Einen KI-Agenten erstellen Sie in n8n aus vier Bausteinen: Trigger, Chat-Modell, Memory und Tools. Die Anleitung mit Praxis-Tipps und typischen Fehlern.
Einen KI-Agenten erstellen Sie in n8n aus vier Bausteinen: einem Trigger, der den Agenten startet, einem Chat-Modell als Gehirn, einem Memory für den Gesprächskontext und Tools, mit denen der Agent tatsächlich etwas tun kann. Der AI Agent Node verbindet diese Teile, ganz ohne Programmierung. Diese Anleitung führt durch den Aufbau eines ersten produktiven Agenten und zeigt die Stellen, an denen Einsteiger erfahrungsgemäß hängen bleiben. Stand: Juli 2026.
Legen Sie einen neuen Workflow an und wählen Sie als Auslöser den Chat Trigger, wenn Sie mit dem Agenten chatten wollen, oder einen Webhook, wenn andere Systeme ihn ansprechen sollen. Dahinter setzen Sie den AI Agent Node. Er ist die Schaltzentrale: Alles Weitere wird nicht hintereinander geschaltet, sondern unten an den Agent-Node angedockt, das unterscheidet Agenten optisch und logisch von normalen n8n-Workflows.
Docken Sie an den Chat-Model-Anschluss des Agenten ein Modell an, etwa OpenAI oder Anthropic, und hinterlegen Sie die Credentials. Praxisregel zur Modellwahl: Für das Werkzeug-Aufrufen und Routineantworten reicht ein günstiges Modell, erst bei komplexen Abwägungen lohnt die teure Klasse. Die Modellwahl lässt sich später jederzeit ändern, starten Sie günstig und messen Sie.
Ohne Memory vergisst der Agent nach jeder Nachricht, worüber gesprochen wurde. Für erste Tests reicht das Simple Memory, für den Produktivbetrieb empfiehlt sich Postgres-Memory, damit der Kontext einen Neustart übersteht. Der häufigste Anfängerfehler liegt genau hier: Das Memory braucht einen Session-Schlüssel, der pro Gesprächspartner eindeutig ist. Kommt der Agent über einen Webhook zum Einsatz, müssen Sie diesen Schlüssel selbst aus den Eingangsdaten setzen, sonst mischen sich Gespräche oder der Verlauf bleibt leer.
Erst mit Tools wird aus dem Chatbot ein digitaler Mitarbeiter. Als Tool taugt fast alles, was n8n kann: eine Datenbankabfrage, die Suche in Ihren Dokumenten über einen Vector Store, ein E-Mail-Versand, ein eigener Sub-Workflow. Beschreiben Sie jedes Tool in einem Satz so präzise, dass das Modell versteht, wofür es gedacht ist, denn anhand dieser Beschreibung entscheidet der Agent über den Einsatz. Für kritische Aktionen wie Versand oder Löschung bauen Sie eine menschliche Freigabe ein: n8n bringt dafür Human-in-the-Loop-Muster mit, und genau das nimmt Entscheidern die Angst vor autonomer KI.
Im Agent-Node hinterlegen Sie die Systemanweisung: Wer der Agent ist, was er darf, was er nie tun soll, in welcher Sprache und Tonalität er antwortet. Schreiben Sie das wie eine Arbeitsanweisung an eine neue Aushilfe, konkret und mit Beispielen. Testen Sie anschließend im Chat-Fenster mit echten Fällen aus Ihrem Alltag, nicht mit Spielfragen, und schauen Sie in die Ausführungsansicht: Dort sehen Sie jede Tool-Entscheidung des Agenten und erkennen sofort, ob eine Tool-Beschreibung missverständlich war.
Wo KI-Agenten im Betrieb wirklich Zeit sparen und wie ein produktiver Einsatzfall aussieht, zeigt unsere Übersicht KI-Agenten. Wenn Sie den Agenten lieber bauen lassen und dabei die Kontrolle behalten wollen: Genau dafür gibt es unser KI-Agent erstellen lassen zum Festpreis.
Ja, in n8n entsteht ein KI-Agent komplett visuell: Trigger, Chat-Modell, Memory und Tools werden per Drag-and-drop verbunden, die Logik steckt in der Systemanweisung in Alltagssprache. Programmierkenntnisse helfen erst bei Sonderfällen, etwa eigenen Datenformaten oder speziellen Schnittstellen.
Die laufenden Kosten bestehen aus den Modell-Aufrufen und dem Hosting. Ein interner Agent mit moderater Nutzung liegt bei den Modellkosten häufig im niedrigen zweistelligen Eurobereich pro Monat, selbst gehostetes n8n auf einem deutschen Server kommt mit wenigen Euro Serverkosten aus. Teuer wird es nur bei unkontrollierten Schleifen, deshalb gehören Limits von Anfang an dazu.
Ja, n8n bindet über Ollama lokale Modelle an, dann verlässt kein Text Ihr Haus. Rechnen Sie dabei mit zwei Einschränkungen: Lokale Modelle brauchen ordentliche Hardware, und beim Tool-Aufrufen sind sie merklich fehleranfälliger als die großen API-Modelle. Für sensible Daten ist der Kompromiss oft ein europäisches API-Modell plus klare Datenregeln im System-Prompt.
Ein Einsatzfall taugt für einen Agenten, wenn die Aufgabe echte Entscheidungen zwischen mehreren Werkzeugen verlangt, etwa erst nachschlagen, dann je nach Ergebnis antworten oder weiterleiten. Läuft der Ablauf immer gleich, reicht eine klassische Automatisierung mit einem einzelnen KI-Schritt, die ist schneller, billiger und leichter zu kontrollieren.
Gründer von NordFlux. Sieben Jahre Erfahrung von Web und SEO bis zur Automatisierung im Konzern-Maßstab, heute pragmatisch für den Mittelstand und mit deutscher Datenhoheit.
Zertifizierungen
Sammelseite der häufigsten n8n AI-Agent-Fehlerbilder: Prompt, Rate-Limits, Memory und Output-Parser im Überblick, mit Links zur n8n-Doku.
Make oder n8n für KI-Agenten: Unterschiede bei Aufbau, Kosten pro Lauf und Kontrolle über Daten im Vergleich.
Warum ein n8n-Agent den Chatverlauf vergisst, wie Session-Keys funktionieren und wann Simple Memory oder Postgres Memory die richtige Wahl ist.
Trigger, Chat-Modell, Memory und Tools zu verbinden ist der erste Schritt, ein Agent, der im Tagesgeschäft zuverlässig entscheidet und eskaliert, ist der zweite. NordFlux baut KI-Agenten auf n8n-Basis von der ersten Version bis zum betreuten Produktivbetrieb, inklusive System-Prompt-Tuning und Fehlerbehandlung. Im ersten Gespräch schauen wir uns Ihren Anwendungsfall an und zeigen, was für einen stabilen Agenten in Ihrem Fall noch fehlt.
