N8N AI Agent Tutorial: Von einfachem Prompt zu strukturierten Workflow-Daten

Warum Workflow-Automatisierung jetzt mehr als feste Regeln benötigt

Stellen Sie sich vor, ein Workflow erhält einen Satz wie diesen: “A new client named John bought a gpu server on 01/06/2026.” Eine Person liest das und sieht sofort drei nützliche Werte: den Kundennamen, das Produkt und das Datum.

Ein starrer Workflow tut das nicht. Er kann Text aufteilen, nach Mustern suchen und Formate validieren, aber in dem Moment, in dem sich die Formulierung ändert – „John just ordered a GPU server yesterday” oder „New customer John purchased hosting on June 1″ – beginnt die brüchige Analyse zu bröckeln.

Das ist die Grenze zwischen klassischer Automatisierung und der KI-Schicht. Deterministische Workflows funktionieren hervorragend, sobald die Eingaben sauber sind: Daten weiterleiten, Felder transformieren, Datensätze validieren, APIs aufrufen und Sequenzen zuverlässig wiederholen. Sie scheitern beim unordentlichen ersten Schritt – Absichten interpretieren, Anfragen klassifizieren, unstrukturierte Inhalte zusammenfassen oder Felder aus natürlicher Sprache extrahieren, bevor der Workflow handeln kann.

Genau hier wird ein n8n AI Agent praktisch. In diesem Leitfaden erhalten Sie zunächst ein verständliches Verständnis dafür, was der n8n AI Agent tatsächlich in einem Workflow ist, und erstellen dann einen fundierten ersten Use-Case, der natürliche Sprache in strukturierte Daten umwandelt.

Was ein n8n AI Agent eigentlich ist

Innerhalb von n8n wird ein AI Agent am besten als ein Reasoning-Schritt innerhalb eines Workflows verstanden. Es ist ein Node, der ein Modell verwendet, um Eingaben zu interpretieren, mit Kontext zu arbeiten und zu helfen, zu gestalten, was als nächstes passiert. Das kann bedeuten, eine Aufforderung zu beantworten, Felder zu extrahieren, eine Anfrage zu klassifizieren oder zu entscheiden, wie der nächste Workflow-Schritt vorbereitet werden sollte. Das Wichtigste ist, dass der Agent innerhalb des Workflows lebt. Es ist nicht das ganze System für sich allein.

Die beweglichen Teile sind leichter zu verstehen, wenn man sie nach Rolle trennt:

Das Modell übernimmt die flexible Interpretation. Die umgebenden n8n-Nodes behalten weiterhin die Struktur: woher die Daten kommen, wie sie gemappt werden, was validiert wird, welcher Node als nächstes läuft und was schließlich in ein anderes System geschrieben wird. Wenn Sie vorhersehbare Ausführung, Genehmigungen, Integrationen oder Geschäftsregeln benötigen, bleibt der Workflow in Kontrolle.

💡 Tipp: Das sauberste mentale Modell ist dieses: Der Workflow sind immer noch die Schienen; der Agent ist der Reasoning-Schritt innerhalb dieser Schienen.

Das macht es auch leichter zu sagen, was der n8n AI Agent nicht ist. Es ist nicht nur ein Chatbot-Node. Es ist keine magische Autonomie. Es ist nicht etwas, das jeder Workflow braucht. Wenn eine feste Regel, eine einfache Transformation oder ein einzelner begrenzter AI-Prompt die Aufgabe bereits löst, fügt das Hinzufügen einer Agent-Schicht nur Komplexität hinzu. Der Wert zeigt sich, wenn der Workflow mit Mehrdeutigkeit umgehen muss, bevor er wieder deterministisch werden kann.

Wo n8n AI Agents in echten Workflows am meisten helfen

Der beste Ort für den Einsatz eines n8n AI Agent ist an der Grenze, wo menschliche Mehrdeutigkeit in das System eintritt.

• Support-Teams müssen möglicherweise eine eingehende Anfrage lesen und klassifizieren, ob es sich um Abrechnung, technische Probleme oder Dringlichkeit handelt.
• Operations-Teams erhalten möglicherweise interne Anfragen in natürlicher Sprache und müssen Felder extrahieren, bevor sie weitergeleitet werden.
• Sales-Teams möchten möglicherweise eine ungeordnete Lead-Nachricht in saubere CRM-bereite Daten umwandeln.
• Dokumentenlastige Workflows müssen möglicherweise Namen, Daten, Rechnungsnummern oder Servicedetails aus unstrukturiertem Text extrahieren.

In jedem dieser Fälle bleibt die Arbeitsteilung gleich. Der Agent interpretiert, extrahiert, fasst zusammen oder klassifiziert. Die deterministischen Knoten validieren dann die Ausgabe, leiten sie zum richtigen Branch weiter, erstellen Datensätze, benachrichtigen Personen oder schreiben das Ergebnis in ein anderes System. Diese Grenze ist wichtig, da sie den nützlichen Teil der KI – flexible Interpretation – behält, ohne die Vorhersehbarkeit aufzugeben, die Workflow-Automatisierung wertvoll macht.

Strukturierte Extraktion ist ein besonders starker erster Anwendungsfall, da er begrenzt, sichtbar und unmittelbar nützlich für nachgelagerte Prozesse ist. Sie können den Eingabesatz sehen, die Felder definieren, die Sie zurückbekommen möchten, und diese Felder dann wie normale Workflow-Daten verwenden. Das macht den Nutzen konkret. Anstelle von „die KI hat etwas Hilfreiches gesagt” erhalten Sie „der Workflow hat jetzt Name, Produkt und Datum, und der nächste Knoten kann darauf reagieren.”

Es ist auch ein guter Ort, um eine Disziplin zu beachten: Mehr Agent-Verhalten ist nicht automatisch besser. Wenn eine feste Regel oder ein einzelner Prompt das Problem bereits löst, benötigen Sie wahrscheinlich keine vollständige Agent-Schicht. Dieser Artikel konzentriert sich auf strukturierte Extraktion, da sie echten Workflow-Wert zeigt, ohne vorzutäuschen, dass jedes Automatisierungsproblem breite Autonomie benötigt.

Was wir in diesem Tutorial erstellen

Dieses Tutorial lehrt absichtlich zwei Workflows. Workflow A ist das kleinstmögliche Muster:

Manual Trigger -> Set -> AI Agent -> OpenRouter Chat Model -> plain response

Seine Aufgabe ist nicht, dich zu beeindrucken. Seine Aufgabe ist es, den Datenpfad sichtbar zu machen, damit du genau sehen kannst, wie der Prompt in den Workflow eintritt, den Agent erreicht und als normale Antwort zurückkommt.

Workflow B behält diese gleiche Basis und erweitert sie mit einem Structured Output Parser plus einem Create invoice Code-Node. Anstatt einen Absatz zurückzugeben, gibt der Agent vorhersehbare Felder zurück. Diese Felder werden dann verwendet, um ein Rechnungsobjekt zu erstellen, das die Ausgabe sofort für den Rest des Workflows nutzbar macht.

Diese zweistufige Progression ist wichtig. Zuerst siehst du, wie sich der Agent in der einfachstmöglichen Form verhält. Dann siehst du, warum reine KI-Ausgabe nur die halbe Geschichte für Automatisierung ist. Der echte Mehrwert entsteht, wenn der Workflow natürliche Sprache in strukturierte Daten umwandelt.

Bevor Sie beginnen: Voraussetzungen und Vorbereitung

Bevor Sie den Workflow erstellen, halten Sie drei Dinge bereit:

1. Eine laufende n8n-Instanz
2. Berechtigung zum Erstellen und Bearbeiten eines Workflows
3. Funktionierende OpenRouter API-Anmeldedaten

Sie können die gleiche Logik in n8n Cloud ausführen, wenn Sie möchten, aber dieser Artikel konzentriert sich auf eine selbstgehostete Umgebung, da dies ein typischer AlexHost-ähnlicher Anwendungsfall ist, wenn Teams mehr Kontrolle über Daten, Netzwerk oder private Integrationen wünschen.

Die praktische Grundlage für dieses Tutorial wurde auf n8n 2.26.8 beobachtet, das auf einem AlexHost VPS läuft. Wenn Sie n8n noch bereitstellen müssen, bevor Sie den KI-Teil ausprobieren, verwenden Sie den separaten AlexHost-Leitfaden hier: n8n automation tutorial for Ubuntu: from zero to flow.

📓 Hinweis: Eine kleine Anmerkung zur Terminologie, bevor Sie fortfahren: Neuere Dokumentation zeigt möglicherweise den Set-Knoten als Edit Fields (Set), aber diese Anleitung behält die einfachere Set-Bezeichnung bei, da dies das ist, was die praktische Grundlage verwendet.

Der Grund, warum dieser Artikel mit Manual Trigger + Set statt mit Chat Trigger beginnt, ist einfach: Es macht die Eingabe explizit, macht die Zuordnung leicht zu überprüfen und entfernt eine Verwirrungsebene für einen ersten Build. Sie lernen, wie ein AI Agent-Knoten in einen Workflow passt und wie dieser Workflow von einer freien Eingabeaufforderung zu strukturierter, automatisierungsbereiter Ausgabe übergeht.

Hands-on Teil 1: Erstellen Sie den kleinsten möglichen n8n AI Agent Flow

Dieser erste Workflow beweist das Basismuster, bevor wir ihn bitten, etwas Nützlicheres zu tun. Sie erstellen eine sichtbare Eingabe, übergeben sie an den AI Agent, verbinden ein OpenRouter-Modell und bestätigen, dass der Workflow eine normale Textantwort zurückgibt.

1.0 Trigger- und Input-Node hinzufügen

Beginnen Sie, indem Sie einen Manual Trigger-Node und einen Set-Node auf der Canvas platzieren. Dies hält den Einstiegspunkt einfach und gibt Ihnen ein klares Feld, das Sie an den Agent übergeben können.

An diesem Punkt tun Sie noch nichts „KI-Spezifisches”. Sie bereiten saubere Workflow-Eingaben vor, damit der nächste Node etwas Explizites lesen kann.

1.1 Konfigurieren Sie den Set-Node

Öffnen Sie den Set-Node, wechseln Sie zu Manual Mapping, erstellen Sie ein Feld namens prompt, und fügen Sie den unten stehenden Startertext ein. Dies gibt dem Workflow einen sichtbaren Wert, den Sie später durch einen geschäftsfreundlicheren Satz ersetzen können.

Hello, who are you?

Was dies bewirkt, ist einfach, aber wichtig: Anstatt den Prompt im AI-Node zu verstecken, behalten Sie ihn in normalen Workflow-Daten. Das macht den Eingabepfad leichter zu verstehen und wiederzuverwenden.

2.0 Platzieren Sie den AI Agent und verbinden Sie ein Chat-Modell

Fügen Sie nun einen AI Agent-Node hinzu und verbinden Sie ein OpenRouter Chat Model mit seiner Chat Model-Eingabe. In Anfängerbegriffen bedeuten die sichtbaren Eingaben folgendes: Chat Model ist das Modell, das der Agent zur Antwort verwendet, Memory ist optionaler Kontext, der über mehrere Durchläufe hinweg bestehen bleibt, und Tool ist die optionale Verbindung, die es dem Agent ermöglicht, externe Funktionen aufzurufen. In diesem ersten Workflow ist nur das Modell verbunden, da das Ziel darin besteht, das kleinste funktionierende Muster zu verstehen.

Sobald dies vorhanden ist, wird die Rollenaufteilung sichtbar: Der Workflow trägt die Eingabe, und der Agent kümmert sich um den Interpretationsschritt.

2.1 Konfigurieren Sie das OpenRouter-Modell

Wählen Sie Ihre OpenRouter-Kontoanmeldedaten und wählen Sie das gleiche Modell wie im Quell-Workflow: deepseek/deepseek-v4-flash. Sie benötigen für diesen ersten Durchgang keine zusätzliche Optimierung.

📝 Hinweis: Verfügbare OpenRouter-Modelle können je nach Konto variieren, obwohl das Quell-Wahrheits-Beispiel hier deepseek/deepseek-v4-flash verwendet.

Wenn Ihr Konto eine andere Liste anzeigt, ist das Workflow-Muster immer noch wichtiger als der genaue Modellname.

3.0 Ordnen Sie das prompt-Feld dem AI Agent zu

Verbinden Sie die Set-Node-Ausgabe mit dem AI Agent, setzen Sie Source for Prompt (User Message) auf Define below, und ordnen Sie den Workflow-Wert dem Prompt-Feld mit dem folgenden Ausdruck zu. Dies teilt dem Agent mit, dass er den prompt-Wert aus vorgelagerten Daten lesen soll, anstatt eine hardcodierte Nachricht im Node zu verwenden.

{{ $json.prompt }}

Diese Zuordnung ist die Schlüsselbrücke zwischen normalen n8n-Daten und dem KI-Schritt. Sobald es klickt, wird der Rest des Tutorials viel leichter zu verstehen.

3.1 Führen Sie den Workflow aus

Führen Sie den Workflow aus, damit die Daten die vollständige Kette durchlaufen: Manual Trigger -> Set -> AI Agent -> OpenRouter Chat Model. Sie überprüfen nicht nur, dass das Modell antwortet, sondern dass der Workflow den Prompt sauber von einem Node zum nächsten übergibt.

Wenn die Ausführung erfolgreich ist, haben Sie nun den Beweis, dass der Agent Workflow-Daten verarbeiten kann, anstatt nur im eigenen Interface freizuschreiben.

3.2 Überprüfen Sie die Antwort

Öffnen Sie die Ausgabe und überprüfen Sie das Ergebnis. In diesem Stadium gibt der AI Agent eine normale Textantwort auf den Prompt zurück. Das ist das Basismuster in seiner einfachsten Form: Prompt rein, Antwort raus.

Dieser erste Workflow ist wichtig, weil er die Rohrleitungen beweist. Er zeigt auch die Einschränkung deutlich: Ein Absatz ist in Ordnung für die Interaktion, aber umständlich für die nachgelagerte Automatisierung. Der nächste Schritt ist, wo der Workflow viel nützlicher wird.

Praktischer Teil 2: Die Antwort in strukturierte Workflow-Daten umwandeln

Jetzt behalten wir denselben Basis-Workflow und ändern das Ziel. Anstatt den Agent um eine allgemeine Antwort zu bitten, werden wir ihn auffordern, vorhersehbare Felder zu extrahieren, die der nächste Knoten wie normales JSON verwenden kann.

4.0 Ändern Sie die Eingabeaufforderung und erfordern Sie ein bestimmtes Format

Gehen Sie zurück zum Set-Knoten und ersetzen Sie die zwanglose Begrüßung durch den folgenden geschäftlichen Satz. Aktivieren Sie dann Require Specific Output Format im AI Agent, damit der Workflow nicht mehr auf Prosa abzielt, sondern auf strukturierte Extraktion.

A new client named John bought a gpu server on 01/06/2026

Dies ist der Moment, in dem der Use-Case real wird. Der Satz enthält Daten, die ein Mensch sofort versteht, und der Workflow wird jetzt darauf trainiert, diese Daten in einer maschinenlesbaren Form zurückzugeben.

4.1 Fügen Sie einen Structured Output Parser hinzu

Verbinden Sie einen Structured Output Parser mit dem Output Parser-Eingang des AI Agent. Dieser Parser ist das, was dem Modell eine Zielstruktur gibt, anstatt es in Freitext antworten zu lassen.

📝 Hinweis: Der Structured Output Parser ist für diese erste Demo gut geeignet, aber offizielle n8n-Richtlinien vermerken, dass direktes Parsing bei Agents in fortgeschritteneren Workflows weniger zuverlässig sein kann. Für dieses Anfänger-Muster ist es immer noch der richtige Lernschritt, da er die Datenform-Änderung leicht erkennbar macht.

Die wichtige Idee ist nicht der zusätzliche Knoten selbst. Es ist, dass Sie “AI-Antwort” in “Workflow-Vertrag” umwandeln.

4.2 Definieren Sie das Ausgabeschema aus einem JSON-Beispiel

Setzen Sie im Parser Schema Type auf Generate From JSON Example und verwenden Sie das genaue Beispiel unten. Dies gibt dem Agent ein klares Schema mit den drei Feldern, die der Workflow zurück erwartet.

{
  "name": "Alex",
  "product": "VPS hosting",
  "date": "21/6/2026"
}

Sobald Sie dieses Beispiel definieren, bitten Sie das Modell nicht mehr, “etwas Nützliches zu sagen”. Sie bitten es, eine vorhersehbare Struktur mit name, product und date zurückzugeben.

4.3 Überprüfen Sie das strukturierte Ergebnis

Führen Sie den Workflow erneut aus und überprüfen Sie die AI Agent-Ausgabe. Diesmal sollte das Ergebnis als Felder statt als Absatz zurückkommen.

Diese Formänderung ist das echte Upgrade. Strukturierte Ausgabe ist nicht nur schönere Formatierung. Es ist das, was das Ergebnis zuverlässig genug macht, damit nachgelagerte Logik es verbrauchen kann, ohne zu raten.

4.4 Verwenden Sie die geparsten Felder in einem JavaScript-Rechnungsknoten

Übergeben Sie das Ergebnis jetzt an einen Create invoice-JavaScript-Knoten. Das wichtigste Detail zur Quelle der Wahrheit in dieser Anleitung ist, dass das geparste Objekt aus $input.first().json.output gelesen wird, was bedeutet, dass der Code die strukturierte Agent-Ausgabe direkt verbraucht.

// Input data
const order = $input.first().json.output

// Parse the order date
const [day, month, year] = order.date.split("/");
const orderDate = new Date(`${year}-${month}-${day}`);

// Generate a pseudo unique invoice ID (8 chars)
function generateId() {
  return Math.random().toString(36).substring(2, 10);
}
const invoiceId = generateId();

// Calculate payment due date (7 days later)
const dueDate = new Date(orderDate);
dueDate.setDate(orderDate.getDate() + 7);

// Build invoice record
const invoice = {
  invoice_id: invoiceId,
  customer: order.name,
  product: order.product,
  order_date: orderDate.toISOString().split("T")[0],
  due_date: dueDate.toISOString().split("T")[0],
  status: "Pending"
};

// Print invoice
console.log("Invoice Generated:");
for (const [key, value] of Object.entries(invoice)) {
  console.log(`${key}: ${value}`);
}

// If inside n8n Function node, return JSON
return [{ json: invoice }];

Dies ist der Punkt, an dem der Workflow aufhört, sich wie eine Chat-Demo zu verhalten, und anfängt, sich wie Automatisierung zu verhalten. Der Agent hat die Felder extrahiert, und der nächste Knoten hat sie genau wie jede andere strukturierte Eingabe verwendet.

4.5 Überprüfen Sie die generierten Rechnungsdaten

Öffnen Sie die endgültige Ausgabe und überprüfen Sie das Rechnungsobjekt. Sie sollten verwendbare Felder wie invoice_id, customer, product, order_date, due_date und status sehen.

Das ist der vollständige Lebenszyklus, auf den der Artikel hingearbeitet hat: natürlichsprachiger Satz -> strukturierte Extraktion -> Rechnungsdatensatz. Sobald das Ergebnis diese Form hat, kann der Workflow es in späteren Schritte genauso zuverlässig übergeben wie jede andere JSON-Nutzlast.

Was diese ersten zwei Workflows tatsächlich beweisen

Zusammengenommen zeigen die beiden Workflows zwei verschiedene Muster für den n8n AI Agent. Das erste Muster ist einfache Prompt-Antwort: Der Agent erhält Text und antwortet mit Text. Das zweite Muster ist strukturierte Extraktion: Der Agent erhält ungeordnete menschliche Sprache und gibt Felder zurück, die der Workflow tatsächlich verwenden kann.

Dieser Unterschied ist wichtig, weil das Upgrade um Funktionalität geht, nicht um Kosmetik. Textgenerierung hilft bei der Interaktion. Strukturierte Extraktion hilft bei der Automatisierung. Das zweite Muster ist das, was den AI-Schritt von „interessant” zu „operativ nützlich” macht.

Die folgende Tabelle fasst diese Verschiebung zusammen:

Sobald Sie diesen Upgrade-Pfad verstehen, hört das Rechnungsbeispiel auf, „ein Rechnungs-Tutorial” zu sein, und wird zu einem wiederverwendbaren Workflow-Muster. Der gleiche Ansatz kann Lead-Erfassung, Support-Intake, Bestellungsanalyse, Ticket-Anreicherung oder interne Anfrageleitung unterstützen. In jedem Fall ist das Ziel das gleiche: Natürliche Sprache in strukturierte Daten umwandeln und dann deterministische Workflow-Knoten den Rest erledigen lassen.

Was Sie als Nächstes nach diesem ersten Anwendungsfall versuchen sollten

Der sicherste Schritt ist nicht Autonomie – es ist, das begrenzte Muster beizubehalten und jeweils eine Variable zu aktualisieren. Ersetzen Sie Manual Trigger durch einen Chat Trigger oder Webhook, wenn Sie Eingaben von außen benötigen. Fügen Sie Memory nur hinzu, wenn Kontinuität wichtig ist. Fügen Sie Tools nur an, wenn der Agent etwas nachschlagen oder über den Node hinaus handeln muss. Dann fügen Sie Validierung oder Genehmigung hinzu, wenn Outputs echte Systeme beeinflussen.

Self‑Hosting wird kritisch, wenn Workflows private Eingaben, internen Service-Zugriff, vorhersehbare Verfügbarkeit oder strengere Kontrolle benötigen – hier ist AlexHost‑style VPS-Infrastruktur Teil des Designs, nicht nur Hintergrund. Für die Bereitstellung behandelt das gleiche AlexHost-Handbuch das Setup: n8n Automation Tutorial für Ubuntu: von Null zum Flow.

📝 Hinweis: Die Leitregel: Heuristik des kleinsten Systems. Wenn strukturierte Extraktion das Problem löst, stoppen Sie dort. Fügen Sie Memory, Tools oder Autonomie nicht hinzu, es sei denn, der Workflow erfordert sie wirklich.

Beginnen Sie mit einem begrenzten Anwendungsfall, nicht mit Autonomie-Hype

Starre Automatisierung bricht normalerweise in dem Moment zusammen, wenn ungeordnete menschliche Eingaben in das System gelangen. Das ist die Lücke, auf die sich dieser Artikel konzentriert hat. Sie haben jetzt sowohl das mentale Modell als auch ein funktionierendes Muster: Der n8n AI Agent übernimmt den flexiblen Interpretationsschritt, und der umgebende Workflow verwandelt dieses Ergebnis in etwas Strukturiertes und Zuverlässiges.

Das ist die Designregel, die es zu behalten gilt. Beginnen Sie mit kontrollierten Interpretationsaufgaben, die workflow-bereite Daten erzeugen. Erweitern Sie die Funktionalität um Speicher, Tools oder umfangreichere Trigger nur dann, wenn der echte Workflow sie benötigt – nicht, weil das Wort „Agent” größere Autonomie beeindruckender klingen lässt.