AI Agent (n8n)

Seit n8n v1.0 gibt es spezielle "Advanced AI" Nodes. Du brauchst 3 Komponenten:

1. Der Agent Node: Der Boss. Er koordiniert alles.
2. Das Model (LLM): Das Gehirn (z. B. ChatGPT-4o). Das musst du anschließen.
3. Die Tools: Die Hände.
   • Calculator: Zum Rechnen.
   • Wikipedia: Zum Recherchieren.
   • Custom Tool: Ein n8n-Workflow, den der Agent aufrufen kann ("SendeEmaiLWokflow").

Beispiel: Support Chatbot

Der User fragt: "Wo ist mein Paket?" Der Agent denkt:

1. "Ich brauche den Bestellstatus."
2. Ruft Tool 'Shopify-Suche' auf.
3. "Status ist 'Versendet'."
4. Antwortet dem User: "Dein Paket ist unterwegs!"

1. LangChain Integration

n8n nutzt unter der Haube LangChain, das Standard-Framework für LLM-Apps. Das heißt, du hast Zugriff auf mächtige Konzepte:

• Memory: Der Agent "erinnert" sich an den Chatverlauf (Buffer Memory).
• Chains: Verkettung von Denkprozessen.

2. Tool Calling (Function Calling)

Das ist der magische Moment. Das LLM antwortet nicht mit Text, sondern mit einem strukturierten Befehl: {"tool": "calculator", "args": "5 * 5"}. n8n führt diesen Befehl aus, nimmt das Ergebnis (25) und füttert es zurück in das LLM. Das LLM sagt dann: "Das Ergebnis ist 25." So kann eine Sprach-KI plötzlich Mathe, Wetter checken oder Datenbanken durchsuchen.

1. ReAct Pattern (Reasoning and Acting)

Der mächtigste Mechanismus hinter dem standard LangChain Agent Node ist das ReAct Framework (Yao et al., 2022). Statt das LLM nur blind Text-Vorhersagen machen zu lassen, forciert der System Prompt eine strikte Denk-Logik in einer Loop: Thought -> Action -> Observation. Thought: Das Modell denkt laut ("Ich muss den Preis in Datenbank X suchen"). Action: Das LLM formatiert einen JSON Tool-Call aus dem Prompt-Wissenband. Observation: Die n8n Engine füttert den rohen API Response in den Context-Window Injection point zurück. Das Zwingen des Models sein "Thought" vor der Action in Tokens im Tensor-Graph physikalisch auszuschreiben (CoT - Chain of Thought), erlaubt den Attention Heads tiefer in den Kausal-Raum zu navigieren und reduziert Tool-Halluzinationen (z.B. falsche Parameter) um bis zu 40%.

2. Buffer Window vs Vector Store Memory

Ein Produktions-Flaschenhals von Chat-Agenten ist "Context Limit Exhaustion". Man pumpt dem Agenten via BufferMemory stupide die letzten 40 Nachrichten in System Prompt Arrays ein. Wenn das Limit überschritten ist (> 128k Tokens), knallt die OpenAI Server API, oder der Tokenizer wird obszön teuer (2$ pro API-Call!). Enterprise n8n-Workflows binden statt simplem Memory zwingend Vector Store Backed Memory an. Chat-Verläufe werden per Embeddings-Modell in eine Qdrant/Pinecone DB im Hintergrund serialisiert. Beginnt ein Anruf, schickt der Agent nicht den Chat hin, sondern triggert eine Similarity Search ("Suche K=3 relevanteste Erinnerungen zur aktuellen Query"). Das spart 90% Cost-Inference und verleiht dem Agenten ewiges, Latenz-sauberes Langzeitgedächtnis, das nie das API Fenster sprengt.

3. Determinismus in Tool-Outputs & Parse Errors

KI-Modelle haben in Natur eine Wahrscheinlichkeits-Entropie (Temperature > 0). Wenn der Agent Tool X aufrufen soll (JSON Return Format), bricht das LLM aus und fügt "Hier ist dein Ergebnis: {json...}" als Text hinzu (Markdown Boilerplates). n8n fängt das durch Output-Parser ab, welche oft wild per Regex rudern müssen, um die JSON Keys freizukratzen. In der Produktion setzt man "Strict Mode" via OpenAI's response_format: {"type": "json_schema"} ein. Dabei übergibt der Agent Node das JSON-Schema als Grammar Parsing Tree direkt an den GPU-VRAM Interpreter ab O-Level. Die Token-Generierung weigert sich auf tiefsten Binär-Wahrscheinlichkeiten, den Graphen-Baum der vorgegebenen Formel zu verlassen (100% Parsing-Garantie).