n8n Grundlagen: Schulung zu KI-Agenten und Automatisierung

Einführung: KI-Agenten und n8n

• Workflow oder Agent: feste Abfolge gegenüber einer Schleife aus Planen, Werkzeugaufruf und Prüfen
• Woran man einen echten Agenten erkennt: Ziel, Werkzeuge, Gedächtnis, Abbruchbedingung
• Architektur LLM-basierter Systeme: Modell, Kontext, Werkzeuge, Speicher und Orchestrierung
• Einsatzszenarien im Pre-Sales: Anfragen qualifizieren, Angebote vorbereiten, Rückfragen klären
• Weitere Szenarien im Business-Kontext: Support vorsortieren, Recherche, interne Wissensabfragen
• n8n als Automatisierungsplattform: Knoten, Trigger, Credentials, Ausführungen
• n8n Cloud oder Self-Hosting, Sustainable Use License und Funktionsumfang der Editionen
• Tool-basierte Agentenlogik: Das Modell wählt Werkzeug und Argumente, n8n führt den Aufruf aus
• Grenzen und Risiken: erfundene Werte, falsche Werkzeugwahl, Endlosschleifen, unerwartete Kosten
• Zielbild eines produktionsreifen Agenten: getestet, überwacht, in seinen Rechten begrenzt, dokumentiert
• Einordnung der Schwesterseminare: lokale Modelle mit Ollama, Berichtsautomatisierung mit n8n

Der erste AI Agent in n8n

• Einfachen Agenten-Workflow aufbauen: Chat Trigger, AI-Agent-Knoten und Chat-Model-Unterknoten
• LLM Ihrer Wahl anbinden: OpenAI, Anthropic, Google Gemini, Mistral oder ein lokales Modell
• Modell nach Aufgabe wählen: Zuverlässigkeit bei Werkzeugaufrufen, Kontextlänge, Kosten, Datenstandort
• Systemnachricht des Agenten: Rolle, Regeln, Ausgabeformat und Verhalten bei Unklarheit
• Gesprächsverlauf speichern: Simple Memory für Tests, Postgres oder Redis im Betrieb
• Retrieval vorbereiten: Dokumente zerlegen, Embeddings erzeugen, in einem Vector Store ablegen
• Wissensabfragen als Werkzeug des Agenten: Qdrant, PGVector oder Supabase anbinden
• Erste Tool-Anbindung: HTTP Request Tool für eine interne Produkt- oder Kunden-API
• Stabile Ergebnisse: Structured Output Parser mit JSON-Schema statt frei formulierter Antwort
• Mit realistischen Anfragen im Chat-Fenster des Editors testen
• Debugging: Eingaben, Werkzeugaufrufe und Modellantworten je Schritt in der Ausführung prüfen
• Schneller iterieren mit angehefteten Testdaten (Pinning) und Teilausführungen

Vom einfachen Bot zum Assistenten: Werkzeuge und MCP

• Agentic Tool Use: wie der Agent Werkzeuge auswählt, aufruft und das Ergebnis auswertet
• Konzept von MCP: Werkzeuge externer MCP-Server im Agenten nutzen (MCP Client Tool)
• Eigene n8n-Workflows über den MCP Server Trigger als Werkzeuge bereitstellen
• Preisberechnungstool als Unter-Workflow mit festen Regeln statt Rechnen im Modell
• Unter-Workflows als Werkzeuge einbinden: Parameter, Beschreibung, Rückgabeformat
• Angebotslogik abbilden: Positionen, Rabattstaffeln, Mindestmengen, Gültigkeitsdauer
• Dokumente aus Templates erzeugen: Google-Docs- oder HTML-Vorlage füllen, als PDF ablegen
• Externe Services integrieren: E-Mail über Gmail oder Outlook, CRM, Kalender
• Mehrere Tools im Agenten orchestrieren: eindeutige Beschreibungen, Abhängigkeiten, Reihenfolge
• Code Tool für kleine Berechnungen und Formatierungen in JavaScript oder Python
• Entscheidungslogik steuern: Switch und If vor dem Agenten, Text Classifier für das Routing
• Agent oder feste Kette: Basic LLM Chain und Information Extractor, wo kein Agent nötig ist

Automatisierung realer Prozesse

• Geschäftsprozesse auf Agentenlogik abbilden: Auslöser, Entscheidungen, Werkzeuge, Übergaben
• Prozessaufnahme: welche Schritte deterministisch bleiben und wo das Modell entscheidet
• Dynamische Angebotserstellung aus Anfrage-E-Mail, Preisliste und Kundenhistorie
• Personalisierte Kundenkommunikation: Tonalität, Sprache, Bezug auf frühere Kontakte
• Versandfertige E-Mails generieren und zunächst als Entwurf im Postfach ablegen
• Interne Datenquellen nutzen: Datenbanken, Tabellen, CRM und Data Tables in n8n
• Umgang mit Unsicherheiten im Output: Rückfragen, Weiterleitung an einen Menschen, Abbruch
• Validierungsmechanismen: Schema prüfen, Pflichtfelder, Plausibilitätsregeln für Preise und Mengen
• Fehlerausgänge der Knoten nutzen und abgelehnte Datensätze in eine Prüfliste schreiben

Testing, Evaluation und Optimierung

• Teststrategien für KI-Agenten: Werkzeuge einzeln, Agent mit festen Daten, durchgehende Szenarien
• Erfolgskriterien definieren: richtige Werkzeugwahl, korrekte Preise, Tonalität, Antwortzeit
• Testdatensatz mit realistischen Anfragen und erwarteten Ergebnissen anlegen
• Evaluations in n8n: Evaluation Trigger, Metriken und Laufvergleich; Community Edition nur registriert und eingeschränkt
• Iterative Verbesserung: Rückmeldungen aus dem Vertrieb als neue Testfälle aufnehmen
• Fehlverhalten analysieren: falsches Werkzeug, erfundene Werte, abgebrochene oder endlose Schleifen
• Prompt-Tuning und Tool-Anpassung: Systemnachricht und Werkzeugbeschreibungen gezielt ändern
• Reale Use Cases simulieren: unvollständige, widersprüchliche und fachfremde Anfragen
• Performance-Optimierung: Iterationen, Kontextgröße und Tokenverbrauch je Lauf senken

Produktionsreife erreichen

• Anforderungen an Deployment: n8n Cloud oder Self-Hosting mit Docker und PostgreSQL
• Skalierung im Queue Mode: Redis, Worker-Prozesse und eigene Webhook-Prozesse
• Monitoring und Observability: Ausführungsliste, Insights, Health-Check und Prometheus-Metriken
• Logging und Nachvollziehbarkeit: Ausführungsdaten speichern, Aufbewahrungsdauer festlegen
• Fehlerhandling in produktiven Systemen: Fehler-Workflow mit Error Trigger, Wiederholungen, Timeouts
• Kostenkontrolle bei LLM-Nutzung: Tokens je Ausführung, günstigere Modelle für Teilaufgaben, Limits
• Continuous Improvement: Änderungen erst nach Lauf über den Testdatensatz übernehmen
• Workflows versionieren: Workflow-Historie, Export als JSON, ab Business-Plan Git und getrennte Umgebungen
• Architekturentscheidungen für den Betrieb: Agent, Unter-Workflows, externe Dienste, eigene API

Governance, Sicherheit und Compliance

• Datenschutz: personenbezogene Daten minimieren, Auftragsverarbeitung mit Modellanbietern
• Sensible Daten: Datenstandort und Aufbewahrung beim Anbieter, wann lokale Modelle nötig sind
• Zugriffskontrollen und Rollenmodelle: Projekte, Rollen und geteilte Credentials ab Business-Plan
• Sicherheitskonzepte: Verschlüsselungsschlüssel der Credentials sichern, Webhooks authentifizieren
• Risiken autonomer Entscheidungen: was der Agent selbst erledigen darf und was nie
• Compliance-Anforderungen: DSGVO, Transparenzpflichten der KI-Verordnung, interne Richtlinien
• Human-in-the-Loop: Freigabe per E-Mail, Slack oder Teams mit „Send and Wait for Response“
• Dokumentation und Auditierbarkeit: Workflow-Beschreibung, Notizen im Canvas, Ausführungsprotokolle

n8n-Agenten absichern: Freigaben, Werkzeugrechte, manipulierte Anfragen

• Angebot und Begleitmail erst nach Bestätigung im Chat oder per Slack auslösen
• Prompt Injection über eingehende Anfrage-E-Mails: Wünsche im Mailtext nie als Befehl an den Agenten werten
• Jedem Werkzeug eigene Credentials geben, CRM und Preisliste nur lesend anbinden
• Max Iterations des AI-Agent-Knotens begrenzen, Rabattobergrenze fest im Preiswerkzeug prüfen
• Manipulationsversuche als Testfälle: überhöhter Rabatt, Preisliste eines anderen Kunden
• Workflow-JSON aus n8n mit Claude Code ändern, Diff im Git-Repository prüfen, dann importieren

Praxisprojekt: Angebotsagent für einen Zelt- und Eventverleih

• Anfrage-E-Mail auswerten: Termin, Gästezahl, Zeltgröße, Zubehör und Aufbauort
• Verfügbarkeit aus dem Lagerbestand, Mietpreis und Transportpauschale über Unter-Workflows
• Angebot als PDF aus der Vorlage, Begleitmail als Entwurf zur Freigabe
• Abnahme mit 20 Testanfragen und Evaluation von Preis und Werkzeugwahl