So bauen Sie einen AI Agent mit n8n
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
n8n ist eine Plattform für Workflow-Automatisierung, die Sie selbst hosten oder in der Cloud betreiben können. Seit 2024 bringt sie einen eigenen AI Agent Node mit, mit dem Sie Agents auf derselben visuellen Arbeitsfläche bauen wie jeden anderen Workflow. Sie ziehen den AI Agent Node auf die Fläche, verbinden ein Chat-Modell, ein oder mehrere Tools und (meist) eine Memory-Komponente. Danach übergibt n8n dem Modell dieses Toolset und lässt es entscheiden, was es in welcher Reihenfolge aufruft. Das Besondere an n8n gegenüber den meisten Agent-Buildern: Die Plattform steht unter Fair-Code-Lizenz und lässt sich selbst hosten. Deshalb starten oft Teams hier, denen die Hoheit über Daten und Infrastruktur wichtig ist.
Dieser Leitfaden behandelt, warum Teams n8n für Agent-Projekte wählen, woraus der AI Agent Node genau besteht, einen vollständigen Bauablauf, ein Praxisbeispiel, reale Kosten und Grenzen sowie die Fälle, in denen n8n die falsche Wahl ist.
Warum Teams Agents in n8n bauen
n8n besetzt einen klaren Platz in der Landschaft der Agent-Plattformen: mehr Kontrolle als ein reiner No-Code-Builder, weniger Aufwand als ein Agent von Grund auf in Code. Drei Dinge machen das aus.
Es ist Fair-Code, nicht ausschließlich proprietäres SaaS. n8n steht unter der eigenen Sustainable Use License, ist quelloffen einsehbar und kostenlos selbst hostbar. Eine kostenpflichtige Enterprise License liefert die Funktionen, die größere Teams brauchen (SSO, Umgebungen, erweiterte Berechtigungen). Für einen Business-Agent ist das besonders wichtig: Beim Self-Hosting müssen Ihre Daten, also Ticketinhalte und Kundendatensätze, die Infrastruktur unter Ihrer Kontrolle nie verlassen.
Es verbindet visuelles Bauen mit echtem Code. Der größte Teil eines Workflows besteht aus Drag-and-drop-Nodes. Reichen die integrierten Tools des AI Agent Node nicht aus, setzen Sie einen Code Node ein und schreiben JavaScript oder Python direkt in derselben Arbeitsfläche. Für einen Sonderfall, an dem ein reines No-Code-Tool Sie ausbremsen würde, müssen Sie die Plattform nicht verlassen.
Die AI-Schicht ist nativ, nicht aufgesetzt. Der AI Agent Node basiert auf LangChain. Dazu liefert n8n inzwischen mehr als 400 Integrationen sowie Memory, Evaluierungs-Tooling und Multi-Agent-Orchestrierung, also genau die Schichtung, die in Muster stapeln, um AI Agents zu bauen beschrieben ist. Das ist kein Chatbot, der an ein Workflow-Tool angeflanscht wurde, sondern eine Agent-Laufzeit mit einem Workflow-Tool drumherum.
Die Nachfrage nach dieser Art Plattform ist real: n8n [sammelte in einer von Accel angeführten Series C 180 Millionen \(ein](https://blog.n8n.io/series-c/), im Oktober 2025 bei einer Bewertung von 2,5 Milliarden\). Damals meldete das Unternehmen mehr als 230.000 aktive Nutzer und über 40 Millionen $ Annual Recurring Revenue, getragen vor allem von Teams, die Agents bauen statt einfacher Wenn-dann-Automatisierungen.
Woraus der AI Agent Node besteht
Der AI Agent Node unterscheidet sich vom schlichten LLM-Node von n8n, der einen Input annimmt und einen Output zurückgibt. Der Agent Node gibt dem Modell eine Liste von Tools und die Kontrolle über den Loop: Es kann ein Tool aufrufen, das Ergebnis lesen, ein weiteres Tool aufrufen und so lange weitermachen, bis es eine Antwort hat. Dieser Loop ist derselbe Zyklus aus Überlegen, Handeln und Beobachten, der in wie AI Agents schlussfolgern behandelt wird.
| Komponente | Was sie leistet | Ihre Optionen |
|---|---|---|
| Chat Model | Das LLM, das das Schlussfolgern des Agents antreibt | OpenAI, Google Gemini, Anthropic, DeepSeek, Groq, Azure OpenAI und weitere über Community Nodes |
| Tools | Was der Agent tatsächlich tun kann, nicht nur sagen | Jeder n8n Node als Tool verpackt, ein HTTP Request an eine API, ein Sub-Workflow oder ein externer MCP-Server |
| Memory | Was er zwischen Nachrichten behält | Simple Memory (nur pro Session, wird beim Neustart gelöscht), Postgres Chat Memory (persistent, nach Session-ID geordnet) oder andere Memory Nodes |
Sie müssen mindestens ein Tool verbinden, damit der Agent Node mehr kann als reden. Das ist dieselbe Unterscheidung wie in wie AI Agents Tools nutzen: Ein Modell ohne Tools kann nur Text erzeugen, und Text zu erzeugen ist etwas anderes, als auf Ihren Systemen zu handeln.
Memory sollten Sie früh richtig aufsetzen. Simple Memory reicht für eine Demo, ist aber flüchtig und verschwindet bei Neustart oder Redeploy. Alles, was kundennah oder langlebig ist (etwa ein Support-Thread, der sich über Tage hinzieht), braucht Postgres Chat Memory oder einen gleichwertigen persistenten Speicher, also die Unterscheidung zwischen Arbeitsgedächtnis und dauerhaftem Gedächtnis aus AI Agent Memory.
Außerdem können Sie einen Vector-Store-Node anbinden, damit der Agent in Ihren eigenen Dokumenten recherchieren kann, das RAG-Muster, das ausführlich in RAG für AI Agents behandelt wird. Nicht jeder Agent braucht das. Ein Agent für Ticket-Routing braucht vor allem Tools, ein Agent für Richtlinienfragen vor allem Retrieval.
Der Bauablauf
- Beginnen Sie mit einem Trigger. Ein Webhook, ein Zeitplan, eine Formularübermittlung oder der integrierte Chat Trigger von n8n zum Testen in einem Chat-Panel.
- Fügen Sie den AI Agent Node hinzu und verbinden Sie ein Chat Model. Wählen Sie einen Modellanbieter und legen Sie hier Ihre System-Nachricht fest: die Bausteine Rolle und Regeln aus wie man einen AI Agent baut, klar formuliert. „Beantworten Sie eingehende Support-Fragen ausschließlich mit der angebundenen Knowledge Base; übergeben Sie alles, was Sie nicht sicher beantworten können.“
- Hängen Sie Tools an. Verpacken Sie die n8n Nodes, die der Agent braucht, als Tools: einen HTTP Request an die API Ihres Helpdesks, eine Datenbankabfrage, eine Slack-Nachricht, ein CRM-Update. Jedes Tool braucht einen klaren Namen und eine klare Beschreibung, denn das Modell wählt Tools anhand dieser Beschreibung aus, nicht anhand dessen, was der Node im Hintergrund tut.
- Fügen Sie Memory hinzu, wenn der Agent über mehrere Gesprächsrunden Kontext halten muss. Lassen Sie es bei einer einmaligen Aufgabe weg (dieses Ticket klassifizieren und fertig). Für alles Dialogische ergänzen Sie Postgres Chat Memory.
- Fügen Sie RAG hinzu, wenn der Agent aus Ihren eigenen Dokumenten antworten soll. Verbinden Sie einen Vector-Store-Node, der mit Ihrer Knowledge Base befüllt ist.
- Testen Sie im Chat-Panel, bevor Sie einen echten Trigger anschließen. Mit dem integrierten AI-Chat von n8n lässt sich der Agent im Dialog ausführen, und Sie sehen, welche Tools er aufruft. So fallen die meisten offensichtlichen Fehler auf, bevor etwas Produktivdaten berührt.
- Aktivieren Sie den echten Trigger und beobachten Sie die ersten Läufe genau. Achten Sie auf Fehlgriffe bei der Tool-Auswahl und auf fehlende Guardrails, bevor Sie dem Agent echtes Volumen übergeben.
Eine tiefergehende Anleitung zum Schreiben der System-Nachricht selbst bietet wie man einen AI Agent baut: Dort finden Sie alle sechs Bausteine (Rolle, Tools, Regeln, Szenario-Playbook, Entscheidungslogik, Leitplanken), die ein gut spezifizierter Agent braucht, unabhängig davon, auf welcher Plattform Sie ihn bauen.
Ein Praxisbeispiel: ein AI Support-Triage-Agent in n8n
So entsteht eine reale Funktion auf der Plattform, gebaut aus den eigenen Bestandteilen von n8n.
Trigger: Ein Webhook feuert, sobald ein neues Ticket in Ihrem Helpdesk eingeht.
Tools: Ein HTTP-Request-Node liest das vollständige Ticket und den Plan-Tarif des Kunden aus der Helpdesk-API. Ein zweiter HTTP Request prüft den Account-Status des Kunden in Ihrem CRM. Ein Slack-Node postet eine Zusammenfassung in den passenden Kanal, wenn der Agent eskaliert. Ein letzter HTTP Request aktualisiert Status und Tags des Tickets.
Memory: Postgres Chat Memory, nach Ticket-ID geordnet. Antwortet der Kunde erneut, bevor das Ticket geschlossen ist, hat der Agent den gesamten Verlauf, statt bei null zu beginnen.
Entscheidungslogik, in die System-Nachricht geschrieben: zuerst Schweregrad und Thema klassifizieren. Passt das Ticket zu einem bekannten Muster mit geringem Risiko (Passwort-Reset, Abrechnungsfrage mit klarer Antwort in der Knowledge Base), entwirft der Agent die Antwort und sendet sie direkt. Ist der Schweregrad hoch, ist von Kündigung die Rede oder ist die Konfidenz des Agents niedrig, postet er die Ticket-Zusammenfassung in den Eskalations-Kanal in Slack und hört auf, ohne zu raten.
Dieser Eskalationsschritt ist genau das Muster der Übergabe aus Multi-Agent-Systeme: Ein Triage-Agent muss nicht alles selbst lösen. Er muss lösen, was er kann, und den Rest sauber an einen Menschen oder an einen zweiten Agent übergeben, etwa den im Blueprint zum AI Escalation Manager Agent beschriebenen. Der Blueprint zum AI Support Triage Agent enthält die vollständige Spezifikation dieser Funktion samt Regeln und Leitplanken, falls Sie das Design übernehmen möchten, statt es von Grund auf zu schreiben.
Kosten und Grenzen
n8n selbst ist unter der Fair-Code-Lizenz kostenlos selbst hostbar. Die Cloud-Version hat kostenpflichtige Tarife, die sich nach Workflow-Ausführungen richten. In beiden Fällen skalieren mit der Nutzung die Modellaufrufe hinter Ihrem Chat-Model-Node, und die rechnet der jeweils angebundene Anbieter (OpenAI, Anthropic, Google und so weiter) direkt ab, nicht n8n. Planen Sie dafür ein eigenes Budget ein und lesen Sie Gesamtbetriebskosten von AI, bevor Sie sich auf einen aufwendigen Dauerbetrieb-Agent festlegen, denn Token-Kosten bei echtem Volumen wachsen schneller, als die meisten ersten Schätzungen annehmen.
Die eigentlichen Grenzen liegen nicht beim Preis, sondern im Betrieb. n8n wiederholt einen fehlgeschlagenen Tool-Aufruf nicht automatisch und deckt auch nicht jeden Sonderfall ab; die Fehlerbehandlung bauen Sie selbst ein, so wie bei jedem anderen Workflow. Beim Self-Hosting verantworten Sie Verfügbarkeit, Backups und Sicherheits-Patches selbst. Und weil ein Agent mit Tool-Zugriff durch das manipuliert werden kann, was er liest, braucht jeder n8n Agent mit öffentlich erreichbarem Webhook-Trigger dasselbe Defense-in-Depth-Denken wie in AI Agent Security und Prompt-Injection: Behandeln Sie eingehende Inhalte als Daten, die es zu bewerten gilt, nicht als Anweisungen, denen man folgt, und beschränken Sie die Zugangsdaten jedes Tools auf genau das, was dieser eine Agent braucht.
Wann n8n, wann Alternativen
| Wenn Sie ... wollen | Wählen Sie |
|---|---|
| Self-Hosting, volle Kontrolle, und es stört Sie nicht, mehr Logik selbst zusammenzusetzen | n8n |
| Einen rein visuellen Builder mit dem tiefsten Katalog an App-Integrationen | Make |
| Den schnellsten Weg zu einem funktionierenden Agent ganz ohne Code | Lindy |
| Volle Code-Kontrolle auf Basis der eigenen Modelle von OpenAI, ohne visuelle Schicht | Responses API von OpenAI |
n8n liegt zwischen diesen Polen. Es ist nicht der schnellste Weg zur ersten Demo, das ist meist Lindy. Es ist nicht die breiteste Integrationsbibliothek, das ist meist Make. Stattdessen bietet es einen Workflow, der Ihnen ganz gehört, auf Infrastruktur unter Ihrer Kontrolle, mit einem Ausweg in echten Code, sobald die visuelle Ebene nicht mehr weiterreicht. Dieser Kompromiss, mehr Zusammenbau gegen mehr Kontrolle, wird auch im Plattformvergleich in wie man einen AI Agent baut abgewogen.
Bedenken Sie außerdem, dass sich diese Optionen nicht ausschließen. Ein in n8n gebauter Agent kann die Modelle von OpenAI als Chat Model nutzen. n8n ist die Orchestrierungsschicht; das Modell darunter ist eine eigene Entscheidung.
Key Facts
- n8n baut Agents aus einem AI Agent Node, der mit einem Chat Model, einem oder mehreren Tools und (meist) Memory verbunden ist, im Hintergrund auf LangChain.
- n8n ist Fair-Code unter der eigenen Sustainable Use License: kostenlos selbst hostbar, mit kostenpflichtigen Cloud- und Enterprise-Tarifen.
- n8n sammelte im Oktober 2025 in einer von Accel angeführten Series C 180 Millionen \(bei einer Bewertung von 2,5 Milliarden\) ein und meldete damals 230.000+ aktive Nutzer und 40 Millionen $ und mehr an ARR.
- Die Plattform liefert 400+ native Integrationen sowie eigene Code Nodes für JavaScript oder Python, wenn ein integrierter Node nicht ausreicht.
- Modellkosten rechnet der jeweils gewählte Anbieter (OpenAI, Anthropic, Google und andere) separat ab; die Preise von n8n decken Hosting und Ausführungen ab, nicht Tokens.
Häufig gestellte Fragen zum Bau eines AI Agents mit n8n
Muss ich programmieren können, um einen Agent in n8n zu bauen?
Nein, die meisten Agents lassen sich vollständig mit den visuellen Nodes von n8n bauen: ein Trigger, der AI Agent Node, ein Chat Model, Tools und Memory. Code wird nützlich, aber nicht zwingend, wenn Sie eigene Logik brauchen, die ein integrierter Node nicht ausdrücken kann. Dann können Sie im Code Node von n8n direkt JavaScript oder Python schreiben.
Worin unterscheidet sich der AI Agent Node von n8n vom normalen LLM-Node?
Der schlichte LLM-Node nimmt einen Input an und gibt einen Output zurück, ein einziger Durchlauf. Der AI Agent Node gibt dem Modell eine Liste verbundener Tools und lässt es entscheiden, welches es aufruft, in welcher Reihenfolge und ob es vor der Antwort mehr als eines aufruft. Dieser Reasoning-Loop macht ihn zu einem Agent statt zu einer einzelnen Completion.
Kann ich n8n kostenlos selbst hosten?
Ja. n8n ist Fair-Code unter der eigenen Sustainable Use License, das heißt, der Quellcode ist einsehbar und Self-Hosting ist kostenlos. Eine kostenpflichtige Enterprise License ergänzt Funktionen, die größere Teams brauchen, etwa SSO und Umgebungsverwaltung. Und n8n Cloud bietet eine vollständig gehostete Variante, deren Preis sich nach Workflow-Ausführungen richtet.
Welche AI-Modelle kann ich mit dem AI Agent Node von n8n nutzen?
Der Chat-Model-Sub-Node unterstützt unter anderem OpenAI, Google Gemini, Anthropic, DeepSeek, Groq und Azure OpenAI, dazu von der Community gebaute Konnektoren für weitere Anbieter. Sie können das Modell außerdem pro Workflow wechseln, ohne die Tools oder das Memory des Agents neu zu bauen.
Wie wird Memory in einem n8n Agent gehandhabt?
Über einen Memory-Sub-Node, der mit dem AI Agent Node verbunden ist. Simple Memory speichert den Gesprächsverlauf in der Workflow-Session und wird beim Neustart von n8n gelöscht, was zum Testen genügt. Postgres Chat Memory bleibt über Neustarts hinweg erhalten und ordnet Gespräche nach Session-ID, was die meisten produktiven Agents brauchen.
Wie es weitergeht
n8n ist ein Weg zu einem funktionierenden Agent, nicht der einzige. Wenn Ihr Team den breitesten App-Katalog und einen stärker geführten visuellen Builder möchte, lesen Sie wie man einen AI Agent mit Make baut. Wenn Sie den schnellstmöglichen ersten Agent ganz ohne Zusammenbau wollen, lesen Sie wie man einen AI Agent mit Lindy baut. Welche Plattform Sie auch wählen: Die Übersicht Automatisierungs-Tools und der Leitfaden beste No-Code-Automatisierungs-Tools sind nützliche Referenzen, um n8n vor der Entscheidung mit dem Rest der Kategorie zu vergleichen.
