Создание агента начинается с добавления одноименной ноды «AI Agent». Процесс разбивается на шесть ключевых этапов: добавление ноды, определение цели, выбор LLM, добавление инструментов, настройка памяти, тестовый запуск. Центральным элементом, объединяющим все компоненты, является узел AI Agent.
Шаг 1: Добавляем и настраиваем ноду 'AI Agent'
Откройте палитру узлов в редакторе n8n и начните вводить «AI Agent» в строку поиска, которая располагается по правой стороне. Перетащите найденный узел на рабочий холст. При двойном клике откроется интерфейс настройки. Изначально перед вами будут основные поля: «Goal», «Model», а также секции для «Tools» и «Memory». Интерфейс узла AI спроектирован для централизованного управления всеми компонентами агента.
Шаг 2: Определяем цель (Goal) агента
Goal – это основная инструкция для агента, написанная на естественном языке. Качество цели напрямую определяет эффективность работы. Плохая цель расплывчата: «Помогать пользователю». Хорошая цель конкретна, задает роль и ожидаемые действия.
Пример эффективной цели:
«Ты — помощник по подбору рецептов. Получай запросы от пользователей в Telegram, ищи актуальные рецепты в интернете через подключенный поисковый API, учитывай диетические ограничения из предыдущих сообщений и возвращай подробную пошаговую инструкцию с ингредиентами.»
При создании первого ИИ агента важно четко сформулировать задачу, чтобы модель понимала границы своих действий.
Превратите идею в готовый бизнес!
Начните бесплатно и протестируйте конструктор, а Pro-тариф даст больше возможностей для развития вашего проекта
Шаг 3: Выбираем и подключаем LLM (модель ИИ)
В выпадающем списке «Model» или «Provider» выберите нужного провайдера. В соседнем поле укажите конкретную модель и привяжите ранее созданные учетные данные. Обратите внимание на параметры:
Temperature (0.0–2.0): контролирует случайность ответов. Для детерминированных задач используйте низкие значения.
Max Tokens: ограничивает длину ответа модели. Устанавливайте с учетом ожидаемого объема вывода.
Согласно исследованиям, ключевым вызовом часто становится не подключение модели, а последующее проектирование сложной логики воркфлоу для управления контекстом и обработки ошибок.
Шаг 4: Добавляем инструменты (Tools) для расширения возможностей
Инструменты – это «руки» агента, которые позволяют взаимодействовать с внешним миром. Во встроенном списке можно активировать базовые инструменты, такие как «Calculator» для вычислений или «Code» для выполнения JavaScript/Python. Для подключения внешних сервисов потребуется создать кастомный инструмент, обернув соответствующий узел n8n в ноду «Tool» из категории AI.
Современные инструкции по созданию AI-агента обязательно включают подключение инструмента интернет-поиска, например Tavily, для преодоления ограничений знаний модели. Это стало стандартной практикой.
Узлы AI и внешние сервисы для агентов
Помимо узла «AI Agent», в n8n существует ряд других AI-нод: «Chat Model» для общения с LLM, «AI Image» для генерации изображений. «AI Agent» является надстройкой, которая может управлять этими узлами как инструментами. Для подключения внешних сервисов достаточно добавить их API-ключи в Credentials. Экосистема AI сервисов, доступных для интеграции, постоянно расширяется.
Шаг 5: Настраиваем память (Memory) для контекста диалога
Память позволяет агенту сохранять историю взаимодействия в рамках одной сессии. Основной доступный тип – Buffer Memory. Ключевой параметр – размер контекстного окна. Он ограничивает объем хранимой истории, предотвращая переполнение контекста модели и рост затрат.
Для долгосрочного хранения состояния между разными запусками workflow требуется внешнее решение, например, сохранение истории в базу данных или векторное хранилище, что характерно для продвинутых кейсов построения ассистентов с персональным контекстом.
Настройка темы и контекста для AI-агента
«Тема» и глубина контекста агента задаются комбинацией трех элементов:
1. Goal: определяет конечную задачу.
2. Системный промпт (если доступен в выбранной модели): задает роль, тон и фундаментальные ограничения.
3. Начальный контекст в Memory: предоставляет агенту стартовые данные.
Пример эффективного контекста: В Goal указывается: «Ты – финансовый консультант для малого бизнеса». В системный промпт можно добавить: «Общайся профессионально, но доступно. Всегда приводи цифры и расчеты. Не давай рекомендаций по высокорисковым инструментам».
Шаг 6: Запускаем, тестируем и анализируем работу агента
Запустите воркфлоу, нажав «Execute Workflow». После выполнения проанализируйте финальный ответ. Для диагностики перейдите во вкладку «Debug» – там отображаются входные и выходные данные каждого узла. Самый важный инструмент – анализ логов «Reasoning» (рассуждения), где можно увидеть ход мыслей агента: как он планировал задачу, какие инструменты решил использовать и в каком порядке.
