Создание ИИ-агента с n8n: пошаговая инструкция

ИИ-агента вы создаёте в n8n из четырёх компонентов: триггера, который запускает агента, чат-модели в роли мозга, памяти для контекста разговора и инструментов, с помощью которых агент действительно может что-то делать. Узел AI Agent соединяет эти части полностью без программирования. Эта инструкция проведёт вас через создание первого продуктивного агента и покажет места, на которых, по опыту, застревают новички. Актуально на: июль 2026.

Что вам нужно заранее

• Экземпляр n8n: облачный аккаунт или самостоятельный хостинг, работает и то, и другое. Для корпоративных данных мы рекомендуем самостоятельный хостинг на немецких серверах.
• API-ключ для чат-модели: например, OpenAI или Anthropic. Тот, кто не хочет передавать данные американским провайдерам, может подключить локальные модели через Ollama, подробнее об этом ниже.
• Чётко очерченный сценарий использования: агент, который должен уметь всё, в итоге не умеет ничего. Хорошие первые сценарии: предварительная сортировка запросов, ответы на вопросы из базы знаний, подготовка встреч.

Шаг 1: создание триггера и узла AI Agent

Создайте новый workflow и выберите в качестве запускающего элемента Chat Trigger, если хотите общаться с агентом в чате, либо webhook, если к нему должны обращаться другие системы. За ним разместите узел AI Agent. Это центр управления: всё остальное подключается не последовательно, а пристыковывается снизу к узлу Agent, и именно это визуально и логически отличает агентов от обычных workflow n8n.

Шаг 2: подключение чат-модели

Подключите модель к разъёму чат-модели агента, например OpenAI или Anthropic, и сохраните учётные данные. Практическое правило выбора модели: для вызова инструментов и рутинных ответов достаточно недорогой модели, дорогой класс оправдан только при сложных решениях. Выбор модели можно в любой момент изменить позже, начните с недорогого варианта и измеряйте результаты.

Шаг 3: добавление памяти

Без памяти агент забывает после каждого сообщения, о чём шла речь. Для первых тестов достаточно Simple Memory, для продуктивной эксплуатации рекомендуется память на Postgres, чтобы контекст сохранялся после перезапуска. Самая частая ошибка новичков кроется именно здесь: памяти нужен ключ сессии, уникальный для каждого собеседника. Если агент используется через webhook, вы должны сами устанавливать этот ключ из входящих данных, иначе разговоры перемешаются или история останется пустой.

Шаг 4: подключение инструментов, чтобы агент мог действовать

Только с инструментами чат-бот становится цифровым сотрудником. В качестве инструмента подходит почти всё, что умеет n8n: запрос к базе данных, поиск в ваших документах через vector store, отправка электронной почты, собственный суб-workflow. Опишите каждый инструмент одним предложением настолько точно, чтобы модель понимала, для чего он предназначен, ведь именно на основании этого описания агент решает, использовать его или нет. Для критичных действий, таких как отправка или удаление, встройте подтверждение человеком: для этого в n8n есть шаблоны human-in-the-loop, и именно это снимает у руководителей страх перед автономным ИИ.

Шаг 5: написание и тестирование системного промпта

В узле Agent вы сохраняете системную инструкцию: кто такой агент, что ему разрешено, чего он никогда не должен делать, на каком языке и в каком тоне он отвечает. Пишите её как рабочую инструкцию для нового помощника, конкретно и с примерами. Затем протестируйте в окне чата на реальных случаях из вашей повседневной работы, а не на выдуманных вопросах, и посмотрите в представление выполнения: там видно каждое решение агента по выбору инструмента, и сразу заметно, если описание инструмента было двусмысленным.

Типичные ошибки из практики

• Агент вместо цепочки: если процесс всегда одинаков, например суммирование текста и его сохранение, агент не нужен, простая LLM-цепочка быстрее и дешевле. Агенты окупаются только тогда, когда модель сама должна решать, какой инструмент использовать.
• Слишком много инструментов: более пяти-семи инструментов размывают точность попаданий. Лучше несколько специализированных агентов, чем один универсал.
• Отсутствие контроля затрат: каждый запуск агента это несколько обращений к модели. Установите лимит с самого начала и следите за расходом.

Где ИИ-агенты действительно экономят время в работе и как выглядит продуктивный сценарий использования, показывает наш обзор ИИ-агенты. Если вы предпочитаете, чтобы агента создали для вас, сохраняя при этом контроль: именно для этого существует наша услуга Заказать создание ИИ-агента по фиксированной цене.

Часто задаваемые вопросы о создании ИИ-агентов

Могу ли я создать ИИ-агента без навыков программирования?

Да, в n8n ИИ-агент создаётся полностью визуально: триггер, чат-модель, память и инструменты соединяются перетаскиванием, а логика содержится в системной инструкции на обычном языке. Навыки программирования помогают лишь в особых случаях, например при собственных форматах данных или специальных интерфейсах.

Сколько стоит эксплуатация ИИ-агента?

Текущие расходы складываются из обращений к модели и хостинга. Внутренний агент с умеренной нагрузкой по затратам на модель часто находится в диапазоне низких двузначных сумм в евро в месяц, а самостоятельно размещённый n8n на немецком сервере обходится всего в несколько евро расходов на сервер. Дорого становится только при неконтролируемых циклах, поэтому лимиты нужны с самого начала.

Может ли агент работать с локальными ИИ-моделями, без облака?

Да, n8n подключает локальные модели через Ollama, тогда ни один текст не покидает ваше помещение. Учитывайте при этом два ограничения: локальным моделям нужно приличное оборудование, а при вызове инструментов они заметно чаще ошибаются, чем крупные API-модели. Для чувствительных данных компромиссом часто становится европейская API-модель в сочетании с чёткими правилами работы с данными в системном промпте.

Как понять, что мой сценарий использования подходит для агента?

Сценарий использования подходит для агента, если задача требует реальных решений между несколькими инструментами, например сначала что-то найти, а затем в зависимости от результата ответить или передать дальше. Если процесс всегда протекает одинаково, достаточно классической автоматизации с одним ИИ-шагом, которая быстрее, дешевле и легче поддаётся контролю.