n8n AI Agents – jak zbudować multi-agent system

Agent AI to nie chatbot, który odpowiada na pytania. To system, który sam decyduje co zrobić, używa narzędzi, sprawdza wyniki i podejmuje kolejne kroki – bez Twojej interwencji. W n8n budujesz go wizualnie, bez pisania kodu. Ten tutorial pokazuje jak.

TL;DR

• Agent AI w n8n = AI Agent node (LangChain) + LLM + Tools + Memory
• Agent sam planuje kroki, wywołuje narzędzia (API, bazy, wyszukiwanie) i sprawdza wyniki
• Multi-agent = kilku agentów specjalizujących się w różnych zadaniach, koordynowanych przez supervisora
• n8n to jedyna platforma no-code z natywnym wsparciem dla agentów AI na poziomie produkcyjnym

Szukasz szerszego kontekstu? Zacznij od kompletnego poradnika n8n lub Agenci AI w praktyce.

Czym jest agent AI (i czym nie jest)

Agent AI to program, który:

• Otrzymuje cel (np. „znajdź najtańszy lot do Lizbony na przyszły weekend")
• Sam planuje kroki do osiągnięcia celu
• Używa narzędzi (API, bazy danych, wyszukiwanie)
• Sprawdza wyniki i koryguje plan
• Zwraca odpowiedź lub wykonuje akcję

Agent AI to NIE jest:

• Chatbot z gotowymi odpowiedziami
• Proste „wyślij prompt → dostań tekst"
• Magiczne rozwiązanie na wszystko

Kluczowa różnica: zwykły workflow LLM to linia prosta (prompt → odpowiedź). Agent to pętla decyzyjna – LLM analizuje sytuację, wybiera narzędzie, sprawdza wynik, decyduje co dalej.

Architektura agenta AI w n8n

Każdy agent w n8n składa się z czterech warstw:

1. Trigger – co uruchamia agenta

• Chat Trigger – wiadomość od użytkownika (chatbot)
• Webhook – żądanie HTTP z zewnętrznego systemu
• Schedule – harmonogram (np. codziennie o 8:00)
• Inny workflow – sub-workflow wywołany przez agenta-supervisora

2. AI Agent node – mózg

To centralny node, oparty na LangChain. Otrzymuje zadanie i decyduje jakie narzędzia wywołać, w jakiej kolejności, ile razy.

Pod spodem AI Agent node implementuje ReAct pattern (Reasoning + Acting):

1. Myślenie – LLM analizuje zadanie
2. Działanie – wywołuje wybrane narzędzie
3. Obserwacja – analizuje wynik
4. Powtórzenie – decyduje czy cel osiągnięty, jeśli nie – wraca do kroku 1

3. Sub-nody – LLM, pamięć, narzędzia

Do AI Agent node podłączasz:

LLM (wymagany):

• OpenAI (GPT-4o, GPT-4 Turbo)
• Anthropic Claude (Claude 4.5 Sonnet, Opus)
• Google Gemini
• Ollama (lokalne modele)
• Groq, Mistral, Cohere

Memory (opcjonalny):

• Buffer Memory – zapamiętuje ostatnie N wiadomości
• Window Memory – okno kontekstu
• Summary Memory – LLM streszcza dotychczasową rozmowę

Tools (kluczowe):

• HTTP Request – wywołaj dowolne API
• Code – napisz własną logikę w JS/Python
• Calculator – obliczenia matematyczne
• Wikipedia / Web Search – wyszukiwanie w internecie
• Vector Store – wyszukiwanie w bazie wiedzy (RAG)
• Workflow Tool – wywołaj inny workflow jako narzędzie
• AI Agent Tool – wywołaj innego agenta (multi-agent!)

4. Output – co agent robi z wynikiem

• Odpowiada użytkownikowi (chat)
• Wysyła email/Slack
• Zapisuje do bazy danych
• Wywołuje kolejny workflow

Tutorial: prosty agent AI krok po kroku

Zbudujmy agenta, który odpowiada na pytania o pogodę i kalkuluje koszty podróży.

Krok 1: Stwórz workflow

Otwórz n8n → Add workflow → nazwij „Weather Travel Agent".

Krok 2: Dodaj Chat Trigger

Dodaj node Chat Trigger – to punkt wejścia. Użytkownik pisze pytanie w chacie n8n.

Krok 3: Dodaj AI Agent

Dodaj node AI Agent (z pakietu LangChain). Podłącz do Chat Trigger.

W ustawieniach agenta:

• System prompt: „Jesteś asystentem podróży. Pomagasz z pogodą i kosztami. Odpowiadaj po polsku."

Krok 4: Podłącz LLM

Dodaj sub-node OpenAI Chat Model (lub Claude, Gemini):

• Model: gpt-4o
• Temperature: 0.3 (niższa = bardziej precyzyjny)

Krok 5: Dodaj narzędzia

Tool 1 – HTTP Request (pogoda):

• URL: https://wttr.in/{{city}}?format=j1
• Opis narzędzia: „Pobiera aktualną prognozę pogody dla podanego miasta"

Tool 2 – Calculator:

• Dodaj node Calculator jako tool
• Agent użyje go do obliczeń kosztów

Tool 3 – Code (konwersja walut):

• Napisz prostą funkcję przeliczającą EUR/PLN
• Opis: „Przelicza kwotę z EUR na PLN"

Krok 6: Dodaj Memory

Dodaj sub-node Window Buffer Memory – agent pamięta kontekst rozmowy (ostatnie 10 wiadomości).

Krok 7: Testuj

Kliknij Chat w prawym dolnym rogu. Napisz: „Jaka pogoda w Lizbonie? Ile kosztuje lot z Warszawy?"

Agent powinien:

1. Wywołać HTTP Request z city=Lisbon
2. Przeanalizować odpowiedź pogodową
3. Użyć wiedzy o cenach lotów (z kontekstu LLM) lub wyszukiwarki
4. Odpowiedzieć w naturalnym języku po polsku

RAG – agent z bazą wiedzy

RAG (Retrieval Augmented Generation) to technika, która pozwala agentowi odpowiadać na pytania na podstawie Twoich dokumentów – nie tylko wiedzy ogólnej LLM.

Jak działa RAG w n8n

1. Załaduj dokumenty – PDF, strony www, pliki tekstowe
2. Podziel na fragmenty (chunking) – node Text Splitter
3. Stwórz embeddings – node Embeddings (OpenAI, Cohere)
4. Zapisz w vector store – Pinecone, Qdrant, Supabase, Chroma
5. Agent wyszukuje – node Vector Store Tool jako narzędzie agenta
6. LLM generuje odpowiedź na podstawie znalezionych fragmentów

Kiedy RAG

• Chatbot odpowiadający na pytania o Twój produkt/usługę
• Wewnętrzny asystent firmowy (dokumentacja, procedury)
• Analiza dużych zbiorów dokumentów
• Support techniczny oparty na bazie wiedzy

Multi-agent – orkiestracja wielu agentów

Pojedynczy agent ma ograniczenia – jeden system prompt, jeden zestaw narzędzi. Gdy zadanie jest złożone, lepiej użyć wielu wyspecjalizowanych agentów.

Architektura Supervisor

Supervisor – agent koordynujący, który rozdziela zadania do wyspecjalizowanych agentów.

Agenci specjalistyczni – każdy ma własny system prompt, narzędzia i cel:

• Research Agent – wyszukuje informacje w internecie i bazach danych
• Writer Agent – pisze treści na podstawie researchu
• Reviewer Agent – sprawdza jakość i sugeruje poprawki

Jak zbudować multi-agent w n8n

1. Stwórz workflow dla każdego agenta (osobne sub-workflows)
2. Supervisor workflow używa Workflow Tool lub AI Agent Tool do wywoływania agentów
3. Supervisor otrzymuje zadanie → deleguje do odpowiedniego agenta → zbiera wyniki → podsumowuje

Przykład: Multi-agent do content creation

1. Trigger: użytkownik podaje temat artykułu
2. Supervisor: analizuje temat, planuje kroki
3. Research Agent: wyszukuje dane w internecie (Web Search tool)
4. Outline Agent: tworzy strukturę na podstawie researchu
5. Writer Agent: pisze tekst na podstawie outline'u
6. Editor Agent: poprawia styl, sprawdza fakty
7. Output: gotowy artykuł w Notion/Google Docs

Każdy agent to osobny workflow z własnym system promptem i narzędziami. Supervisor koordynuje sekwencję.

Best practices dla agentów AI

1. Jasny system prompt

Im precyzyjniejszy system prompt, tym lepsze wyniki. Definiuj:

• Rolę agenta („Jesteś analitykiem finansowym")
• Ograniczenia („Odpowiadaj tylko na podstawie dostarczonych danych")
• Format wyjścia („Zwracaj wynik jako JSON z polami: summary, confidence, sources")

2. Mniej narzędzi = lepiej

Agent z 3 narzędziami działa lepiej niż agent z 15. LLM łatwiej wybiera z mniejszego zestawu. Jeśli potrzebujesz wielu narzędzi – użyj multi-agent.

3. Opisz narzędzia precyzyjnie

Opis narzędzia to instrukcja dla LLM. Nie pisz: „Pobiera dane". Pisz: „Pobiera aktualną prognozę pogody dla podanego miasta. Parametr: nazwa miasta w języku angielskim. Zwraca: temperaturę (°C), opis pogody, wilgotność."

4. Dodaj Human-in-the-Loop

Dla krytycznych operacji (wysyłanie maili, modyfikacja danych, płatności) dodaj node z zatwierdzeniem człowieka. Agent proponuje akcję → czekasz na approval → dopiero wtedy wykonuje.

5. Loguj wszystko

Dodaj node zapisujący: input agenta, wywołane narzędzia, odpowiedzi LLM, finalny output. Gdy coś pójdzie źle – masz pełen trail do debugowania.

6. Ustaw limity

• Max iterations – ile razy agent może wywołać narzędzie (domyślnie 10, ustaw 5-15)
• Timeout – max czas wykonania
• Token budget – kontrola kosztów LLM

Koszty agentów AI

Agenci wywołują LLM wielokrotnie w jednej sesji. Koszty mogą rosnąć szybko.

Jak optymalizować:

• Używaj tańszych modeli do prostych kroków (GPT-4o-mini, Claude Haiku)
• Cachuj odpowiedzi powtarzalnych zapytań
• Ogranicz max iterations
• Rozważ lokalne modele (Ollama) dla niekrytycznych zadań

FAQ

Czy mogę zbudować agenta AI bez programowania?

Tak – n8n pozwala budować agentów wizualnie, drag-and-drop. Potrzebujesz jedynie konta OpenAI/Anthropic i instancji n8n. Ale rozumienie fundamentów (LLM, prompting, API) bardzo pomaga.

Agent AI vs workflow – kiedy co?

Workflow gdy znasz dokładnie kroki (A → B → C). Agent gdy kroki zależą od kontekstu i danych – agent sam decyduje co zrobić na podstawie sytuacji.

Jaki model LLM do agentów?

GPT-4o lub Claude 4.5 Sonnet – najlepsze do tool calling. Do prostszych agentów wystarczy GPT-4o-mini. Lokalne modele (Llama 3.3) działają, ale tool calling jest mniej niezawodny.

Czy n8n jest jedyną platformą do agentów?

Nie – alternatywy to LangGraph (kod Python), CrewAI, AutoGen. Ale n8n jest jedyną platformą no-code z natywnym wsparciem agentów na poziomie produkcyjnym.

Podsumowanie

Agenci AI w n8n to nie przyszłość – to teraźniejszość. Fraza „n8n AI agent" eksploduje w Google Trends, a polskiego contentu niemal nie ma.

Twoje następne kroki:

1. Zainstaluj n8n – poradnik instalacji
2. Zbuduj prostego agenta – Chat Trigger + AI Agent + 2 tools + Memory
3. Dodaj RAG – załaduj swoje dokumenty do vector store
4. Skaluj do multi-agent – wydziel specjalistów do osobnych sub-workflows
5. Produkcja – dodaj HITL, logi, limity i monitoring

Jeśli chcesz podłączyć LLM do workflow bez pełnego agenta, zacznij od n8n + OpenAI – integracja LLM. Szerszy kontekst o agentach AI (nie tylko n8n): Agenci AI w praktyce.