Как собрать ИИ-агента в n8n: пошаговый сценарий

Из чего состоит агент в n8n

ИИ-агент в n8n — это узел AI Agent, к которому снизу подключаются вспомогательные узлы:

• Chat Model (обязательно) — LLM: OpenAI, Anthropic, Google Gemini, локальная модель через Ollama и другие.
• Memory — история диалога, чтобы агент помнил предыдущие сообщения.
• Tools — инструменты, которые агент вызывает сам: HTTP-запросы, Google Sheets, CRM, другой workflow n8n.
• Output Parser — заставляет вернуть ответ в заданной структуре (JSON).

Агент получает сообщение, решает, нужен ли инструмент, вызывает его, читает результат и формирует ответ. Количество таких шагов ограничивается настройкой Max Iterations.

Пошагово: агент для квалификации лидов

Задача: заявка с сайта приходит в n8n, агент оценивает её, уточняет данные и решает, куда её направить.

1. Триггер. Для отладки — Chat Trigger, чтобы общаться с агентом прямо в редакторе. В рабочей версии — Webhook от формы сайта или Telegram Trigger.

2. Узел AI Agent. В поле промпта передайте данные заявки выражением, например {{ $json.message }}. В System Message опишите роль и правила:

Ты квалифицируешь входящие заявки.
Критерии: есть бюджет или сроки, понятна задача, указан контакт.
Если данных не хватает — не выдумывай, ставь статус "need_info".
Отвечай только в формате, заданном парсером.

3. Модель. Подключите Chat Model и создайте credentials с API-ключом. Для классификации обычно хватает быстрой недорогой модели; температуру держите низкой, чтобы ответы были стабильными.

4. Память. Для одиночной заявки память не нужна. Для диалога в Telegram подключите Simple Memory с ключом сессии по ID чата, а для продакшна — Postgres или Redis Chat Memory, чтобы история не терялась при перезапуске.

5. Инструменты. Например:

• HTTP Request Tool — поиск компании или контакта в CRM по email;
• Google Sheets Tool — чтение прайса или списка услуг;
• Call n8n Workflow Tool — вызов отдельного workflow с вашей логикой.

Параметры инструмента, которые должна заполнить модель, задаются через $fromAI():

{{ $fromAI('email', 'email клиента из заявки', 'string') }}

У каждого инструмента — понятное название и описание: по ним модель решает, когда его вызывать.

6. Структурированный вывод. Включите Require Specific Output Format и подключите Structured Output Parser со схемой: status, score, reason, next_step.

7. Действия — обычными узлами. После агента поставьте Switch по полю status: горячий лид создаётся в CRM и уходит менеджеру в Telegram, неполный получает письмо с уточнением. Запись в CRM лучше делать обычным узлом, а не инструментом агента — так действие детерминировано и проверяемо.

Контроль расходов

Стоимость агента зависит от модели, длины промптов, объёма памяти и числа вызовов инструментов. Что помогает:

• Max Iterations — не даёт агенту ходить по кругу.
• Короткое окно памяти — в каждый запрос уходит только нужная часть истории.
• Лимит токенов ответа в настройках модели.
• Компактные ответы инструментов — возвращайте нужные поля, а не весь JSON из API.
• Предфильтр без ИИ — спам и пустые заявки отсекайте узлом IF до агента.
• Учёт токенов — данные о расходе видны в выполнении узла модели; сохраняйте их в таблицу и смотрите динамику.

Ошибки и надёжность

• В настройках узла включите Retry On Fail для временных сбоев API модели.
• On Error → Continue (using error output) — отдельная ветка для ошибок: заявка уходит человеку, а не теряется.
• Назначьте workflow Error Workflow с узлом Error Trigger для оповещений.
• Проверяйте вывод агента: даже с парсером добавьте IF на обязательные поля.
• Минимум прав у инструментов. Текст заявки может содержать инструкции для модели; инструменты агента должны по возможности только читать данные.