Tutorial Agen AI N8N: Dari Prompt Sederhana hingga Data Alur Kerja Terstruktur

Mengapa otomasi alur kerja sekarang membutuhkan lebih dari sekadar aturan tetap

Bayangkan alur kerja menerima kalimat seperti ini: “Klien baru bernama John membeli gpu server pada 01/06/2026.” Seseorang membaca itu dan langsung melihat tiga nilai yang berguna: nama pelanggan, produk, dan tanggalnya.

Alur kerja yang kaku tidak. Alur kerja dapat membagi teks, mencari pola, dan memvalidasi format, tetapi saat wording berubah — “John baru saja memesan GPU server kemarin” atau “Pelanggan baru John membeli hosting pada 1 Juni” — parsing yang rapuh mulai retak.

Itulah batas antara otomasi klasik dan lapisan AI. Alur kerja deterministik unggul setelah input bersih: merutekan data, mengubah bidang, memvalidasi catatan, memanggil API, dan mengulangi urutan dengan andal. Mereka tersandung di langkah pertama yang berantakan—menginterpretasikan niat, mengklasifikasikan permintaan, merangkum konten tidak terstruktur, atau mengekstrak bidang dari bahasa alami sebelum alur kerja dapat bertindak.

Itulah tepatnya di mana n8n AI Agent menjadi praktis. Dalam panduan ini, Anda akan terlebih dahulu mendapatkan pemahaman bahasa Inggris biasa tentang apa yang sebenarnya n8n AI Agent di dalam alur kerja, kemudian membangun kasus penggunaan pertama yang berdasar yang mengubah bahasa alami menjadi data terstruktur.

Apa itu n8n AI Agent sebenarnya

Di dalam n8n, AI Agent paling baik dipahami sebagai langkah penalaran di dalam workflow. Ini adalah node yang menggunakan model untuk menginterpretasi input, bekerja dengan konteks, dan membantu membentuk apa yang terjadi selanjutnya. Itu mungkin berarti menjawab prompt, mengekstrak field, mengklasifikasi permintaan, atau memutuskan bagaimana langkah workflow berikutnya harus disiapkan. Bagian penting adalah bahwa agent berada di dalam workflow. Ini bukan seluruh sistem itu sendiri.

Bagian-bagian yang bergerak lebih mudah dipahami ketika Anda memisahkannya berdasarkan peran:

Model menangani interpretasi yang fleksibel. Node n8n sekitarnya masih memiliki struktur: dari mana data berasal, bagaimana data dipetakan, apa yang divalidasi, node mana yang berjalan berikutnya, dan apa yang akhirnya ditulis ke sistem lain. Jika Anda memerlukan eksekusi yang dapat diprediksi, persetujuan, integrasi, atau aturan bisnis, workflow tetap bertanggung jawab.

💡 Tip: Model mental yang paling bersih adalah ini: workflow masih menjadi rel; agent adalah langkah penalaran di dalam rel tersebut.

Itu juga membuat lebih mudah untuk mengatakan apa yang bukan n8n AI Agent. Ini bukan hanya node chatbot. Ini bukan otonomi ajaib. Ini bukan sesuatu yang setiap workflow butuhkan. Jika aturan tetap, transformasi sederhana, atau satu prompt AI terbatas sudah menyelesaikan pekerjaan, menambahkan lapisan agent hanya menambah kompleksitas. Nilainya muncul ketika workflow harus menangani ambiguitas sebelum dapat menjadi deterministik lagi.

Di mana n8n AI Agents paling membantu dalam alur kerja nyata

Tempat terbaik untuk menggunakan n8n AI Agent adalah di titik di mana ambiguitas manusia memasuki sistem.

• Tim dukungan mungkin perlu membaca permintaan masuk dan mengklasifikasikan apakah itu penagihan, teknis, atau mendesak.
• Tim operasi mungkin menerima permintaan internal dalam bahasa biasa dan perlu menarik bidang sebelum merutekan.
• Tim penjualan mungkin ingin mengubah pesan prospek yang berantakan menjadi data siap CRM yang bersih.
• Alur kerja yang berat dokumen mungkin perlu nama, tanggal, nomor faktur, atau detail layanan yang diekstrak dari teks tidak terstruktur.

Dalam setiap kasus tersebut, pembagian tenaga kerja tetap sama. Agen menginterpretasi, mengekstrak, merangkum, atau mengklasifikasi. Node deterministik kemudian memvalidasi output, merutekannya ke cabang yang tepat, membuat catatan, memberi tahu orang, atau menulis hasilnya ke sistem lain. Batas itu penting karena menjaga bagian yang berguna dari AI — interpretasi fleksibel — tanpa mengorbankan prediktabilitas yang membuat otomasi alur kerja layak digunakan.

Ekstraksi terstruktur adalah kasus penggunaan pertama yang sangat kuat karena terbatas, terlihat, dan segera berguna di hilir. Anda dapat melihat kalimat input, menentukan bidang yang ingin Anda kembalikan, dan kemudian menggunakan bidang tersebut seperti data alur kerja normal. Itu membuat hasilnya konkret. Alih-alih “AI mengatakan sesuatu yang membantu,” Anda mendapatkan “alur kerja sekarang memiliki nama, produk, dan tanggal, dan node berikutnya dapat bertindak berdasarkan hal tersebut.”

Ini juga tempat yang baik untuk mengingat satu disiplin: perilaku agen yang lebih banyak tidak secara otomatis lebih baik. Jika aturan tetap atau prompt tunggal sudah menyelesaikan masalah, Anda mungkin tidak memerlukan lapisan agen penuh. Artikel ini mempersempit ekstraksi terstruktur karena menunjukkan nilai alur kerja nyata tanpa berpura-pura bahwa setiap masalah otomasi memerlukan otonomi yang luas.

Apa yang kami bangun dalam tutorial ini

Tutorial ini sengaja mengajarkan dua alur kerja. Alur Kerja A adalah pola terkecil yang mungkin:

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

Tugasnya bukan untuk mengesankan Anda. Tugasnya adalah membuat jalur data terlihat sehingga Anda dapat melihat dengan tepat bagaimana prompt masuk ke alur kerja, mencapai agent, dan kembali sebagai jawaban normal.

Alur Kerja B mempertahankan basis yang sama dan meningkatkannya dengan Structured Output Parser plus node kode Create invoice. Alih-alih mengembalikan paragraf, agent akan mengembalikan field yang dapat diprediksi. Field tersebut kemudian digunakan untuk membangun objek invoice, yang membuat output segera berguna untuk sisa alur kerja.

Perkembangan dua langkah itu penting. Pertama, Anda melihat bagaimana agent berperilaku dalam bentuk paling sederhana. Kemudian Anda melihat mengapa output AI biasa hanya setengah dari cerita untuk otomasi. Keuntungan sebenarnya datang ketika alur kerja mengubah bahasa alami menjadi data terstruktur.

Sebelum Anda mulai: prasyarat dan persiapan

Sebelum membangun workflow, siapkan tiga hal:

1. Instance n8n yang berjalan
2. Izin untuk membuat dan mengedit workflow
3. Kredensial OpenRouter API yang berfungsi

Anda dapat menjalankan logika yang sama di n8n Cloud jika mau, tetapi artikel ini difokuskan pada lingkungan self-hosted karena ini adalah kasus penggunaan gaya AlexHost yang umum ketika tim menginginkan kontrol lebih besar atas data, jaringan, atau integrasi pribadi.

Sumber praktis untuk tutorial ini diamati pada n8n 2.26.8 yang berjalan di VPS AlexHost. Jika Anda masih perlu menerapkan n8n sebelum mencoba bagian AI, gunakan panduan AlexHost terpisah di sini: n8n automation tutorial for Ubuntu: from zero to flow.

📓 Catatan: Satu catatan terminologi kecil sebelum Anda melanjutkan: dokumentasi yang lebih baru mungkin menampilkan node Set sebagai Edit Fields (Set), tetapi panduan ini tetap menggunakan wording Set yang lebih sederhana karena itulah yang digunakan sumber praktis.

Alasan artikel ini dimulai dengan Manual Trigger + Set bukan Chat Trigger sangat sederhana: ini membuat input eksplisit, membuat pemetaan mudah diperiksa, dan menghilangkan satu lapisan kebingungan untuk build pertama. Anda sedang belajar bagaimana node AI Agent cocok dalam workflow dan bagaimana workflow itu bergerak dari prompt bebas bentuk ke output yang terstruktur dan siap otomasi.

Hands-on Part 1: bangun alur AI Agent n8n yang paling kecil

Workflow pertama ini membuktikan pola dasar sebelum kami memintanya melakukan sesuatu yang lebih berguna. Anda akan membuat input yang terlihat, meneruskannya ke AI Agent, menghubungkan model OpenRouter, dan memastikan workflow mengembalikan respons teks normal.

1.0 Tambahkan node trigger dan input

Mulai dengan menempatkan node Manual Trigger dan node Set di canvas. Ini membuat titik masuk tetap sederhana dan memberi Anda satu bidang yang jelas untuk diteruskan ke agent.

Pada titik ini, Anda belum melakukan apa pun yang “spesifik AI”. Anda menyiapkan input workflow yang bersih sehingga node berikutnya memiliki sesuatu yang eksplisit untuk dibaca.

1.1 Konfigurasi node Set

Buka node Set, alihkan ke Manual Mapping, buat bidang bernama prompt, dan tempel teks pemula di bawah ini. Ini memberikan workflow satu nilai terlihat yang dapat Anda tukar nanti dengan kalimat yang lebih bisnis.

Hello, who are you?

Apa yang dilakukan ini sederhana namun penting: alih-alih menyembunyikan prompt di dalam node AI, Anda menyimpannya dalam data workflow normal. Itu membuat jalur input lebih mudah dipahami dan digunakan kembali.

2.0 Tempatkan AI Agent dan hubungkan model chat

Sekarang tambahkan node AI Agent dan hubungkan OpenRouter Chat Model ke input Chat Model nya. Dalam istilah pemula, input yang terlihat berarti ini: Chat Model adalah model yang digunakan agent untuk merespons, Memory adalah konteks opsional yang bertahan di seluruh giliran, dan Tool adalah koneksi opsional yang memungkinkan agent memanggil kemampuan luar. Dalam workflow pertama ini, hanya model yang terhubung karena tujuannya adalah memahami pola kerja terkecil.

Setelah ini dilakukan, pembagian peran menjadi terlihat: workflow membawa input, dan agent akan menangani langkah interpretasi.

2.1 Konfigurasi model OpenRouter

Pilih kredensial akun OpenRouter Anda dan pilih model yang sama seperti yang ditunjukkan dalam workflow sumber: deepseek/deepseek-v4-flash. Anda tidak memerlukan penyetelan tambahan untuk lintasan pertama ini.

📝 Catatan: Model OpenRouter yang tersedia dapat bervariasi menurut akun, meskipun contoh sumber kebenaran di sini menggunakan deepseek/deepseek-v4-flash.

Jika akun Anda menunjukkan daftar yang berbeda, pola workflow masih lebih penting daripada nama model yang tepat.

3.0 Petakan bidang prompt ke dalam AI Agent

Hubungkan output node Set ke AI Agent, atur Source for Prompt (User Message) ke Define below, dan petakan nilai workflow ke bidang prompt menggunakan ekspresi di bawah ini. Ini memberi tahu agent untuk membaca nilai prompt dari data upstream alih-alih menggunakan pesan hardcoded di dalam node.

{{ $json.prompt }}

Pemetaan itu adalah jembatan kunci antara data n8n normal dan langkah AI. Setelah itu jelas, sisa tutorial menjadi jauh lebih mudah diikuti.

3.1 Jalankan workflow

Jalankan workflow sehingga data bergerak melalui rantai lengkap: Manual Trigger -> Set -> AI Agent -> OpenRouter Chat Model. Anda memverifikasi bukan hanya bahwa model merespons, tetapi bahwa workflow meneruskan prompt dengan bersih dari satu node ke node berikutnya.

Jika eksekusi berhasil, Anda sekarang memiliki bukti bahwa agent dapat mengonsumsi data workflow daripada hanya mengetik bebas di dalam antarmukanya sendiri.

3.2 Tinjau respons

Buka output dan periksa hasilnya. Pada tahap ini, AI Agent mengembalikan jawaban teks normal untuk prompt. Itu adalah pola dasar dalam bentuk paling sederhananya: prompt masuk, respons keluar.

Workflow pertama itu penting karena membuktikan pipa. Ini juga menunjukkan keterbatasannya dengan jelas: paragraf baik untuk interaksi, tetapi canggung untuk otomasi hilir. Langkah berikutnya adalah di mana workflow menjadi jauh lebih berguna.

Bagian Praktis 2: ubah respons menjadi data alur kerja terstruktur

Sekarang kami mempertahankan alur kerja dasar yang sama dan mengubah tujuannya. Alih-alih meminta agen untuk memberikan respons umum, kami akan memintanya mengekstrak bidang yang dapat diprediksi yang dapat digunakan node berikutnya seperti JSON normal.

4.0 Ubah prompt dan perlukan format spesifik

Kembali ke node Set dan ganti salam santai dengan kalimat gaya bisnis di bawah ini. Kemudian aktifkan Require Specific Output Format di AI Agent sehingga alur kerja berhenti bertujuan untuk prosa dan mulai bertujuan untuk ekstraksi terstruktur.

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

Ini adalah saat kasus penggunaan menjadi nyata. Kalimat berisi data yang dipahami manusia secara instan, dan alur kerja sekarang diajarkan untuk mengembalikan data tersebut dalam bentuk yang dapat digunakan mesin.

4.1 Tambahkan Parser Output Terstruktur

Hubungkan Structured Output Parser ke input Output Parser AI Agent. Parser ini adalah apa yang memberikan model struktur target alih-alih membiarkannya menjawab dalam teks bebas.

📝 Catatan: Structured Output Parser cocok untuk demo pertama ini, tetapi panduan resmi n8n mencatat bahwa parsing langsung pada agen dapat kurang andal dalam alur kerja yang lebih canggih. Untuk pola pemula ini, ini masih merupakan langkah pengajaran yang tepat karena membuat perubahan bentuk data mudah dilihat.

Ide penting bukan node tambahan itu sendiri. Ini adalah bahwa Anda mengubah “respons AI” menjadi “kontrak alur kerja.”

4.2 Tentukan skema output dari contoh JSON

Di parser, atur Schema Type ke Generate From JSON Example dan gunakan contoh tepat di bawah ini. Ini memberikan agen skema yang jelas dengan tiga bidang yang diharapkan alur kerja untuk dikembalikan.

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

Setelah Anda menentukan contoh tersebut, Anda tidak lagi meminta model untuk “mengatakan sesuatu yang berguna.” Anda memintanya mengembalikan struktur yang dapat diprediksi dengan name, product, dan date.

4.3 Periksa hasil terstruktur

Jalankan alur kerja lagi dan periksa output AI Agent. Kali ini, hasilnya harus kembali sebagai bidang alih-alih paragraf.

Perubahan bentuk itu adalah peningkatan nyata. Output terstruktur bukan hanya pemformatan yang lebih cantik. Ini adalah apa yang membuat hasilnya cukup andal untuk logika hilir dikonsumsi tanpa menebak.

4.4 Gunakan bidang yang diuraikan dalam node JavaScript buat faktur

Sekarang teruskan hasilnya ke node JavaScript Create invoice. Detail sumber kebenaran kunci dalam panduan ini adalah bahwa objek yang diuraikan dibaca dari $input.first().json.output, yang berarti kode menggunakan output agen terstruktur secara langsung.

// 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 }];

Di sinilah alur kerja berhenti berperilaku seperti demo obrolan dan mulai berperilaku seperti otomasi. Agen mengekstrak bidang, dan node berikutnya menggunakannya persis seperti input terstruktur lainnya.

4.5 Tinjau data faktur yang dihasilkan

Buka output akhir dan periksa objek faktur. Anda harus melihat bidang yang dapat digunakan seperti invoice_id, customer, product, order_date, due_date, dan status.

Itu adalah siklus hidup lengkap yang telah dibangun artikel menuju: kalimat bahasa alami -> ekstraksi terstruktur -> catatan faktur. Setelah hasilnya memiliki bentuk itu, alur kerja dapat meneruskannya ke langkah-langkah selanjutnya dengan andal seperti muatan JSON lainnya.

Apa yang sebenarnya dibuktikan oleh dua workflow pertama ini

Secara bersama-sama, kedua workflow menunjukkan dua pola berbeda untuk n8n AI Agent. Pola pertama adalah prompt-response biasa: agent menerima teks dan menjawab dengan teks. Pola kedua adalah structured extraction: agent menerima bahasa manusia yang berantakan dan mengembalikan field yang sebenarnya dapat digunakan workflow.

Perbedaan itu penting karena upgrade ini tentang kemampuan, bukan kosmetik. Generasi teks membantu dengan interaksi. Structured extraction membantu dengan otomasi. Pola kedua adalah yang mengubah langkah AI dari “menarik” menjadi berguna secara operasional.

Tabel di bawah merangkum pergeseran itu:

Setelah Anda memahami jalur upgrade itu, contoh invoice berhenti menjadi “tutorial invoice” dan menjadi pola workflow yang dapat digunakan kembali. Pendekatan yang sama dapat mendukung lead capture, support intake, order parsing, ticket enrichment, atau internal request routing. Dalam setiap kasus, tujuannya sama: ubah bahasa alami menjadi data terstruktur, kemudian biarkan node workflow deterministik melakukan sisanya.

Apa yang harus dicoba selanjutnya setelah kasus penggunaan pertama ini

Langkah teraman bukan otonomi—tetapi mempertahankan pola terbatas dan meningkatkan satu variabel sekaligus. Tukar Manual Trigger dengan Chat Trigger atau Webhook ketika Anda membutuhkan input masuk. Tambahkan memory hanya ketika kontinuitas penting. Lampirkan tools hanya ketika agent harus mencari sesuatu atau bertindak di luar node. Kemudian tambahkan validasi atau persetujuan jika output menyentuh sistem nyata.

Self‑hosting menjadi kritis ketika workflow memerlukan input pribadi, akses layanan internal, uptime yang dapat diprediksi, atau kontrol yang lebih ketat—di sini infrastruktur VPS gaya AlexHost adalah bagian dari desain, bukan hanya latar belakang. Untuk deployment, panduan AlexHost yang sama mencakup setup: n8n automation tutorial untuk Ubuntu: dari nol hingga flow.

📝 Catatan: Aturan panduan: heuristik sistem terkecil. Jika ekstraksi terstruktur menyelesaikan masalah, berhentilah di sana. Jangan tambahkan memory, tools, atau otonomi kecuali workflow benar-benar membutuhkannya.

Mulai dengan kasus penggunaan yang terbatas, bukan hype otonomi

Otomasi kaku biasanya rusak pertama kali pada saat input manusia yang berantakan masuk ke sistem. Itulah celah yang difokuskan artikel ini. Anda sekarang memiliki model mental dan pola kerja: n8n AI Agent menangani langkah interpretasi yang fleksibel, dan workflow di sekitarnya mengubah hasil itu menjadi sesuatu yang terstruktur dan dapat diandalkan.

Itulah aturan desain yang patut dipertahankan. Mulai dengan tugas interpretasi terkontrol yang menghasilkan data siap workflow. Perluas ke memori, alat, atau pemicu yang lebih kaya hanya ketika workflow nyata membutuhkannya — bukan karena kata “agent” membuat otonomi yang lebih besar terdengar lebih mengesankan.