N8N AI Agent Tutorial: De la Prompt Simplu la Date Structurate în Workflow

De ce automatizarea fluxului de lucru acum are nevoie de mai mult decât reguli fixe

Imaginați-vă că un flux de lucru primește o propoziție ca aceasta: “A new client named John bought a gpu server on 01/06/2026.” O persoană citește asta și vede instant trei valori utile: numele clientului, produsul și data.

Un flux de lucru rigid nu. Poate împărți text, căuta modele și valida formate, dar în momentul în care formularea se schimbă — “John just ordered a GPU server yesterday” sau “New customer John purchased hosting on June 1” — analiza fragil începe să se spargă.

Aceasta este granița dintre automatizarea clasică și stratul AI. Fluxurile de lucru deterministe excelează odată ce intrările sunt curate: rutarea datelor, transformarea câmpurilor, validarea înregistrărilor, apelarea API-urilor și repetarea secvențelor în mod fiabil. Se poticnesc la primul pas dezordonat—interpretarea intenției, clasificarea cererilor, rezumarea conținutului nestructurat sau extragerea câmpurilor din limbajul natural înainte ca fluxul de lucru să poată acționa.

Aceasta este exact locul unde un n8n AI Agent devine practic. În acest ghid, veți obține mai întâi o înțelegere în limba engleză simplă a ceea ce n8n AI Agent este de fapt într-un flux de lucru, apoi veți construi un prim caz de utilizare fundamentat care transformă limbajul natural în date structurate.

Ce este de fapt un Agent AI n8n

În n8n, un Agent AI se înțelege cel mai bine ca un pas de raționament în cadrul unui workflow. Este un nod care folosește un model pentru a interpreta intrarea, a lucra cu context și a ajuta la formarea a ceea ce se întâmplă mai departe. Aceasta poate însemna răspunderea la o solicitare, extragerea de câmpuri, clasificarea unei cereri sau deciderea cum ar trebui pregătit următorul pas al workflow-ului. Partea importantă este că agentul trăiește în interiorul workflow-ului. Nu este întregul sistem în sine.

Componentele mobile sunt mai ușor de înțeles atunci când le separați după rol:

Modelul gestionează interpretarea flexibilă. Nodurile n8n din jur deținând în continuare structura: de unde provin datele, cum sunt mapate, ce se validează, care nod se execută următorul și ce se scrie în final într-un alt sistem. Dacă aveți nevoie de execuție previzibilă, aprobări, integrări sau reguli de afaceri, workflow-ul rămâne în control.

💡 Sfat: Modelul mental cel mai curat este acesta: workflow-ul sunt încă șinele; agentul este pasul de raționament în interiorul acestor șine.

Aceasta face, de asemenea, mai ușor să spuneți ce nu este Agentul AI n8n. Nu este doar un nod chatbot. Nu este autonomie magică. Nu este ceva de care fiecare workflow are nevoie. Dacă o regulă fixă, o transformare simplă sau o singură solicitare AI delimitată rezolvă deja sarcina, adăugarea unui strat de agent doar adaugă complexitate. Valoarea apare atunci când workflow-ul trebuie să se ocupe de ambiguitate înainte de a putea deveni din nou determinist.

Unde ajutoareaza cel mai mult n8n AI Agents in fluxurile de lucru reale

Cel mai bun loc pentru a folosi un n8n AI Agent este la marginea unde ambiguitatea umana intra in sistem.

• Echipele de suport ar putea avea nevoie sa citeasca o cerere primita si sa clasifice daca este legata de facturare, tehnica sau urgenta.
• Echipele de operatiuni ar putea primi cereri interne in limbaj natural si au nevoie sa extraga campuri inainte de rutare.
• Echipele de vanzari ar putea dori sa transforme un mesaj de lead dezordonat in date curate, gata pentru CRM.
• Fluxurile de lucru cu multe documente ar putea avea nevoie sa extraga nume, date, numere de factura sau detalii de servicii din text nestructurat.

In fiecare dintre aceste cazuri, impartirea muncii ramane aceeasi. Agentul interpreteaza, extrage, rezuma sau clasifica. Nodurile deterministe valideaza apoi rezultatul, il ruta catre ramura corecta, creeaza inregistrari, notifica persoane sau scrie rezultatul intr-un alt sistem. Aceasta granita conteaza pentru ca pastreaza partea utila a AI — interpretarea flexibila — fara a renunta la predictibilitatea care face ca automatizarea fluxului de lucru sa merite folosita.

Extractia structurata este un caz de utilizare deosebit de puternic pentru ca este delimitat, vizibil si imediat util in aval. Poti vedea propozitia de intrare, defini campurile pe care le doresti inapoi, si apoi folosi acele campuri ca date normale de flux de lucru. Asta face ca rezultatul sa fie concret. In loc de “AI-ul a spus ceva util,” obtii “fluxul de lucru are acum nume, produs si data, si nodul urmator poate actiona pe baza lor.”

Este, de asemenea, un loc bun pentru a pastra o disciplina in minte: mai mult comportament al agentului nu este automat mai bun. Daca o regula fixa sau un singur prompt rezolva deja problema, probabil ca nu ai nevoie de un strat complet de agent. Acest articol se concentreaza pe extractia structurata pentru ca arata valoare reala a fluxului de lucru fara a pretinde ca fiecare problema de automatizare are nevoie de autonomie larga.

Ce construim în acest tutorial

Acest tutorial predă intenționat două fluxuri de lucru. Fluxul de lucru A este cel mai mic model posibil:

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

Scopul său nu este să te impresioneze. Scopul său este să facă vizibilă calea datelor, astfel încât să poți vedea exact cum promptul intră în flux, ajunge la agent și revine ca un răspuns normal.

Fluxul de lucru B păstrează aceeași bază și o îmbunătățește cu un Structured Output Parser plus un nod de cod Create invoice. În loc să returneze un paragraf, agentul va returna câmpuri previzibile. Acele câmpuri sunt apoi folosite pentru a construi un obiect factură, ceea ce face rezultatul imediat util pentru restul fluxului de lucru.

Această progresie în doi pași este importantă. Mai întâi, vezi cum se comportă agentul în forma cea mai simplă posibilă. Apoi, vezi de ce rezultatul simplu din AI este doar jumătate din poveste pentru automatizare. Adevăratul beneficiu vine atunci când fluxul de lucru transformă limbajul natural în date structurate.

Înainte de a începe: condiții prealabile și pregătire

Înainte de a construi fluxul de lucru, pregătește trei lucruri:

1. O instanță n8n în funcțiune
2. Permisiune de a crea și edita un flux de lucru
3. Credențiale OpenRouter API funcționale

Poți rula aceeași logică în n8n Cloud dacă dorești, dar acest articol este structurat în jurul unui mediu auto-găzduit deoarece acesta este un caz de utilizare obișnuit în stil AlexHost atunci când echipele doresc mai mult control asupra datelor, rețelei sau integrărilor private.

Sursa practică pentru acest tutorial a fost observată pe n8n 2.26.8 rulând pe un VPS AlexHost. Dacă mai trebuie să implementezi n8n înainte de a încerca partea AI, folosește ghidul separat AlexHost de aici: n8n automation tutorial for Ubuntu: from zero to flow.

📓 Notă: O mică notă de terminologie înainte de a continua: documentația mai nouă poate afișa nodul Set ca Edit Fields (Set), dar această procedură păstrează terminologia mai simplă Set deoarece aceasta este ceea ce folosește sursa practică.

Motivul pentru care acest articol începe cu Manual Trigger + Set în loc de Chat Trigger este simplu: ține intrarea explicită, face maparea ușor de inspectat și elimină un nivel de confuzie pentru o primă construcție. Înveți cum un nod AI Agent se încadrează într-un flux de lucru și cum acel flux de lucru se mișcă de la o solicitare liberă la o ieșire structurată, gata de automatizare.

Hands-on Part 1: construiți cel mai mic flux posibil de n8n AI Agent

Acest prim flux de lucru demonstrează modelul de bază înainte de a-i cere să facă ceva mai util. Veți crea o intrare vizibilă, o veți transmite în AI Agent, veți conecta un model OpenRouter și veți confirma că fluxul de lucru returnează un răspuns text normal.

1.0 Adăugați nodul trigger și nodul de intrare

Începeți prin plasarea unui nod Manual Trigger și a unui nod Set pe pânză. Aceasta ține punctul de intrare simplu și vă oferă un câmp clar pe care să-l transmiteți agentului.

În acest moment, nu faceți nimic “specific AI” încă. Pregătiți intrarea curată a fluxului de lucru, astfel încât următorul nod să aibă ceva explicit de citit.

1.1 Configurați nodul Set

Deschideți nodul Set, comutați-l la Manual Mapping, creați un câmp numit prompt și lipiți textul de pornire de mai jos. Aceasta oferă fluxului de lucru o valoare vizibilă pe care o puteți schimba mai târziu cu o propoziție mai orientată spre afaceri.

Hello, who are you?

Ceea ce face aceasta este simplu, dar important: în loc să ascundeți promptul în interiorul nodului AI, îl păstrați în datele normale ale fluxului de lucru. Aceasta face ca calea de intrare să fie mai ușor de înțeles și reutilizat.

2.0 Plasați AI Agent și conectați un model de chat

Acum adăugați un nod AI Agent și conectați un OpenRouter Chat Model la intrarea sa Chat Model. În termeni pentru începători, intrările vizibile înseamnă aceasta: Chat Model este modelul pe care agentul îl folosește pentru a răspunde, Memory este contextul opțional care persista între ture, iar Tool este conexiunea opțională care permite agentului să apeleze capabilități externe. În acest prim flux de lucru, doar modelul este conectat, deoarece scopul este să înțelegeți cel mai mic model de lucru.

Odată ce aceasta este în loc, împărțirea rolurilor devine vizibilă: fluxul de lucru transportă intrarea, iar agentul va gestiona pasul de interpretare.

2.1 Configurați modelul OpenRouter

Selectați credențialele contului OpenRouter și alegeți același model prezentat în fluxul de lucru sursă: deepseek/deepseek-v4-flash. Nu aveți nevoie de ajustări suplimentare pentru această primă încercare.

📝 Notă: Modelele OpenRouter disponibile pot varia în funcție de cont, chiar dacă exemplul sursă-de-adevăr de aici folosește deepseek/deepseek-v4-flash.

Dacă contul dvs. afișează o listă diferită, modelul fluxului de lucru contează mai mult decât numele exact al modelului.

3.0 Mapați câmpul prompt în AI Agent

Conectați ieșirea nodului Set la AI Agent, setați Source for Prompt (User Message) la Define below, și mapați valoarea fluxului de lucru în câmpul prompt folosind expresia de mai jos. Aceasta spune agentului să citească valoarea prompt din datele din amonte în loc să folosească un mesaj hardcodat în interiorul nodului.

{{ $json.prompt }}

Acel mapping este podul cheie între datele normale n8n și pasul AI. Odată ce se înțelege, restul tutorialului devine mult mai ușor de urmat.

3.1 Executați fluxul de lucru

Rulați fluxul de lucru, astfel încât datele să se deplaseze prin lanțul complet: Manual Trigger -> Set -> AI Agent -> OpenRouter Chat Model. Verificați nu doar că modelul răspunde, ci că fluxul de lucru transmite promptul curat de la un nod la altul.

Dacă execuția reușește, acum aveți dovada că agentul poate consuma datele fluxului de lucru mai degrabă decât doar tastarea liberă în interfața sa proprie.

3.2 Examinați răspunsul

Deschideți ieșirea și inspectați rezultatul. În această etapă, AI Agent returnează un răspuns text normal la prompt. Acesta este modelul de bază în forma sa cea mai simplă: intrare prompt, ieșire răspuns.

Acel prim flux de lucru contează, deoarece demonstrează instalațiile. De asemenea, arată limitarea clar: un paragraf este bun pentru interacțiune, dar stânjenitor pentru automatizarea din aval. Pasul următor este locul în care fluxul de lucru devine mult mai util.

Partea practică 2: transformați răspunsul în date de flux de lucru structurate

Acum păstrăm același flux de lucru de bază și schimbăm obiectivul. În loc să cereți agentului o răspuns general, îl vom cere să extragă câmpuri previzibile pe care nodul următor le poate folosi ca JSON normal.

4.0 Schimbați promptul și cereți un format specific

Reveniți la nodul Set și înlocuiți salutul casual cu propoziția de stil comercial de mai jos. Apoi activați Require Specific Output Format în AI Agent, astfel încât fluxul de lucru să înceteze să urmărească proza și să înceapă să urmărească extragerea structurată.

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

Acesta este momentul în care cazul de utilizare devine real. Propoziția conține date pe care un om le înțelege instantaneu, iar fluxul de lucru este acum învățat să returneze acele date într-o formă utilizabilă de mașină.

4.1 Adăugați un Parser de ieșire structurată

Conectați un Structured Output Parser la intrarea Output Parser a AI Agent. Acest parser este ceea ce oferă modelului o structură țintă în loc să-l lase să răspundă în text liber.

📝 Notă: Structured Output Parser este o potrivire bună pentru această primă demonstrație, dar orientările oficiale n8n notează că analiza directă pe agenți poate fi mai puțin fiabilă în fluxurile de lucru mai avansate. Pentru acest model pentru începători, este încă pasul de predare corect, deoarece face schimbarea formei datelor ușor de văzut.

Ideea importantă nu este nodul suplimentar în sine. Este că transformați „răspunsul AI” în „contract de flux de lucru”.

4.2 Definiți schema de ieșire dintr-un exemplu JSON

În parser, setați Schema Type la Generate From JSON Example și utilizați exemplul exact de mai jos. Aceasta oferă agentului o schemă clară cu cele trei câmpuri pe care fluxul de lucru le așteaptă înapoi.

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

Odată ce definiți acel exemplu, nu mai cereți modelului să „spună ceva util”. Îi cereți să returneze o structură previzibilă cu name, product și date.

4.3 Verificați rezultatul structurat

Executați din nou fluxul de lucru și inspectați ieșirea AI Agent. De această dată, rezultatul ar trebui să revină ca câmpuri în loc de paragraf.

Acea schimbare de formă este adevărata îmbunătățire. Ieșirea structurată nu este doar formatare mai frumoasă. Este ceea ce face rezultatul suficient de fiabil pentru ca logica din aval să-l consume fără a ghici.

4.4 Utilizați câmpurile analizate într-un nod JavaScript pentru facturi

Acum transmiteți rezultatul într-un nod JavaScript Create invoice. Detaliul cheie sursă-de-adevăr în această prezentare este că obiectul analizat este citit din $input.first().json.output, ceea ce înseamnă că codul consumă ieșirea agentului structurat direct.

// 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 }];

Acesta este locul în care fluxul de lucru încetează să se comporte ca o demonstrație de chat și începe să se comporte ca automatizare. Agentul a extras câmpurile, iar nodul următor le-a folosit exact ca orice alt input structurat.

4.5 Revizuiți datele facturii generate

Deschideți ieșirea finală și inspectați obiectul facturii. Ar trebui să vedeți câmpuri utilizabile, cum ar fi invoice_id, customer, product, order_date, due_date și status.

Acesta este ciclul de viață complet pe care articolul a fost construit: propoziție în limbaj natural -> extragere structurată -> înregistrare factură. Odată ce rezultatul are acea formă, fluxul de lucru o poate transmite în etapele ulterioare la fel de fiabil ca orice alt payload JSON.

Ce demonstrează de fapt aceste primele două fluxuri de lucru

Luate împreună, cele două fluxuri de lucru arată două modele diferite pentru n8n AI Agent. Primul model este răspuns simplu la prompt: agentul primește text și răspunde cu text. Al doilea model este extracție structurată: agentul primește limbaj uman dezordonat și returnează câmpuri pe care fluxul de lucru le poate folosi efectiv.

Această diferență contează pentru că upgrade-ul este despre capacitate, nu despre estetică. Generarea de text ajută la interacție. Extracția structurată ajută la automatizare. Al doilea model este ceea ce transformă pasul AI din „interesant” în util din punct de vedere operațional.

Tabelul de mai jos rezumă această schimbare:

Odată ce înțelegi această cale de upgrade, exemplul facturii încetează să fie „un tutorial despre facturi” și devine un model de flux de lucru reutilizabil. Aceeași abordare poate alimenta capturarea de lead-uri, intake de suport, analizare de comenzi, îmbogățire de tichet sau rutare de cereri interne. În fiecare caz, scopul este același: transformă limbajul natural în date structurate, apoi lasă nodurile deterministe ale fluxului de lucru să facă restul.

Ce să încerci mai departe după acest prim caz de utilizare

Pasul cel mai sigur nu este autonomia—este menținerea modelului delimitat și actualizarea unei variabile la un moment dat. Schimbă Manual Trigger cu Chat Trigger sau Webhook când ai nevoie de intrare din exterior. Adaugă memorie doar când continuitatea contează. Atașează instrumente doar când agentul trebuie să caute ceva sau să acționeze dincolo de nod. Apoi adaugă validare sau aprobare dacă rezultatele afectează sisteme reale.

Self‑hosting devine critic când fluxurile de lucru au nevoie de intrări private, acces la servicii interne, disponibilitate previzibilă sau control mai strict—aici infrastructura VPS de tip AlexHost face parte din design, nu doar din fundal. Pentru implementare, același ghid AlexHost acoperă configurarea: n8n automation tutorial pentru Ubuntu: de la zero la flux.

📝 Notă: Regula orientatoare: heuristica celui mai mic sistem. Dacă extragerea structurată rezolvă problema, oprește-te acolo. Nu adauga memorie, instrumente sau autonomie decât dacă fluxul de lucru cu adevărat le necesită.

Începeți cu un caz de utilizare delimitat, nu cu hype-ul autonomiei

Automatizarea rigidă se defectează de obicei în momentul în care intrarea dezordonată a omului intră în sistem. Aceasta este lacuna pe care s-a concentrat acest articol. Acum aveți atât modelul mental, cât și un model de lucru: n8n AI Agent gestionează pasul de interpretare flexibilă, iar fluxul de lucru din jur transformă acel rezultat în ceva structurat și de încredere.

Aceasta este regula de design care merită păstrată. Începeți cu sarcini de interpretare controlate care produc date gata pentru flux de lucru. Extindeți-vă în memorie, instrumente sau declanșatori mai bogați doar atunci când fluxul de lucru real le necesită — nu pentru că cuvântul „agent” face ca autonomia mai mare să sune mai impresionantă.