Вы собрали в n8n сценарий на десяток узлов: вебхук, HTTP-запрос, IF с условиями, Switch с ветками. Он работает, пока клиент пишет запрос ровно так, как вы предусмотрели. Стоит человеку сформулировать вопрос иначе, и цепочка условий ломается или уходит не в ту ветку. ИИ-агент в n8n решает эту проблему иначе: вместо жёсткой логики он передаёт решение языковой модели, которая сама выбирает, какой инструмент вызвать и в каком порядке.
Базовая статья про автоматизацию бизнес-процессов на узлах n8n разбирает workflow без ИИ: триггеры, ветвления, интеграции с фиксированными параметрами. Узел AI Agent устроен принципиально по-другому: это не последовательность заданных шагов, а компонент, который на каждом шаге сам решает, что делать дальше, опираясь на подключённые инструменты и память.
Дальше по порядку: из чего состоит узел AI Agent, какие инструменты и типы памяти к нему подключаются, и как собрать рабочего агента, не запутавшись в суб-узлах с первого раза.
Чем ИИ-агент в n8n отличается от обычного сценария
Обычный workflow в n8n построен на заранее прописанной логике: узел IF проверяет условие, Switch выбирает ветку по значению поля, HTTP Request дёргает конкретный эндпоинт с фиксированными параметрами. Всю логику придумываете и прописываете вы на этапе сборки.
Узел AI Agent переворачивает подход. Вы описываете агенту роль и задачу в системном промпте, подключаете набор инструментов и оставляете выбор конкретных шагов за языковой моделью. Агент сам решает, нужно ли вызвать инструмент, какой именно и с какими параметрами, а затем формирует финальный ответ на основе полученных данных. Если понятие ИИ-агента для вас пока размытое, отдельно разобрано, что такое ИИ-агент простыми словами.
До версии n8n 1.82 у узла AI Agent был выбор типа агента: Conversational Agent, ReAct Agent, OpenAI Functions Agent, Plan and Execute Agent и другие. Начиная с этой версии настройка типа агента считается устаревшей, и все новые агенты в n8n работают как Tools Agent, ранее самый популярный и рекомендованный вариант. Старые сценарии с явно выбранным типом агента продолжают работать без изменений, но версия узла с этим выбором будет удалена в n8n 3.0.
Из чего состоит узел AI Agent: три типа подключений
У узла AI Agent нет отдельных полей для ввода параметров, как у HTTP Request. Вместо этого к нему подключаются суб-узлы через три специальных типа соединений: языковая модель, память и инструменты. Визуально они отличаются от обычных стрелок между узлами: соединения проведены снизу узла, а не сбоку, и n8n не даст соединить их неправильно.
Языковая модель
Соединение ai_languageModel обязательно: без него агент не запустится. Сюда подключается чат-модель: OpenAI Chat Model, Anthropic Chat Model, Azure OpenAI, Groq или Mistral Cloud Chat Model. Модель отвечает за само рассуждение: разбор запроса, выбор инструмента, формулировку итогового ответа.
Память
Соединение ai_memory необязательно, но без него агент не помнит предыдущие сообщения в рамках одного разговора: каждый новый запрос обрабатывается так, будто это первое обращение пользователя.
Инструменты
Соединение ai_tool тоже необязательно технически, но без единого инструмента агент превращается в обычный чат-бот поверх модели: он способен отвечать текстом, но не может ничего сделать во внешних системах.
На практике чаще всего к агенту подключают не больше трёх-пяти инструментов на старте: так проще следить, какой из них модель выбирает в каждом конкретном диалоге, и быстрее находить, где агент путается.
Какие инструменты можно подключить к агенту
Инструмент, а по-английски tool, это обычный узел n8n, обёрнутый так, чтобы модель могла вызвать его сама и понять, что он делает, по текстовому описанию. Из готовых вариантов чаще всего используют:
- HTTP Request Tool: вызывает любой внешний API, от CRM до маркетплейса или собственного бэкенда компании.
- Code Tool: выполняет произвольный JavaScript или Python, когда логику проще написать кодом, чем объяснить модели словами.
- Workflow Tool: запускает другой сценарий n8n как инструмент, поэтому сложную логику можно вынести в отдельный workflow и переиспользовать в нескольких агентах сразу.
- Vector Store Tool: подключает векторную базу, например Pinecone, Postgres с pgvector или Supabase, для поиска по собственным документам компании.
- Calculator и Wikipedia: готовые инструменты для вычислений и справочных запросов, удобны для тестовых сценариев и прототипов.
Любой обычный узел n8n тоже можно превратить в инструмент агента: для этого его добавляют в workflow и переключают режим на использование как AI-инструмента, задавая точное текстовое описание, когда модель должна его вызывать. Чем точнее описание, тем реже агент путает похожие инструменты между собой.
Как настроить память: от сессии до Postgres
Самый простой вариант, узел Simple Memory (в более ранних версиях он назывался Window Buffer Memory). У него два ключевых параметра: Session Key, ключ, по которому память привязывается к конкретному разговору или пользователю, и Context Window Length, число последних сообщений, которые агент учитывает при ответе. По умолчанию окно рассчитано на десять предыдущих реплик.
Главное ограничение Simple Memory: она хранится в оперативной памяти воркера n8n и пропадает при перезапуске. Для сценария, где важно помнить историю переписки неделями, а не в рамках одной сессии, нужна память с внешним хранилищем.
| Тип памяти | Где хранится | Переживает перезапуск n8n | Когда использовать |
|---|---|---|---|
| Simple Memory (Window Buffer) | В оперативной памяти воркера | Нет | Тесты, прототипы, короткие сессии |
| Postgres Chat Memory | Таблица в PostgreSQL | Да | Продакшен-боты с историей на недели |
| Redis Chat Memory | Redis | Да, пока жив инстанс Redis | Нагруженные сценарии с управляемым сроком жизни сессии |
Пошаговая сборка ИИ-агента в n8n
- Создайте новый workflow и добавьте триггер: Chat Trigger для тестового чата или Webhook, если агент будет принимать сообщения с сайта или из мессенджера.
- Добавьте узел AI Agent и подключите к нему чат-модель через соединение ai_languageModel.
- Опишите роль и границы агента в системном промпте: что он делает, чего не делает и в каком тоне отвечает клиенту.
- Подключите один-два инструмента через ai_tool, например HTTP Request Tool к вашей CRM или базе заказов.
- Добавьте Simple Memory через ai_memory и укажите Session Key, обычно это идентификатор чата или пользователя.
- Запустите тестовый диалог в режиме чата и проверьте, вызывает ли агент нужный инструмент с корректными параметрами.
- Добавляйте новые инструменты по одному, проверяя после каждого, что агент не путает их между собой на похожих запросах.
Где чаще всего ошибаются при сборке агента
Самая частая ошибка: подключить к агенту сразу десять инструментов с расплывчатыми названиями вроде «Tool 1» и «Tool 2». Модель начинает путать их между собой и вызывает не тот инструмент даже на простых запросах. Каждому инструменту нужно точное имя и описание того, для каких именно ситуаций он предназначен.
Вторая частая проблема: один Session Key на всех пользователей. Если ключ сессии не привязан к конкретному чату или клиенту, память смешивается, и агент отвечает одному пользователю деталями из разговора с другим.
Третья: ожидание, что Simple Memory будет работать как база данных. Она хранит контекст в рамках сессии, а не архив переписки. Для истории обращений, которую можно поднять через месяц, нужна память с внешним хранилищем или отдельная запись диалогов в базу через обычный узел.
Четвёртая: слишком широкое окно контекста без нужды. Каждое сообщение из истории уходит в модель заново при каждом запросе, поэтому раздутое окно памяти увеличивает и задержку ответа, и расход токенов, не всегда добавляя пользы.
Пятая ошибка: не предусмотреть, что инструмент может вернуть ошибку или пустой результат. Если HTTP Request Tool получает таймаут или API отвечает кодом ошибки, агент должен понимать это и сообщить клиенту понятным текстом, а не зависать или выдумывать ответ. В системном промпте стоит явно описать, как агенту вести себя при сбое инструмента: переспросить, предложить альтернативу или передать диалог человеку.
Когда агент лучше обычного сценария, а когда нет
Агент оправдан, когда выполняется хотя бы одно из условий:
- Запрос от человека сформулирован свободным текстом и может отличаться от раза к разу.
- Нужно выбрать один из нескольких инструментов в зависимости от смысла запроса, а не просто значения поля.
- Сценарий требует нескольких шагов рассуждения: сначала уточнить у клиента детали, потом искать данные, потом собрать ответ.
- Клиент может обратиться на разных языках или в разных форматах: через чат, письмо или голосовое сообщение, переведённое в текст.
Обычный workflow на IF и Switch остаётся быстрее, дешевле и предсказуемее там, где логика жёсткая и не меняется: обработка заказов по строгим правилам, выгрузка отчётов по расписанию, синхронизация данных между системами. В таких задачах агент добавляет задержку и расход токенов без реальной пользы.
Частые вопросы
Чем AI Agent отличается от обычной цепочки IF и Switch в n8n?
IF и Switch выполняют заранее заданные ветки на основе точного значения поля: если условие не совпало буквально, сценарий идёт не туда или падает. AI Agent передаёт разбор запроса языковой модели, которая понимает смысл свободного текста и сама решает, какой инструмент вызвать, даже если формулировка клиента отличается от предусмотренной вами.
Какая память используется у агента n8n по умолчанию?
Это узел Simple Memory, ранее называвшийся Window Buffer Memory. У него два параметра: Session Key для привязки к разговору и Context Window Length, число учитываемых сообщений, по умолчанию десять. Данные хранятся в оперативной памяти воркера и теряются при перезапуске n8n.
Нужно ли платить отдельно за узел AI Agent?
Сам узел входит в стандартный набор n8n без дополнительной платы. Расходы возникают на стороне используемой языковой модели: вызовы OpenAI, Anthropic или другого провайдера оплачиваются по ключу API отдельно от тарифа n8n. Точную стоимость смотрите в актуальных тарифах провайдера модели и вашего плана n8n.
Можно ли дать агенту доступ к собственной базе знаний компании?
Да, через Vector Store Tool. Документы компании загружают в векторную базу, например Pinecone, Postgres с pgvector или Supabase, и агент ищет в ней релевантные фрагменты перед ответом. Это позволяет отвечать по внутренним регламентам, прайсам и базе знаний, а не только по общим знаниям модели.
Сколько инструментов можно подключить к одному агенту?
Жёсткого технического лимита в n8n нет. Но каждый добавленный инструмент увеличивает размер промпта, задержку ответа и риск, что модель выберет не тот инструмент на похожих запросах. Практичнее подключать небольшой набор инструментов с чёткими описаниями, чем десятки универсальных.
С чего начать
Соберите минимальную версию агента на тестовом сценарии, прежде чем подключать его к реальному каналу: чат-модель, один инструмент и Simple Memory с понятным Session Key. Проверьте на десятке реальных формулировок клиентов, а не только на идеальных примерах. Отдельно расписан процесс, как создать ИИ-агента для бизнеса от задачи до рабочего прототипа, если хочется выстроить весь путь до внедрения, а не только узел в n8n.
Если разбираться самому с суб-узлами, промптами и памятью некогда, такого агента под ключ, с интеграцией в вашу CRM и мессенджеры, собирают в рамках услуги автоматизации бизнес-процессов в Neurounit.
