KI-Agent erstellen mit n8n: die Schritt-für-Schritt-Anleitung

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.

Was Sie vorher brauchen

• Eine n8n-Instanz: Cloud-Konto oder selbst gehostet, beides funktioniert. Für Firmendaten empfehlen wir Self-Hosting auf deutschen Servern.
• Einen API-Schlüssel für ein Chat-Modell: etwa OpenAI oder Anthropic. Wer keine Daten an US-Anbieter geben will, kann mit Ollama lokale Modelle anbinden, dazu unten mehr.
• Einen klar umrissenen Einsatzfall: ein Agent, der alles können soll, kann am Ende nichts. Gute erste Fälle: Anfragen vorsortieren, Fragen aus einer Wissensbasis beantworten, Termine vorbereiten.

Schritt 1: Trigger und AI Agent Node anlegen

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.

Schritt 2: Chat-Modell verbinden

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.

Schritt 3: Memory ergänzen

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.

Schritt 4: Tools anbinden, damit der Agent handeln kann

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.

Schritt 5: System-Prompt schreiben und testen

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.

Typische Fehler aus der Praxis

• Agent statt Chain: wenn der Ablauf immer gleich ist, etwa Text zusammenfassen und ablegen, brauchen Sie keinen Agenten, eine einfache LLM-Chain ist schneller und billiger. Agenten lohnen sich erst, wenn das Modell selbst entscheiden muss, welches Werkzeug es nutzt.
• Zu viele Tools: mehr als fünf bis sieben Tools verwässern die Trefferquote. Lieber mehrere spezialisierte Agenten als einen Alleskönner.
• Kein Blick auf die Kosten: jeder Agenten-Durchlauf sind mehrere Modell-Aufrufe. Setzen Sie von Anfang an ein Limit und beobachten Sie den Verbrauch.

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.

Häufige Fragen zum Erstellen von KI-Agenten

Kann ich einen KI-Agenten ohne Programmierkenntnisse erstellen?

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.

Was kostet der Betrieb eines KI-Agenten?

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.

Kann der Agent mit lokalen KI-Modellen laufen, ohne Cloud?

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.

Woran erkenne ich, dass mein Einsatzfall für einen Agenten taugt?

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.