n8n долгое время воспринимали как «бесплатный Zapier с открытым кодом». Но с релизом пакета LangChain-узлов (@n8n/n8n-nodes-langchain) он стал одним из самых удобных способов собрать AI-агента без единой строчки backend-кода: агент с доступом к 400+ интеграциям, памятью в векторной базе и триггерами от Telegram, почты или CRM. Главный козырь — self-hosted бесплатно и без лимитов на количество запусков. Этот гайд проводит от установки до рабочего агента в продакшене.

# 1. Почему n8n для AI-агентов

Сравним n8n с прямыми конкурентами. Dify и Flowise заточены под RAG и быстрые прототипы, но слабее в интеграциях с внешними системами. LangGraph даёт максимальный контроль, но требует писать код. n8n занимает середину: визуальный конструктор + 400+ готовых коннекторов + опциональные JS-блоки. Для бизнес-задач — агент в поддержке, который тянет данные из CRM, ищет в базе знаний и отвечает клиенту в Telegram — n8n часто выигрывает по скорости запуска.

Ключевое преимущество — self-hosted. Вы платите только за API-ключ LLM, а не за подписку платформы и не за каждый запуск. При объёме в тысячи запросов в день это экономит от сотни долларов в месяц. Облако n8n Cloud стартует от $24/мес за аккаунт, но лимитирует количество execution.

# 2. Установка через Docker

Самый надёжный способ — Docker. Один compose-файл поднимает сам n8n и Postgres для хранения воркфлоу и креденшелов. Для self-hosted это обязательная связка: без Postgres n8n хранит всё в SQLite и плохо переживает рестарты.

# docker-compose.yml
services:
  n8n:
    image: n8nio/n8n
    ports:
      - "5678:5678"
    environment:
      - DB_TYPE=postgresdb
      - DB_POSTGRESDB_HOST=postgres
      - N8N_DIAGNOSTICS_ENABLED=false
      - GENERIC_TIMEZONE=Europe/Moscow
    depends_on:
      - postgres
  postgres:
    image: postgres:16
    environment:
      - POSTGRES_USER=n8n
      - POSTGRES_PASSWORD=strongpass
      - POSTGRES_DB=n8n

docker compose up -d
# интерфейс: http://localhost:5678 — создайте владельца (owner account)

# 3. Первый AI-агент: узел AI Agent

Создайте новый workflow и перетащите на холст узлы в цепочке: Trigger (Chat или Webhook) → AI Agent → ответ. В настройках AI Agent выберите модель (OpenAI, Anthropic или любая через OpenAI-совместимый API) и укажите системный промпт. Важно: именно этот промпт определяет поведение агента — чем точнее инструкция и ограничения, тем стабильнее результат.

# системный промпт агента поддержки (поле System Message)
Ты — ассистент поддержки. Отвечай кратко и по делу.
Если не знаешь ответ — честно скажи об этом и предложи
написать человеку. Не выдумывай данные. Используй инструменты,
только когда это необходимо.

Чтобы агент умел что-то делать, а не только болтать, подключите инструменты через дочерние узлы (Tools). Это могут быть HTTP Request, поиск по базе, Google Sheets или JavaScript-узел. Агент сам решит, какой инструмент вызвать, на основе описания узла.

# 4. Память и RAG по своим документам

Чтобы агент отвечал по вашей базе знаний, добавьте векторное хранилище. n8n поддерживает Qdrant, Pinecone, pgvector и даже in-memory store для тестов. Схема классическая: загрузили документы → разбили на чанки → посчитали эмбеддинги → положили в векторную БД → агент на каждый вопрос ищет релевантные фрагменты и отвечает с опорой на них.

# воркфлоу RAG: узлы в цепочке
# Read Binary Files → Text Splitter → Embeddings → Qdrant (upsert)
# затем в цепочке агента: Qdrant Vector Store (retrieve) как Tool

# параметры Text Splitter (рекомендуемые для русских текстов)
chunkSize: 1000
chunkOverlap: 200

Ключевой нюанс для русского языка: модель эмбеддингов должна хорошо работать с кириллицей. Берите OpenAI text-embedding-3-large или открытый intfloat/multilingual-e5-large. Эмбеддинг-узел настраивается один раз, а затем переиспользуется во всех RAG-воркфлоу.

# 5. Рабочий шаблон: Telegram-бот с RAG

Соберём полный сценарий: пользователь пишет боту → агент ищет ответ в базе знаний → отвечает. Триггер — Telegram Trigger, финал — отправка сообщения обратно. Вот упрощённый экспорт воркфлоу (JSON), который можно импортировать в n8n через меню «Import from Clipboard».

{
  "nodes": [
    {
      "name": "Telegram Trigger",
      "type": "n8n-nodes-base.telegramTrigger",
      "parameters": { "updates": ["message"] }
    },
    {
      "name": "AI Agent",
      "type": "@n8n/n8n-nodes-langchain.agent",
      "parameters": {
        "promptType": "define",
        "text": "={{ $json.message.text }}"
      }
    },
    {
      "name": "Telegram Send",
      "type": "n8n-nodes-base.telegram",
      "parameters": { "text": "={{ $json.output }}" }
    }
  ],
  "connections": {
    "Telegram Trigger": { "main": [[{ "node": "AI Agent" }]] },
    "AI Agent": { "main": [[{ "node": "Telegram Send" }]] }
  }
}

# 6. JavaScript-узел: кастомная логика

Когда готовых узлов не хватает, вставляйте Code-узел. Например, перед отправкой ответа очистите его от лишних пробелов и обрежьте до лимита Telegram (4096 символов), чтобы сообщение не падало с ошибкой.

// Code-узел: нормализация ответа агента
const raw = $json.output ?? $json.text;
const clean = raw.trim().slice(0, 4096);
return [{ json: { output: clean } }];

# 7. Деплой в продакшен и стоимость

Для продакшена вынесите n8n за обратный прокси с HTTPS, настройте резервное копирование Postgres и включите ограничение на выполнение (workflow timeout). Self-hosted вариант обойдётся в стоимость VPS (от $5/мес) плюс токены LLM — это главная статья расходов. Облако n8n Cloud избавляет от администрирования, но тарифицирует и подписку, и объём executions.

# 8. Отладка и типичные ошибки

Большинство проблем в n8n-воркфлоу сводится к трём вещам: неправильная ссылка на данные (синтаксис $json), неверные креденшелы и забытый timeout. Отлаживайте по шагам: включите «Execute Node» на каждом узле, смотрите вкладку Output, и только потом гоняйте весь воркфлоу. Логи и историю запусков смотрите через Execution History — там видно, на каком узле упало и с какой ошибкой.

Самые частые ошибки: webhook не срабатывает, потому что узел в состоянии «inactive» (включите его тумблером Active); агент «выдумывает» данные — значит не хватает инструментов или промпт слишком свободный; ответы пустые — проверьте маппинг полей между узлами (обычно нужен $json.output, а не $json.text). Для быстрой проверки webhook снаружи используйте curl:

# протестировать Webhook-узел из консоли
curl -X POST http://localhost:5678/webhook-test/abc123 \
     -H 'Content-Type: application/json' \
     -d '{"message":"привет"}'

# посмотреть логи контейнера в реальном времени
docker logs -f n8n

# 9. n8n против Zapier, Make и Dify

Выбор платформы зависит от того, что важнее: глубина AI-возможностей или широта интеграций. Zapier и Make сильны в no-code интеграциях, но AI-агенты там ограничены. Dify и Flowise — наоборот, заточены под LLM и RAG, но слабее в подключении внешних систем. n8n — единственный, кто закрывает обе задачи в self-hosted виде без лимитов.

Итог простой: нужен AI-агент, встроенный в рабочие процессы с CRM, почтой, таблицами и мессенджерами, без ежемесячной платы за платформу — берите n8n. Нужен только RAG-чат по документам — Dify или Flowise будет быстрее. Нужны тысячи готовых SaaS-интеграций без хостинга — Zapier.

# 10. Безопасность self-hosted

Self-hosted n8n — это ваш сервер, и его безопасность целиком на вас. Четыре обязательных правила: закрыть панель за HTTPS через обратный прокси (Caddy или nginx с Let's Encrypt), включить Basic Auth или SSO для доступа к интерфейсу, не хранить API-ключи в воркфлоу (используйте переменные окружения и встроенное хранилище Credentials), и ограничить исходящий доступ n8n только нужными хостами. Регулярно обновляйте образ — в n8n периодически находят уязвимости, и свежая версия закрывает их автоматически.

# обновление self-hosted n8n до последней версии
docker compose pull n8n
docker compose up -d n8n

# 11. FAQ: частые вопросы

n8n действительно бесплатный? Self-hosted версия — да, полностью, включая LangChain-узлы и без лимитов на запуски. Платите только за VPS и токены LLM. Платная лицензия нужна лишь для enterprise-фич вроде SSO и аудит-логов.

Какая модель лучше для агента? Для большинства задач хватает gpt-4o-mini или claude-3-5-haiku — они дёшевы и быстры. Тяжёлую логику и сложные промпты отдавайте gpt-4o или claude-sonnet. n8n позволяет переключать модель на лету, не меняя воркфлоу.

Нужен ли мне Python? Нет. 90% задач решаются визуальными узлами и JavaScript-блоками. Python пригодится только если вы пишете собственные кастомные узлы.

Можно ли использовать локальные LLM? Да. Через OpenAI-совместимый API n8n подключается к Ollama или LM Studio — бесплатные модели вроде Llama и Qwen работают для простых агентов, хотя по качеству уступают gpt-4o и claude. Это удобно для тестов и задач, где данные нельзя отдавать наружу.