n8n łączysz z AI przez wbudowaną warstwę opartą o LangChain - zestaw węzłów (node AI Agent, Chat Model, Memory, Tools), do których podpinasz model językowy. Model może działać w chmurze (OpenAI, Anthropic Claude, Google Gemini) albo lokalnie przez Ollama na Twoim serwerze. Efekt: agent lub chatbot bez pisania kodu.
Najważniejsze: AI w n8n to nie osobny produkt, tylko dodatkowa rodzina węzłów wewnątrz tej samej platformy do automatyzacji, którą już znasz. Jeśli dopiero zaczynasz, najpierw zerknij na podstawy n8n krok po kroku - bo to właśnie serwer decyduje, czy całość udźwigniesz. Poniżej tłumaczę bez hype'u, jak ta warstwa AI działa pod maską i co realnie da się z niej zbudować.
Jak n8n łączy się z AI
n8n to platforma do automatyzacji workflow na licencji fair-code, którą uruchamiasz u siebie za darmo (self-host). Ma ponad 400 integracji i ponad 900 gotowych szablonów, a kod źródłowy jest jawny na GitHubie. Do tego dochodzi warstwa AI: zestaw węzłów zbudowanych na frameworku LangChain, służący do tworzenia aplikacji LLM bezpośrednio w przepływie.
W praktyce wygląda to tak: budujesz workflow z klocków (węzłów), tak jak każdą inną automatyzację, ale jeden z klocków to model językowy. Łączysz trigger (na przykład wiadomość na czacie) z węzłem AI Agent, ten odpytuje model, a wynik leci dalej - do maila, arkusza czy bazy danych. Nie piszesz kodu, układasz przepływ myszką.
Pod maską: LangChain to standard do spinania modeli językowych z narzędziami i pamięcią. n8n opakowuje go w wizualne węzły, więc dostajesz tę samą logikę co w kodzie, tylko klikasz ją w interfejsie. Dzięki temu model językowy staje się jednym z elementów automatyzacji, a nie osobną aplikacją obok niej. To zmienia sposób myślenia o AI: przestajesz pytać "jaki chatbot kupić", a zaczynasz projektować przepływ, w którym model to po prostu kolejny krok.
Dla kontekstu: n8n to narzędzie z tej samej rodziny co Zapier czy Make (dawny Integromat), tylko self-hostowalne i z jawnym kodem. Za projektem stoi Jan Oberhauser, założyciel i CEO n8n.io. Różnica w praktyce: model językowy podpinasz u siebie, a dane przepływu zostają na Twoim serwerze, bez vendor lock-in. Dla firmy, która ceni kontrolę nad danymi, to nie kosmetyka, tylko fundamentalna różnica architektury.
Nody AI w n8n - AI Agent, Chat Model, narzędzia
Konkret: warstwa AI w n8n opiera się na czterech rolach - agent, model, pamięć i narzędzia. Najpierw rozłóżmy je na części, a potem zobaczysz, jak razem składają się na działającego agenta.
AI Agent
Węzeł AI Agent to rdzeń całej układanki. Spina cztery rzeczy: model językowy, system prompt (instrukcję, kim agent jest i co ma robić), narzędzia (tools) oraz pamięć (memory). Krótko o tym, co ten węzeł faktycznie daje: pozwala modelowi nie tylko odpowiadać tekstem, ale też samodzielnie decydować, którego narzędzia użyć, by wykonać zadanie. Zamiast sztywnego "wygeneruj odpowiedź" dostajesz "przeanalizuj sytuację i wybierz działanie".
Trade-off: agent jest elastyczny, ale przez to mniej przewidywalny niż sztywny przepływ. Dwa uruchomienia z tym samym wejściem mogą pójść nieco inną ścieżką, jeśli agent inaczej oceni, po które narzędzie sięgnąć. Szczegóły konfiguracji rozkładam w tekście o node AI Agent w n8n szczegółowo](/artykul/ollama) pamięć nie jest potrzebna. Przy chatbocie prowadzącym dialog z użytkownikiem jest niezbędna, bo to ona robi różnicę między czatem a pojedynczym zapytaniem. Do wyboru masz kilka typów: prosty bufor ostatnich wiadomości, okno przesuwane albo pamięć trzymaną w zewnętrznej bazie.
Tools
Narzędzia (tools) to to, co agent może faktycznie zrobić poza generowaniem tekstu. Może wyszukać informację, odpalić inny workflow w n8n, odpytać bazę danych albo wykonać obliczenie. Agent sam decyduje, którego narzędzia użyć, na podstawie zadania i system promptu - i to jest sedno różnicy między zwykłym czatem a agentem.
W praktyce: to właśnie narzędzia zamieniają "model, który gada" w "agenta, który działa". Model bez narzędzi umie tylko produkować tekst. Model z narzędziami potrafi sprawdzić stan zamówienia, dopisać wiersz do arkusza czy uruchomić kolejny proces. Poniższa tabela zbiera całość w jednym miejscu.
| Węzeł | Rola | Typowy przykład |
|---|---|---|
| AI Agent | spina model, prompt, narzędzia i pamięć; decyduje o działaniu | asystent obsługujący zgłoszenia |
| Chat Model | podłącza konkretny model (chmura lub Ollama) | OpenAI, Claude, Gemini, lokalny Ollama |
| Memory | przechowuje kontekst rozmowy | chatbot pamiętający poprzednie wiadomości |
| Tools | daje agentowi konkretne akcje do wykonania | wyszukiwanie, odpalenie workflow, zapytanie do bazy |
Który model AI podpiąć do n8n - chmura vs lokalny
To zależy - od dwóch rzeczy: wrażliwości danych i budżetu. Masz dwie drogi. Pierwsza to model chmurowy przez API (OpenAI, Anthropic Claude, Google Gemini, Mistral) - płacisz za tokeny, zero konfiguracji, ale dane wychodzą do dostawcy. Druga to model lokalny przez Ollama na własnym serwerze - zero opłat za zapytania, dane zostają u Ciebie, ale potrzebujesz sprzętu z odpowiednim RAM lub GPU.
| Kryterium | Model chmurowy (API) | Model lokalny (Ollama) |
|---|---|---|
| Gdzie lądują dane | na serwerach dostawcy | na Twoim serwerze |
| Koszt zapytań | opłata za tokeny | brak (płacisz tylko za serwer) |
| Próg wejścia | rejestracja i klucz API | instalacja modelu + sprzęt |
| Prywatność | dane opuszczają firmę | pełna kontrola nad danymi |
| Jakość największych modeli | bardzo wysoka, bez limitu sprzętu | zależna od Twojego sprzętu |
Jest jeszcze wątek darmowego startu. Rdzeń n8n jest darmowy w self-hoscie na licencji fair-code, a podpięty lokalny model Ollama nie nalicza kosztu za tokeny. W tym wariancie płacisz wyłącznie za serwer, na którym stoi jedno i drugie - i to często jest cały koszt zabawy. Więcej o samym wątku bezpłatnego rdzenia znajdziesz w tekście, czy n8n jest darmowy. Jeśli chcesz wygodnie rozmawiać z modelem poza przepływami, dołóż interfejs czatu Open WebUI nad modelem model lokalny to nie wygoda, tylko kwestia kontroli - treść nie opuszcza Twojej infrastruktury. Dla polskojęzycznych zadań lokalną alternatywą bywa Bielik rozwijany przez SpeakLeash. Istnieją też platformy SaaS budujące agentów AI (jak Lindy czy Relevance AI), ale n8n w self-hoscie daje Ci kod u siebie, bez vendor lock-in i bez oddawania danych zewnętrznej platformie.
Jak działa agent AI w n8n krok po kroku
W skrócie: agent AI w n8n to przepływ, który zaczyna się od zdarzenia, przechodzi przez węzeł AI Agent i kończy konkretną akcją. Sekwencja wygląda tak:
- Trigger uruchamia przepływ - webhook, wiadomość na czacie albo harmonogram (cron).
- Węzeł AI Agent dostaje dane wejściowe i łączy model, system prompt, narzędzia oraz pamięć. Agent analizuje zadanie i decyduje, czy odpowiedzieć od razu, czy najpierw sięgnąć po narzędzie.
- Narzędzia (opcjonalnie) - agent wyszukuje dane, odpala inny workflow albo odpytuje bazę, jeśli uzna to za potrzebne. Może zrobić kilka takich kroków pod rząd, zanim ułoży odpowiedź.
- Akcja wyjściowa - wynik trafia tam, gdzie ma trafić: mail, wiersz w arkuszu Google Sheets, wiadomość w Slacku albo odpowiedź w czacie.
Tu pojawia się częste rozróżnienie: czym AI Agent różni się od LLM Chain. Konkret: Agent sam decyduje, których narzędzi użyć i w jakiej kolejności - jest elastyczny. LLM Chain to stały, liniowy łańcuch wywołań bez decyzji o narzędziach - jest przewidywalny. Do otwartych zadań ("obsłuż to zgłoszenie") wybierasz Agenta. Do powtarzalnego, sztywnego procesu ("streść każdy przychodzący tekst") wystarczy Chain, bo nie potrzebujesz, żeby model cokolwiek wybierał - ma po prostu wykonać ten sam ciąg kroków.
Trade-off między nimi sprowadza się do kontroli. Chain daje Ci pewność, że przepływ zawsze pójdzie tak samo. Agent daje sprawczość, ale kosztem przewidywalności - i dlatego przy agencie tym ważniejsze są limity i walidacja wyniku, o których piszę niżej.
Co zbudujesz z n8n i AI - przykłady
W praktyce warstwa AI w n8n sprawdza się wszędzie tam, gdzie trzeba zrozumieć tekst i zareagować. Oto najczęstsze scenariusze, od których zaczyna większość wdrożeń.
- Chatbot z bazą wiedzy (RAG) - łączysz trigger czatu (webhook lub Telegram) z węzłem AI Agent i własnymi dokumentami. Bot odpowiada na pytania na podstawie Twojej wiedzy, a nie ogólnej - dzięki temu nie zmyśla, tylko sięga do konkretnych treści firmy.
- Klasyfikacja i obsługa maili - agent czyta przychodzące zgłoszenia, taguje je według tematu i generuje draft odpowiedzi, który człowiek tylko zatwierdza. Skrzynka wsparcia przestaje być wąskim gardłem.
- Streszczanie i ekstrakcja danych - faktury, dokumenty czy transkrypcje wchodzą jako tekst, a wychodzą jako dane strukturalne gotowe do zapisu w arkuszu lub bazie. Koniec ręcznego przepisywania numerów i kwot.
- Agent researchowy - zbiera dane z kilku źródeł, porządkuje je i składa w raport bez ręcznego przeklejania. Uruchamiasz go cyklicznie i dostajesz gotowe podsumowanie na maila.
Akcent praktyczny: gdy podepniesz model lokalny przez Ollama, dane firmowe nie opuszczają Twojego serwera - to mocny argument za zgodnością z RODO przy przetwarzaniu umów czy danych klientów. Zamiast zaczynać od pustej kartki, sięgnij po gotowe szablony workflow AI, zamiast męczyć laptopa.
- Brak obsługi błędów modelu - timeout albo rate limit po stronie dostawcy zatrzyma cały przepływ, jeśli nie dodasz obsługi błędów (error handling). Zaplanuj, co dzieje się, gdy model nie odpowie.
- Prompt bez ograniczeń - model bywa skłonny do halucynacji, a agent przekaże taki wynik dalej bez walidacji. Dodaj krok sprawdzający, zanim dane trafią do akcji wyjściowej, zwłaszcza gdy wynik ląduje w bazie albo idzie do klienta.
- Mieszanie wrażliwych danych z modelem chmurowym - jeśli przepływ przetwarza umowy czy dane osobowe, rozważ model lokalny zamiast wysyłać treść do zewnętrznego dostawcy. Raz wysłanych danych nie cofniesz.
FAQ - najczęstsze pytania o n8n i AI
Czy n8n ma wbudowane AI?
Tak. n8n ma warstwę AI opartą o framework LangChain, z węzłami AI Agent, Chat Model, Memory i Tools. Podpinasz do nich model językowy - chmurowy lub lokalny - bez pisania kodu. Warstwa AI to integralna część platformy do automatyzacji, a nie osobny, dodatkowo płatny produkt.
Czym jest node AI Agent w n8n i co umożliwia?
Węzeł AI Agent łączy model językowy, system prompt, narzędzia (tools) i pamięć (memory) w jednym miejscu. Umożliwia agentowi samodzielne decydowanie, którego narzędzia użyć, by wykonać zadanie - na przykład odpowiedzieć, wyszukać dane czy odpalić inny workflow. To rdzeń budowania agentów AI w n8n.
Czy można używać n8n z AI za darmo?
Tak. Rdzeń n8n jest darmowy w self-hoscie na licencji fair-code, a podpięty lokalny model Ollama nie nalicza kosztu za tokeny. W tym wariancie płacisz wyłącznie za serwer, na którym stoi n8n i model. Koszty pojawiają się dopiero przy płatnych API chmurowych lub planie n8n Cloud.
Jaki model AI podpiąć do n8n?
Masz dwie drogi. Chmura (OpenAI, Anthropic Claude, Google Gemini, Mistral) to brak konfiguracji, ale opłata za tokeny i dane wychodzące do dostawcy. Lokalny Ollama na własnym serwerze daje prywatność i brak opłat za zapytania, lecz wymaga sprzętu z RAM lub GPU. Kryterium wyboru: wrażliwość danych i budżet.
Jaka jest różnica między AI Agent a LLM Chain?
Agent sam wybiera, których narzędzi użyć i w jakiej kolejności, więc jest elastyczny przy otwartych zadaniach. LLM Chain to stały, liniowy łańcuch wywołań bez decyzji o narzędziach, więc jest przewidywalny przy powtarzalnym procesie. Agenta wybierasz do złożonych zadań, Chain do prostych i powtarzalnych.
Czy da się zbudować chatbota w n8n?
Tak. Łączysz trigger czatu (webhook lub Telegram) z węzłem AI Agent oraz pamięcią i bazą wiedzy w modelu RAG. Bot odpowiada na podstawie Twoich dokumentów, a nie wiedzy ogólnej. Gotowe przepływy znajdziesz w bibliotece szablonów n8n - importujesz je i dostosowujesz pod własną bazę wiedzy.
Od czego zacząć z n8n i AI
W skrócie: zacznij od jednego prostego przepływu - trigger, węzeł AI Agent, jedna akcja wyjściowa - zanim zbudujesz złożonego agenta z wieloma narzędziami. Najpierw przetestuj model chmurowy (szybki start), a gdy poczujesz, jak to działa, przesiądź się na model lokalny dla prywatności i braku kosztu zapytań.
Konkret: jeśli chcesz uruchomić n8n z lokalnym modelem AI, najpierw sprawdź jaki VPS udźwignie n8n i lokalny LLM](/artykul/ollama), żeby nie zaczynać od pustej kartki. Tyle wystarczy, by przejść od teorii do działającego agenta na własnym serwerze.
