استعمال کریں، اور scheduled چیز کو activate کرنے کے بعد پہلے چند دن Console کے usage page کو چیک کریں۔ اگر آپ جاننا چاہتے ہیں کہ billing بالکل کن چیزوں کے لیے ہو رہی ہے تو token usage guide اس کی تفصیل بیان کرتی ہے۔

ناکامی کی صورتیں اور وہ strings جو آپ دیکھیں گے

Node فوراً "Authorization failed - please check your credentials." کے ساتھ ناکام ہو جاتا ہے۔ API نے 401 واپس کیا۔ اصل response body کی ساخت یہ ہے (موجودہ responses میں request_id field بھی شامل ہوتی ہے):

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

ممکن ہے key غلط paste ہوئی ہو، مختصر ہو گئی ہو، اس کے آخر میں whitespace ہو، یا tutorial میں دیا گیا placeholder استعمال ہو گیا ہو۔ n8n credential دوبارہ بنائیں اور key دوبارہ paste کریں۔ اگر یہ کل کام کر رہی تھی تو Console میں دیکھیں کہ key revoke تو نہیں کی گئی یا اس کی expiration date تو نہیں گزر گئی۔ یہ بھی دیکھیں کہ volume restore نے credential کو مختلف N8N_ENCRYPTION_KEY سے encrypted حالت میں تو واپس نہیں کیا۔

Executions وقفے وقفے سے 429 rate_limit_error کے ساتھ ناکام ہوتی ہیں، اور message عموماً "Number of request tokens has exceeded your per-minute rate limit." جیسا ہوتا ہے۔ Rate limits فی منٹ ناپی جاتی ہیں اور مسلسل refill ہونے والے token bucket کے ذریعے نافذ ہوتی ہیں۔ n8n میں پچاس webhook یا RSS executions بیک وقت چلانا بہت آسان ہے۔ اسے ساختی طور پر درست کریں: items کو parallel چلانے کے بجائے sequence میں process کریں، یعنی Loop Over Items استعمال کریں۔ Retry On Fail فعال کریں، Max Tries کو 3 پر set کریں، اور Wait Between Tries کو 5000 ms کی زیادہ سے زیادہ قدر پر set کریں؛ n8n اس field کو 5000 ms تک محدود رکھتا ہے۔ اگر retry سے پہلے bucket کو refill ہونے کے لیے زیادہ وقت درکار ہو تو error path میں Wait node رکھیں یا items کو ایک وقت میں process کریں۔ Rate-limit 429 response میں عموماً retry-after header شامل ہوتا ہے جو انتظار کے seconds بتاتا ہے، تاہم Anthropic کی docs کے مطابق ہر 429 میں یہ header موجود نہیں ہوتا۔ n8n کا fixed wait اس header کو read نہیں کر سکتا، اس لیے زیادہ طویل pause خود بنائیں۔ ایک استثنا یہ ہے: اگر 429 میں retry-after header موجود نہ ہو اور error_code کی قدر enforced_spend_limit_reached ہو تو آپ کی organization اپنے usage tier کی ماہانہ spend cap تک پہنچ چکی ہے۔ اگلے ماہ یا tier بڑھانے تک کوئی retry کامیاب نہیں ہوگی۔

Model کا نام دیتے وقت 404 not_found_error آتا ہے۔ Message میں بھیجا گیا model ID درج ہوتا ہے، مثلاً:

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

Hyphens کے بجائے dots، 4-5 کے لیے 4.5، غلط یا من گھڑت date suffix، یا کسی پرانی blog post میں درج retired model اس کی وجہ ہو سکتا ہے۔ موجودہ list کے مطابق ID درست کریں۔ یہ مسئلہ ان لوگوں کو خاص طور پر پیش آتا ہے جو model field میں expression کے طور پر text type کرتے ہیں، بجائے اس کے کہ dropdown سے model منتخب کریں۔

Claude ایسے سوال کا جواب دیتا ہے جو آپ نے پوچھا ہی نہیں۔ کہیں error نہیں آتا اور run green رہتا ہے۔ اگر n8n expression کسی missing field کو reference کرے، مثلاً payload میں message موجود ہو لیکن expression {{ $json.body.text }} کو reference کرے، تو وہ literal string undefined کو آپ کے prompt میں شامل کر دیتا ہے۔ پھر Claude ایسے prompt کا جواب دیتا ہے جس میں کوئی حقیقی سوال موجود نہیں ہوتا۔ اگر referenced node نے بالکل execute نہ کیا ہو تو n8n اس error کے ساتھ رک جاتا ہے کہ expression ایسے node کو reference کرتا ہے جو "hasn't been executed yet"۔ لیکن missing field خاموشی سے نظرانداز ہو جاتی ہے۔ Activate کرنے سے پہلے ہمیشہ real data کے ساتھ ایک بار run کریں اور node کے input panel میں اصل rendered prompt پڑھیں۔ Expression editor resolved value کا preview دکھاتا ہے، اور اگر آپ غور کریں تو undefined وہیں موجود ہوگا۔

FAQ

میں Claude کو n8n سے کیسے مربوط کروں؟

platform.claude.com پر Anthropic Console میں API key بنائیں، پھر n8n میں Anthropic قسم کی credential شامل کرکے اسے API Key field میں paste کریں۔ ہر Claude node، Anthropic app node اور Anthropic Chat Model sub-node اسی محفوظ credential کو استعمال کرتا ہے۔ n8n اسے N8N_ENCRYPTION_KEY کے ذریعے encrypt کرتا ہے، اس لیے اس key کا backup رکھیں، ورنہ volume کے ساتھ آپ کی credentials بھی ضائع ہو جائیں گی۔

ہر run پر AI workflow کی لاگت کتنی ہوتی ہے؟

ہر run کے tokens کا اندازہ لگائیں، پھر اسے فی million قیمت سے ضرب دیں۔ October 2026 کے مطابق Haiku 4.5 کی input/output tokens کے لیے فی million قیمتیں $1/$5 اور Sonnet 5 کی $2/$10 ہیں۔ Haiku پر webhook summarization کی لاگت تقریباً ایک چوتھائی cent ہوتی ہے؛ Sonnet پر کئی tool calls والا agent run تقریباً $0.06–$0.10 تک پہنچ سکتا ہے، کیونکہ ہر iteration میں پوری conversation دوبارہ input کے طور پر بھیجی جاتی ہے۔ اندازوں پر انحصار کرنے کے بجائے Console کے usage page میں run کی تصدیق کریں۔

n8n automations کے لیے Claude کا کون سا model استعمال کرنا چاہیے؟

Classification، extraction، summarization اور routing کے لیے Haiku 4.5 استعمال کریں، خاص طور پر high-volume کام میں جہاں رفتار اور قیمت زیادہ اہم ہوں۔ AI Agent nodes اور multi-step reasoning کے لیے Sonnet 5 استعمال کریں۔ Opus 4.8 صرف وہاں استعمال کریں جہاں غلط جواب کی لاگت اس کی $5/$25 list price کو جائز بناتی ہو؛ یہ Haiku سے پانچ گنا اور Sonnet سے ڈھائی گنا مہنگا ہے۔ Anthropic کے نئے Haiku 5.5، Sonnet 5.5 اور Opus 5.5 بھی انہی کرداروں کے لیے equal یا کم list prices پر دستیاب ہیں۔ model کو workflow کے بجائے ہر node کے لیے الگ set کریں؛ ایک workflow تینوں models کو ملا کر استعمال کر سکتا ہے۔

n8n workflow کو Claude API پر ضرورت سے زیادہ خرچ کرنے سے کیسے روکوں؟

Guardrails کی متعدد تہیں لگائیں: ہر Claude node پر کم Max Tokens، agents پر Max Iterations، workflow timeout، اور محتاط Retry On Fail settings رکھیں تاکہ failures سے token spend کئی گنا نہ ہو۔ پھر ایک Error Trigger workflow شامل کریں جو کسی بھی AI workflow کے fail ہونے پر Slack میں alert بھیجے، اور Anthropic Console میں monthly spend limit مقرر کریں۔ یہ hard ceiling ہوگی جسے VPS پر کوئی configuration override نہیں کر سکے گی۔

کیا AI Agent کی tool calls کی اضافی لاگت ہوتی ہے؟

الگ tool fee نہیں ہوتی، لیکن tools مفت نہیں ہیں۔ ہر tool result model کو input tokens کے طور پر واپس بھیجا جاتا ہے، اور ہر agent iteration اب تک کی پوری conversation دوبارہ بھیجتی ہے۔ فلٹر کیے بغیر منتقل کیا گیا chatty API response آپ کے اصل prompt سے کہیں زیادہ بڑا ہو سکتا ہے۔ HTTP Request tools پر Optimize Response فعال کریں اور صرف وہ fields واپس کریں جن کی agent کو ضرورت ہے۔