N8N AI Agent Öğreticisi: Basit İstemden Yapılandırılmış İş Akışı Verilerine

İş akışı otomasyonu neden artık sabit kurallardan daha fazlasına ihtiyaç duyuyor

Bir iş akışının şu cümleyi aldığını hayal edin: “John adında yeni bir müşteri 01/06/2026’de bir GPU server satın aldı.” Bir kişi bunu okur ve anında üç yararlı değeri görür: müşteri adı, ürün ve tarih.

Katı bir iş akışı görmez. Metni bölebilir, desenleri arayabilir ve formatları doğrulayabilir, ancak ifade değişir değişmez — “John dün bir GPU server sipariş etti” veya “Yeni müşteri John 1 Haziran’da hosting satın aldı” — kırılgan ayrıştırma çatlamaya başlar.

Bu, klasik otomasyon ile AI katmanı arasındaki sınırdır. Deterministik iş akışları girdiler temiz olduğunda mükemmeldir: verileri yönlendirme, alanları dönüştürme, kayıtları doğrulama, API’leri çağırma ve dizileri güvenilir bir şekilde tekrarlama. İlk adımda başarısız olurlar — niyeti yorumlama, istekleri sınıflandırma, yapılandırılmamış içeriği özetleme veya iş akışının harekete geçebilmesi için doğal dilden alanları çıkarma.

İşte tam olarak n8n AI Agent’ın pratik hale geldiği yer. Bu kılavuzda, önce n8n AI Agent’ın bir iş akışı içinde gerçekte ne olduğunu düz İngilizce olarak anlayacaksınız, ardından doğal dili yapılandırılmış verilere dönüştüren temellendirilmiş ilk bir kullanım durumu oluşturacaksınız.

n8n AI Agent’ın gerçekte ne olduğu

n8n içinde, bir AI Agent en iyi şekilde bir workflow içindeki bir reasoning adımı olarak anlaşılır. Bir modeli kullanan, girişi yorumlayan, bağlamla çalışan ve sonraki adımın ne olacağını şekillendirmeye yardımcı olan bir nodedir. Bu, bir soruya cevap vermek, alanları çıkarmak, bir isteği sınıflandırmak veya sonraki workflow adımının nasıl hazırlanması gerektiğine karar vermek anlamına gelebilir. Önemli olan kısım, ajanın workflow içinde yaşamasıdır. Kendi başına bütün sistem değildir.

Hareketli parçaları role göre ayırdığınızda anlamak daha kolay olur:

Model esnek yorumlamayı işler. Çevresindeki n8n nodeları hala yapıyı sahiplenir: veriler nereden gelir, nasıl eşlenir, ne doğrulanır, hangi node sonra çalışır ve sonunda başka bir sisteme ne yazılır. Tahmin edilebilir yürütme, onaylar, entegrasyonlar veya iş kurallarına ihtiyacınız varsa, workflow yönetimde kalır.

💡 İpucu: En temiz zihinsel model şudur: workflow hala raylar; agent bu raylar içindeki reasoning adımıdır.

Bu aynı zamanda n8n AI Agent’ın ne olmadığını söylemeyi de kolaylaştırır. Bu sadece bir chatbot nodu değildir. Bu sihirli özerklik değildir. Bu her workflow’un ihtiyaç duyduğu bir şey değildir. Sabit bir kural, basit bir dönüşüm veya bir sınırlı AI istemi zaten işi çözerken, bir agent katmanı eklemek sadece karmaşıklık ekler. Değer, workflow’un tekrar belirleyici olmadan önce belirsizlikle uğraşması gerektiğinde ortaya çıkar.

n8n AI Agents’ın gerçek iş akışlarında en çok yardımcı olduğu yerler

Bir n8n AI Agent’ı kullanmanın en iyi yeri, insan belirsizliğinin sisteme girdiği sınırda yer alır.

• Destek ekipleri gelen bir isteği okuyup bunun faturalandırma, teknik veya acil olup olmadığını sınıflandırması gerekebilir.
• Operasyon ekipleri düz metin olarak iç istekler alabilir ve yönlendirmeden önce alanları çıkarması gerekebilir.
• Satış ekipleri karışık bir potansiyel müşteri mesajını temiz, CRM’ye hazır verilere dönüştürmek isteyebilir.
• Belge yoğun iş akışları yapılandırılmamış metinden adlar, tarihler, fatura numaraları veya hizmet detaylarını çıkarması gerekebilir.

Bu durumların her birinde, işbölümü aynı kalır. Agent yorumlar, çıkarır, özetler veya sınıflandırır. Belirleyici düğümler daha sonra çıktıyı doğrular, doğru şubeye yönlendirir, kayıtlar oluşturur, insanları bilgilendirir veya sonucu başka bir sisteme yazar. Bu sınır önemlidir çünkü AI’ın faydalı kısmını — esnek yorumlama — korurken, iş akışı otomasyonunu değerli kılan tahmin edilebilirlikten vazgeçmez.

Yapılandırılmış çıkarma, özellikle güçlü bir ilk kullanım durumudur çünkü sınırlı, görünür ve aşağı akışta hemen faydalıdır. Giriş cümlesini görebilir, geri almak istediğiniz alanları tanımlayabilir ve sonra bu alanları normal iş akışı verisi gibi kullanabilirsiniz. Bu, getiriyi somut hale getirir. “AI yararlı bir şey söyledi” yerine, “iş akışının artık ad, ürün ve tarihi var ve sonraki düğüm bunlar üzerinde hareket edebilir” elde edersiniz.

Ayrıca akılda tutulması gereken bir disiplini uygulamak için iyi bir yerdir: daha fazla agent davranışı otomatik olarak daha iyi değildir. Sabit bir kural veya tek bir istem zaten sorunu çözüyorsa, muhtemelen tam bir agent katmanına ihtiyacınız yoktur. Bu makale, her otomasyon probleminin geniş özerklik gerektirdiğini iddia etmeden gerçek iş akışı değeri gösteren yapılandırılmış çıkarmaya odaklanır.

Bu eğitimde ne inşa edeceğiz

Bu eğitim kasıtlı olarak iki iş akışı öğretir. İş Akışı A en küçük olası desendir:

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

Amacı sizi etkilemek değildir. Amacı veri yolunu görünür kılmaktır, böylece istemi iş akışına nasıl girdiğini, aracıya nasıl ulaştığını ve normal bir cevap olarak nasıl geri döndüğünü tam olarak görebilirsiniz.

İş Akışı B aynı tabanı tutar ve bunu bir Structured Output Parser artı bir Create invoice kod düğümü ile yükseltir. Aracı, bir paragraf döndürmek yerine tahmin edilebilir alanları döndürecektir. Bu alanlar daha sonra bir fatura nesnesi oluşturmak için kullanılır, bu da çıktıyı iş akışının geri kalanı için hemen kullanışlı hale getirir.

Bu iki aşamalı ilerleme önemlidir. İlk olarak, aracının en basit olası biçimde nasıl davrandığını görürsünüz. Ardından, düz AI çıktısının otomasyon için hikayenin yalnızca yarısı olduğunu görürsünüz. Gerçek kazanç, iş akışı doğal dili yapılandırılmış verilere dönüştürdüğünde gelir.

Başlamadan önce: ön koşullar ve hazırlık

İş akışını oluşturmadan önce üç şeyi hazır bulundurun:

1. Çalışan bir n8n örneği
2. İş akışı oluşturma ve düzenleme izni
3. Çalışan OpenRouter API kimlik bilgileri

İsterseniz n8n Cloud’da aynı mantığı çalıştırabilirsiniz, ancak bu makale kendi kendine barındırılan bir ortam etrafında çerçevelenmiştir çünkü bu, takımlar veri, ağ veya özel entegrasyonlar üzerinde daha fazla kontrol istediğinde AlexHost tarzı yaygın bir kullanım durumudur.

Bu öğretici için pratik kaynak, AlexHost VPS’de çalışan n8n 2.26.8 üzerinde gözlemlenmiştir. AI bölümünü denemeden önce n8n’i dağıtmanız gerekiyorsa, burada ayrı AlexHost kılavuzunu kullanın: Ubuntu için n8n otomasyon öğreticisi: sıfırdan akışa.

📓 Not: Devam etmeden önce küçük bir terminoloji notu: daha yeni belgeler Set düğümünü Edit Fields (Set) olarak gösterebilir, ancak bu kılavuz pratik kaynağın kullandığı şey olduğu için daha basit Set sözcüğünü tutar.

Bu makalenin Chat Trigger yerine Manual Trigger + Set ile başlamasının nedeni basittir: girişi açık tutar, eşlemeyi incelemesi kolay hale getirir ve ilk oluşturma için bir karışıklık katmanını kaldırır. Bir AI Agent düğümünün bir iş akışına nasıl uyduğunu ve bu iş akışının serbest biçimli bir istemden yapılandırılmış, otomasyon hazır çıktıya nasıl hareket ettiğini öğreniyorsunuz.

Uygulamalı Bölüm 1: Mümkün olan en küçük n8n AI Agent akışını oluşturun

Bu ilk iş akışı, daha faydalı bir şey yapmasını istemeden önce temel deseni kanıtlar. Görünür bir giriş oluşturacak, bunu AI Agent’a geçirecek, bir OpenRouter modeli bağlayacak ve iş akışının normal bir metin yanıtı döndürdüğünü doğrulayacaksınız.

1.0 Tetikleyici ve giriş düğümünü ekleyin

Tuval üzerine bir Manual Trigger düğümü ve bir Set düğümü yerleştirerek başlayın. Bu, giriş noktasını basit tutar ve aracıya geçirilecek bir açık alan sağlar.

Bu noktada, henüz hiçbir şey “AI’ye özgü” yapmıyorsunuz. Sonraki düğümün açıkça okuyabileceği şekilde temiz iş akışı girişi hazırlıyorsunuz.

1.1 Set düğümünü yapılandırın

Set düğümünü açın, Manual Mapping‘e geçin, prompt adında bir alan oluşturun ve aşağıdaki başlangıç metnini yapıştırın. Bu, iş akışına daha sonra daha işletmeye uygun bir cümle ile değiştirebileceğiniz bir görünür değer verir.

Hello, who are you?

Bunun yaptığı şey basit ama önemlidir: istemi AI düğümünün içinde gizlemek yerine, onu normal iş akışı verilerinde tutarsınız. Bu, giriş yolunu anlamayı ve yeniden kullanmayı kolaylaştırır.

2.0 AI Agent’ı yerleştirin ve bir sohbet modeli bağlayın

Şimdi bir AI Agent düğümü ekleyin ve bir OpenRouter Chat Model‘i onun Chat Model girişine bağlayın. Başlangıç terimlerinde, görünür girdiler şu anlama gelir: Chat Model aracının yanıt vermek için kullandığı modeldir, Memory turlar arasında devam eden isteğe bağlı bağlamdır ve Tool aracının dış yetenekleri çağırmasına izin veren isteğe bağlı bağlantıdır. Bu ilk iş akışında, amaç en küçük çalışan deseni anlamak olduğundan yalnızca model bağlanır.

Bu yerleştirildikten sonra, rol bölünmesi görünür hale gelir: iş akışı girişi taşır ve ajan yorumlama adımını işler.

2.1 OpenRouter modelini yapılandırın

OpenRouter hesabı kimlik bilgisini seçin ve kaynak iş akışında gösterilen aynı modeli seçin: deepseek/deepseek-v4-flash. Bu ilk geçiş için ekstra ayarlama yapmanız gerekmez.

📝 Not: Mevcut OpenRouter modelleri, buradaki kaynak-of-truth örneği deepseek/deepseek-v4-flash kullanmasına rağmen, hesaba göre değişebilir.

Hesabınız farklı bir liste gösteriyorsa, iş akışı deseni tam model adından daha önemlidir.

3.0 prompt alanını AI Agent’a eşleyin

Set düğümü çıkışını AI Agent‘a bağlayın, Source for Prompt (User Message)‘ı Define below‘a ayarlayın ve aşağıdaki ifadeyi kullanarak iş akışı değerini prompt alanına eşleyin. Bu, aracıya düğümün içinde sabit kodlanmış bir ileti kullanmak yerine yukarı akış verilerinden prompt değerini okumasını söyler.

{{ $json.prompt }}

Bu eşleme, normal n8n verileri ile AI adımı arasındaki anahtar köprüdür. Bir kez anlaşıldığında, öğreticinin geri kalanını takip etmek çok daha kolay hale gelir.

3.1 İş akışını yürütün

İş akışını çalıştırın, böylece veriler tam zincir boyunca hareket eder: Manual Trigger -> Set -> AI Agent -> OpenRouter Chat Model. Yalnızca modelin yanıt verdiğini değil, aynı zamanda iş akışının istemi bir düğümden diğerine temiz bir şekilde geçirdiğini doğruluyorsunuz.

Yürütme başarılı olursa, artık aracının yalnızca kendi arayüzünün içinde serbest yazma yerine iş akışı verilerini tüketebileceğinin kanıtına sahipsiniz.

3.2 Yanıtı gözden geçirin

Çıktıyı açın ve sonucu inceleyin. Bu aşamada, AI Agent isteme normal bir metin yanıtı döndürür. Bu, en basit biçimiyle temel desen: giriş, çıkış.

Bu ilk iş akışı önemlidir çünkü tesisatı kanıtlar. Ayrıca sınırlamayı açıkça gösterir: bir paragraf etkileşim için iyidir, ancak aşağı akış otomasyonu için hantaldır. Sonraki adım, iş akışının çok daha faydalı hale geldiği yerdir.

Uygulamalı Bölüm 2: yanıtı yapılandırılmış iş akışı verilerine dönüştürün

Şimdi aynı temel iş akışını tutuyoruz ve hedefi değiştiriyoruz. Aracıdan genel bir yanıt istemek yerine, sonraki düğümün normal JSON gibi kullanabileceği tahmin edilebilir alanları çıkarmasını isteyeceğiz.

4.0 İstemi değiştirin ve belirli bir format gerekli kılın

Set düğümüne geri dönün ve rahat selamlamayı aşağıdaki iş tarzı cümleyle değiştirin. Ardından AI Agent’ta Require Specific Output Format öğesini etkinleştirin, böylece iş akışı prose hedeflemekten vazgeçer ve yapılandırılmış çıkarma hedeflemeye başlar.

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

Bu, kullanım durumunun gerçek hale geldiği andır. Cümle, bir insanın anında anladığı verileri içerir ve iş akışı artık bu verileri makine tarafından kullanılabilir bir şekilde döndürmeye öğretiliyor.

4.1 Yapılandırılmış Çıktı Ayrıştırıcısı Ekleyin

AI Agent’ın Output Parser girişine bir Structured Output Parser bağlayın. Bu ayrıştırıcı, modele serbest metin olarak yanıt vermesine izin vermek yerine bir hedef yapı veren şeydir.

📝 Not: Structured Output Parser bu ilk demo için iyi bir seçimdir, ancak resmi n8n rehberi, aracılar üzerinde doğrudan ayrıştırmanın daha gelişmiş iş akışlarında daha az güvenilir olabileceğini belirtir. Bu başlangıç düzeyi desen için, veri şekli değişikliğini görmesi kolay hale getirdiği için yine de doğru öğretim adımıdır.

Önemli fikir, ekstra düğümün kendisi değildir. Bu, “AI yanıtını” “iş akışı sözleşmesine” dönüştürdüğünüz şeydir.

4.2 Çıktı şemasını bir JSON örneğinden tanımlayın

Ayrıştırıcıda, Schema Type öğesini Generate From JSON Example olarak ayarlayın ve aşağıdaki tam örneği kullanın. Bu, aracıya iş akışının geri döndürmesini beklediği üç alan içeren açık bir şema verir.

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

Bu örneği tanımladıktan sonra, modelden “yararlı bir şey söyle” istemiş olmazsınız. name, product ve date ile tahmin edilebilir bir yapı döndürmesini istiyorsunuz.

4.3 Yapılandırılmış sonucu kontrol edin

İş akışını yeniden çalıştırın ve AI Agent çıktısını inceleyin. Bu sefer, sonuç bir paragraf yerine alanlar olarak geri dönmelidir.

Bu şekil değişikliği gerçek yükseltmedir. Yapılandırılmış çıktı sadece daha güzel biçimlendirme değildir. Sonucun tahmin etmeden tüketmek için aşağı akış mantığı için yeterince güvenilir olmasını sağlayan şeydir.

4.4 Ayrıştırılmış alanları bir JavaScript fatura düğümünde kullanın

Sonucu bir Create invoice JavaScript düğümüne geçirin. Bu kılavuzda anahtar kaynak-gerçek ayrıntı, ayrıştırılmış nesnenin $input.first().json.output öğesinden okunması, yani kodun yapılandırılmış aracı çıktısını doğrudan tükettiği anlamına gelir.

// 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 }];

Bu, iş akışının sohbet demosunun gibi davranmayı bıraktığı ve otomasyon gibi davranmaya başladığı yerdir. Aracı alanları çıkardı ve sonraki düğüm onları diğer yapılandırılmış girişler gibi tam olarak kullandı.

4.5 Oluşturulan fatura verilerini gözden geçirin

Son çıktıyı açın ve fatura nesnesini inceleyin. invoice_id, customer, product, order_date, due_date ve status gibi kullanılabilir alanları görmelisiniz.

Bu, makalenin inşa ettiği tam yaşam döngüsüdür: doğal dil cümlesi -> yapılandırılmış çıkarma -> fatura kaydı. Sonuç bu şekli aldıktan sonra, iş akışı onu diğer JSON yükü gibi güvenilir bir şekilde sonraki adımlara geçirebilir.

Bu ilk iki iş akışının aslında ne kanıtladığı

İki iş akışı birlikte, n8n AI Agent için iki farklı deseni gösterir. İlk desen düz istem-yanıt: agent metin alır ve metinle yanıt verir. İkinci desen yapılandırılmış çıkarım: agent karışık insan dilini alır ve iş akışının gerçekten kullanabileceği alanları döndürür.

Bu fark önemlidir çünkü yükseltme kozmetik değil, yetenek hakkındadır. Metin üretimi etkileşime yardımcı olur. Yapılandırılmış çıkarım otomasyona yardımcı olur. İkinci desen, AI adımını “ilginç” olmaktan “operasyonel olarak faydalı” hale getiren şeydir.

Aşağıdaki tablo bu değişimi özetlemektedir:

Desen	Agent ne yaptı	İş akışı sonra ne yapabilir
Düz istem-yanıt	Görünür bir istemi oku ve normal bir metin yanıtı döndür	Yanıtı görüntüle, gözden geçir veya hafif insan yönelimli etkileşim için kullan
Yapılandırılmış çıkarım	Bir cümleyi oku ve ad, ürün ve tarih gibi tahmin edilebilir alanları döndür	Değerleri doğrula, kayıtlar oluştur, mantık dallandır, sistemleri bilgilendir veya JSON’u sonraki düğümlere geçir

Bu yükseltme yolunu anladığında, fatura örneği “bir fatura öğreticisi” olmaktan çıkar ve yeniden kullanılabilir bir iş akışı desenine dönüşür. Aynı yaklaşım, potansiyel müşteri yakalama, destek alımı, sipariş ayrıştırma, bilet zenginleştirme veya dahili istek yönlendirmesini güçlendirebilir. Her durumda, hedef aynıdır: doğal dili yapılandırılmış verilere dönüştür, sonra belirleyici iş akışı düğümlerinin geri kalanını yap.

Bu ilk kullanım durumundan sonra deneyecekleriniz

En güvenli adım özerklik değildir—sınırlandırılmış deseni korumak ve bir seferde bir değişkeni yükseltmektir. Manuel Tetikleyiciyi gelen girdi gerektiğinde Chat Tetikleyicisi veya Webhook ile değiştirin. Süreklilik önemli olduğunda bellek ekleyin. Aracı yalnızca ajan bir şey araması veya düğümün ötesinde hareket etmesi gerektiğinde bağlayın. Ardından çıktılar gerçek sistemlere dokunuyorsa doğrulama veya onay ekleyin.

Kendi kendine barındırma, iş akışlarının özel girdilere, dahili hizmet erişimine, öngörülebilir çalışma süresine veya daha sıkı kontrole ihtiyacı olduğunda kritik hale gelir—burada AlexHost tarzı VPS altyapısı arka plan değil, tasarımın bir parçasıdır. Dağıtım için, aynı AlexHost kılavuzu kurulumu kapsar: Ubuntu için n8n otomasyon öğreticisi: sıfırdan akışa.

📝 Not: Yönlendirici kural: en küçük sistem buluşsal yöntemi. Yapılandırılmış çıkarma sorunu çözüyorsa, orada durun. Iş akışı gerçekten gerektirmediği sürece bellek, araçlar veya özerklik eklemeyin.

Sınırlı bir kullanım durumundan başlayın, otonom hype’ından değil

Katı otomasyon genellikle karışık insan girdisi sisteme girdiği anda ilk kez kırılır. Bu makale bu boşluğa odaklanmıştır. Artık hem zihinsel modele hem de çalışan bir desene sahipsiniz: n8n AI Agent esnek yorumlama adımını gerçekleştirir ve çevresindeki iş akışı bu sonucu yapılandırılmış ve güvenilir bir şeye dönüştürür.

Bunu tutmaya değer tasarım kuralıdır. İş akışına hazır veriler üreten kontrollü yorumlama görevleriyle başlayın. Bellek, araçlar veya daha zengin tetikleyicilere yalnızca gerçek iş akışı onları gerektirdiğinde genişletin — “agent” sözcüğü daha büyük otonom hale daha etkileyici göründüğü için değil.