n8nでAIエージェントを構築する方法
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
n8nは、セルフホストでもクラウドでも運用できるワークフロー自動化プラットフォームです。2024年以降は専用のAI Agentノードが提供されており、他のワークフローと同じビジュアルキャンバス上でagentを構築できます。構築の流れは、AI Agentノードを配置し、チャットモデル、1つ以上のツール、そして（通常は）メモリコンポーネントを接続するだけです。あとはn8nがモデルにツールセットを渡し、何をどの順序で呼び出すかをモデル自身に判断させます。n8nが多くのagentビルダーと異なるのは、フェアコード（fair-code）でセルフホストが可能な点です。そのため、データとインフラを自社で管理したいチームが最初の選択肢にすることがよくあります。
このガイドでは、チームがagent開発にn8nを選ぶ理由、AI Agentノードの具体的な構成、構築手順の全体像、実例、実際のコストと制約、そしてn8nが適さない場面を取り上げます。
チームがn8nでagentを構築する理由
n8nは、agentプラットフォームの中でも独特の位置にあります。純粋なno-codeビルダーよりも制御しやすく、agentをゼロから書くよりも負担が小さい、という立ち位置です。理由は3つあります。
フェアコードであり、独自のSaaS専用ではありません。 n8nは独自のSustainable Use Licenseで配布されています。ソースコードは公開されており、セルフホストは無料です。大規模チームに必要な機能（SSO、環境管理、高度な権限設定）は、有償のEnterprise Licenseで提供されます。業務用agentでこの点が重要なのは、セルフホストなら、チケットの内容や顧客レコードといったデータを、自社が管理するインフラの外に出す必要がないからです。
ビジュアルな構築と本物のコードを組み合わせられます。 ワークフローの大部分はドラッグアンドドロップのノードで組み立てます。ただし、AI Agentノードの組み込みツールでは足りない場合は、同じキャンバス上にCodeノードを置き、JavaScriptやPythonをインラインで書けます。no-codeツールなら行き詰まるような例外的なケースでも、プラットフォームを離れずに対処できます。
AIレイヤーが後付けではなくネイティブです。 AI AgentノードはLangChainをベースに作られています。n8nは現在、400以上の連携に加えて、メモリ、評価ツール、マルチagentオーケストレーションも提供しており、AIエージェントを構築するためのスタッキングパターンで解説している階層型の設計と同じ考え方です。これはワークフローツールにチャットボットを付け足したものではありません。agentランタイムの周りにワークフローツールを組み込んだ製品です。
このようなプラットフォームへの需要は本物です。n8nは2025年10月、Accelが主導する1億8,000万ドルのシリーズCを評価額25億ドルで調達しました。当時の公表では、アクティブユーザーは23万人以上、年間経常収益は4,000万ドル超で、成長を牽引したのは単純な「if-this-then-that」型の自動化ではなく、agentを構築するチームでした。
AI Agentノードの構成要素
AI Agentノードは、1つの入力を受けて1つの出力を返すn8n標準のLLMノードとは異なります。Agentノードは、モデルにツールの一覧とループの制御権を与えます。モデルはツールを呼び出し、結果を読み、別のツールを呼ぶと判断し、答えが出るまで続けられます。このループは、AIエージェントはどのように推論するかで解説している「推論、行動、観察」のサイクルと同じものです。
| コンポーネント | 役割 | 選択肢 |
|---|---|---|
| チャットモデル | agentの推論を支えるLLM | OpenAI、Google Gemini、Anthropic、DeepSeek、Groq、Azure OpenAI、そのほかコミュニティノード経由の各種モデル |
| ツール | agentが話すだけでなく実際に実行できること | ツールとして包んだ任意のn8nノード、APIへのHTTP Request、サブワークフロー、外部のMCPサーバー |
| メモリ | メッセージ間で記憶している内容 | Simple Memory（セッション限り、再起動で消去）、Postgres Chat Memory（永続的、セッションIDで管理）、そのほかのメモリノード |
Agentノードに会話以上のことをさせるには、少なくとも1つのツールを接続する必要があります。これはAIエージェントはどのようにツールを使うかで解説している区別と同じです。ツールを持たないモデルはテキストを生成することしかできず、テキストの生成は、自社システムに対して行動することとは違います。
メモリは早い段階で正しく設計しておく価値があります。Simple Memoryはデモには十分ですが、揮発性で、再起動や再デプロイで消えてしまいます。顧客向けのものや長期間稼働するもの（数日にわたって続くサポートスレッドなど）には、Postgres Chat Memoryか同等の永続ストアが必要です。これはAIエージェントのメモリで解説している、作業メモリと永続メモリの区別と同じです。
ベクトルストアノードを接続して、自社ドキュメントに対する検索をagentに持たせることもできます。これはAIエージェントのためのRAGで詳しく解説しているRAGパターンです。すべてのagentに必要なわけではありません。チケット振り分けagentに必要なのは主にツールで、ポリシーに関する質問に答えるagentに必要なのは主に検索です。
構築手順
- トリガーから始めます。 webhook、スケジュール、フォーム送信、またはチャットパネルでテストするためのn8n組み込みのChat Triggerを使います。
- AI Agentノードを追加し、チャットモデルを接続します。 モデルプロバイダーを選び、ここでシステムメッセージを設定します。AIエージェントの構築方法で扱った役割とルールの構成要素を、平易な言葉で書きます。たとえば「受信したサポートの質問には、接続されたknowledge baseのみを使って回答する。自信を持って答えられないものは引き継ぐ」といった具合です。
- ツールを接続します。 agentに必要なn8nノードをツールとして包みます。ヘルプデスクAPIへのHTTP Request、データベース検索、Slackメッセージ、CRM更新などです。モデルはノードの内部動作ではなく説明文をもとにツールを選ぶため、各ツールにはわかりやすい名前と説明が必要です。
- agentがターン間でコンテキストを保持する必要があるなら、メモリを追加します。 単発のタスク（このチケットを分類して終了する、など）では不要です。会話型のものには、Postgres Chat Memoryを追加してください。
- agentが自社ドキュメントから回答する必要があるなら、RAGを追加します。 knowledge baseを読み込んだベクトルストアノードを接続します。
- 実際のトリガーを接続する前に、チャットパネルでテストします。 n8n組み込みのAIチャットを使うと、agentを対話形式で動かしながら、どのツールを呼び出すかを確認できます。本番データに触れる前に、明らかなミスの大半をここで見つけられます。
- 本番のトリガーを有効にし、最初の実行を注意深く監視します。 実際の処理量を任せる前に、ツール選択のミスやガードレールの不足がないかを確認してください。
システムメッセージ自体の書き方についてさらに詳しく知りたい場合は、AIエージェントの構築方法で、どのプラットフォームで構築する場合でも、きちんと仕様化されたagentに必要な6つの構成要素（役割、ツール、ルール、シナリオプレイブック、意思決定ロジック、ガードレール）をすべて解説しています。
実例：n8nで作るAIサポートトリアージagent
n8n自身の部品を使って、実際の機能がどのように組み上がるかを見てみましょう。
トリガー： ヘルプデスクに新しいチケットが届くと、webhookが起動します。
ツール： HTTP RequestノードがヘルプデスクAPIからチケットの全文と顧客のプランを読み取ります。2つ目のHTTP RequestがCRMで顧客のアカウント状況を確認します。Slackノードは、agentがエスカレーションすると判断したときに適切なチャンネルへ要約を投稿します。最後のHTTP Requestがチケットのステータスとタグを更新します。
メモリ： チケットIDで管理するPostgres Chat Memoryを使います。チケットが閉じる前に顧客が再度返信しても、agentはゼロからではなくスレッド全体を把握しています。
意思決定ロジック（システムメッセージに記述）：まず重大度とトピックを分類します。既知の低リスクなパターン（パスワードのリセット、knowledge baseに明確な答えがある請求の質問など）に該当する場合は、返信を作成してそのまま送信します。重大度が高い場合、解約に言及している場合、またはagentの確信度が低い場合は、チケットの要約をエスカレーション用のSlackチャンネルに投稿して処理を止めます。推測では動きません。
このエスカレーションの手順は、マルチagentシステムで解説している引き継ぎパターンそのものです。トリアージagentがすべてを自力で解決する必要はありません。解決できるものは解決し、残りは人間、またはAIエスカレーションマネージャーagentのブループリントで紹介しているような別のagentに、きれいに引き継げば十分です。この機能の完全な仕様（ルールとガードレールを含む）は、AIサポートトリアージagentのブループリントにあります。ゼロから書くより設計をそのままコピーしたい場合は、こちらを参照してください。
コストと制約
n8n自体は、フェアコードライセンスのもとでセルフホストなら無料です。クラウド版には、ワークフローの実行回数に応じた有償プランがあります。どちらの場合でも、利用量に応じて増えるコストは、チャットモデルノードの背後にあるモデル呼び出しの料金です。これはn8nではなく、接続したプロバイダー（OpenAI、Anthropic、Googleなど）から直接請求されます。この分は別枠で予算化してください。常時稼働の重いagentを導入する前に、AIの総所有コストも読んでおきましょう。実運用の規模になると、トークン費用は最初の見積もりよりも早く膨らみます。
本当の制約は価格ではなく運用面にあります。n8nは失敗したツール呼び出しを自動でリトライしたり、あらゆる例外を処理したりはしません。エラー処理は、他のワークフローと同様に自分で組み込みます。セルフホストの場合は、稼働率、バックアップ、セキュリティパッチの適用も自社の責任です。さらに、ツールにアクセスできるagentは、読み込んだ内容によって操作される可能性があります。そのため、公開されたwebhookトリガーを持つn8n agentには、AIエージェントのセキュリティとプロンプトインジェクションで解説している多層防御の考え方が必要です。受信したコンテンツは従うべき指示ではなく評価すべきデータとして扱い、各ツールの認証情報は、そのagentに必要な範囲だけに限定してください。
n8nと他の選択肢の選び方
| 求めるもの | 選ぶべきもの |
|---|---|
| セルフホスト、完全な制御。ロジックを自分で多く組み立てることも厭わない | n8n |
| アプリ連携のカタログが最も充実した、純粋なビジュアルビルダー | Make |
| コードなしで、最短で動くagentを手に入れたい | Lindy |
| ビジュアル層なしで、OpenAI自身のモデルを使い、コードで完全に制御したい | OpenAIのResponses API |
n8nはこれらの両極の中間に位置します。最初のデモまでの最短経路ではありません。それは通常Lindyです。連携ライブラリの幅広さでもありません。それは通常Makeです。n8nが提供するのは、自社が管理するインフラの上で、自分のものとして完全に所有できるワークフローと、ビジュアル層の限界に達したときに使える本物のコードへの抜け道です。組み立ての手間が増える代わりに制御の自由度が高まるというこのトレードオフは、AIエージェントの構築方法のプラットフォーム比較で検討しているものと同じです。
これらは互いに排他的ではないことも覚えておいてください。n8nで構築したagentは、チャットモデルとしてOpenAIのモデルを呼び出せます。n8nはオーケストレーション層であり、その下で動くモデルの選択は別の判断です。
Key Facts
- n8nは、AI Agentノードにチャットモデル、1つ以上のツール、（通常は）メモリを接続してagentを構築します。内部ではLangChainが動いています。
- n8nは独自のSustainable Use Licenseによるフェアコードです。セルフホストは無料で、クラウドとEnterpriseには有償プランがあります。
- n8nは2025年10月、Accelが主導する1億8,000万ドルのシリーズCを評価額25億ドルで調達しました。当時の公表では、アクティブユーザー23万人以上、ARR 4,000万ドル超でした。
- このプラットフォームには400以上のネイティブ連携があり、組み込みノードで足りない場合はJavaScriptやPythonのカスタムCodeノードも使えます。
- モデルのコストは、選択したプロバイダー（OpenAI、Anthropic、Googleなど）が別途請求します。n8n自体の料金はホスティングと実行回数に対するもので、トークンは含まれません。
n8nでAIエージェントを構築することに関するよくある質問
n8nでagentを構築するのに、コーディングの知識は必要ですか？
いいえ。ほとんどのagentは、n8nのビジュアルノード（トリガー、AI Agentノード、チャットモデル、ツール、メモリ）だけで構築できます。コードが役立つのは、組み込みノードでは表現できないカスタムロジックが必要なときで、必須ではありません。その場合は、n8nのCodeノードでJavaScriptやPythonをインラインで書けます。
n8nのAI Agentノードと通常のLLMノードの違いは何ですか？
通常のLLMノードは、1つの入力を受けて1つの出力を返す、1回限りの処理です。AI Agentノードは、接続されたツールの一覧をモデルに渡し、どれをどの順序で呼び出すか、回答する前に複数回呼び出すかどうかをモデルに判断させます。この推論ループがあるからこそ、単発の応答ではなくagentになります。
n8nは無料でセルフホストできますか？
はい。n8nは独自のSustainable Use Licenseによるフェアコードで、ソースコードが公開されており、セルフホストは無料です。有償のEnterprise Licenseでは、SSOや環境管理など大規模チームに必要な機能が追加されます。n8n Cloudは、ワークフローの実行回数に応じた料金の完全ホスト型オプションです。
n8nのAI Agentノードでは、どのAIモデルを使えますか？
チャットモデルのサブノードは、OpenAI、Google Gemini、Anthropic、DeepSeek、Groq、Azure OpenAIなどに対応しており、ほかのプロバイダー向けにはコミュニティ製のコネクターもあります。agentのツールやメモリを作り直すことなく、ワークフローごとにモデルを切り替えることもできます。
n8nのagentではメモリをどのように扱いますか？
AI Agentノードに接続するメモリのサブノードで扱います。Simple Memoryは会話履歴をワークフローのセッション内に保存し、n8nの再起動で消去されるため、テストには十分です。Postgres Chat Memoryは再起動後も保持され、会話をセッションIDで管理します。ほとんどの本番agentに必要なのはこちらです。
次のステップ
n8nは、動くagentに至る道の1つであって、唯一の道ではありません。より幅広いアプリカタログと、ガイド付きのビジュアルビルダーが必要なチームは、MakeでAIエージェントを構築する方法をご覧ください。組み立てなしで最速の最初のagentを求める場合は、LindyでAIエージェントを構築する方法をご覧ください。どのプラットフォームを選ぶにしても、決める前にn8nをほかのカテゴリー製品と比較する際には、自動化ツールの一覧と最高のno-code自動化ツールのガイドが参考になります。
