Ein n8n KI-Agent ist ein Workflow, in dem ein Sprachmodell selbst entscheidet, welche Werkzeuge es aufruft, um eine Aufgabe zu lösen. Den Kern bildet der Node „AI Agent“. Du verbindest ihn mit einem Chat-Modell, einem Gedächtnis und mindestens einem Tool, und n8n kümmert sich um die Schleife aus Denken, Tool-Aufruf und Antwort. Hier erfährst du, wie die Bausteine zusammenspielen, wie du einen ersten Agenten baust und wo die Grenzen liegen. Wenn dir n8n selbst noch neu ist, starte mit dem n8n Tutorial.
Was der AI Agent Node in n8n macht
Ein normaler n8n-Workflow folgt einem festen Pfad: Trigger, dann Node für Node. Ein Agent wählt den Pfad während der Ausführung. Er bekommt eine Anfrage, liest die Beschreibungen der angeschlossenen Tools und ruft das passende auf. Das Ergebnis geht zurück ans Modell, das das nächste Tool wählt oder antwortet.
Technisch setzt n8n dafür auf LangChain. Der AI Agent ist ein sogenannter Cluster-Node: ein Root-Node, an den Sub-Nodes andocken. Seit Version 1.82.0 gibt es keine Auswahl des Agententyps mehr, jeder AI-Agent-Node arbeitet als Tools Agent und nutzt die Tool-Calling-Schnittstelle des Modells. Die alte Version 1 mit Typauswahl soll laut Doku mit n8n 3.0 entfallen.
Die Bausteine: Modell, Memory, Tools, Output Parser
| Sub-Node | Aufgabe | Pflicht? | Beispiele |
|---|---|---|---|
| Chat Model | Denkt, plant, formuliert | ja | OpenAI, Anthropic, Mistral, Groq |
| Memory | Merkt sich den Gesprächsverlauf | nein | Simple Memory, Postgres, Redis |
| Tool | Führt Aktionen aus oder holt Daten | ja, mindestens eins | HTTP Request, Code, Workflow, MCP |
| Output Parser | Erzwingt ein festes Antwortformat | nur mit Formatpflicht | Structured oder Auto-fixing |
Chat Model
Hier wählst du Anbieter und Modell. Achte darauf, dass das Modell Tool Calling verlässlich beherrscht. Kleine, günstige Modelle verwechseln bei vielen Tools gern die Werkzeuge. Ein bewährter Weg: mit einem starken Modell starten, den Agenten stabil bekommen, dann ein kleineres testen.
Memory
Ohne Memory beginnt jede Nachricht bei null. Simple Memory speichert eine einstellbare Zahl vorheriger Interaktionen pro Session Key. Die Doku warnt: Läuft deine Instanz im Queue Mode, funktioniert Simple Memory in aktiven Produktions-Workflows nicht, weil nicht jede Anfrage beim selben Worker landet. Produktiv nimmst du deshalb Postgres oder Redis.
Tools
Jedes Tool hat eine Beschreibung, und genau diese Beschreibung liest das Modell, um zu entscheiden. „Holt die freien Termine aus dem Teamkalender für ein Datum im Format JJJJ-MM-TT“ funktioniert. „Kalender“ funktioniert schlecht. Besonders flexibel ist das Call n8n Workflow Tool: Du lagerst eine Teilaufgabe in einen eigenen Workflow aus, und der Agent ruft ihn wie eine Funktion auf. Über das MCP Client Tool bindest du die Werkzeuge eines externen MCP-Servers ein.
Output Parser
Schaltest du „Require Specific Output Format“ ein, verlangt n8n einen Output Parser. Das brauchst du, wenn nachfolgende Nodes ein festes JSON-Format erwarten.
Die wichtigsten Einstellungen
Im AI Agent Node selbst steuerst du das Verhalten über wenige Felder:
- Prompt: automatisch aus dem vorherigen Node (Feld
chatInput) oder fest definiert, auch als Ausdruck. - System Message: die Grundanweisung, also Rolle, Regeln, Ton und wann welches Tool dran ist.
- Max Iterations: wie oft das Modell pro Anfrage laufen darf. Standard ist 10, das begrenzt Endlosschleifen.
- Return Intermediate Steps: gibt die Zwischenschritte mit aus, hilfreich bei der Fehlersuche.
- Enable Streaming: standardmäßig an, wirkt aber nur mit einem Trigger, der Streaming unterstützt, etwa dem Chat Trigger.
Beispiel: Ein Termin-Agent Schritt für Schritt
Ziel: Ein Chat-Agent beantwortet Fragen zu freien Terminen und trägt auf Wunsch einen Termin ein.
- Chat Trigger anlegen, er startet bei jeder Nachricht. „Make Chat Publicly Available“ beim Bauen auslassen.
- AI Agent anhängen. Prompt auf „Take from previous node automatically“ lassen, damit die Chatnachricht ankommt.
- Chat-Modell verbinden. Zugang hinterlegen, Modell mit Tool Calling wählen.
- Simple Memory verbinden. Zum Testen reicht das. Für den Livebetrieb später auf Postgres umstellen.
- Zwei Kalender-Tools anschließen: freie Zeiten lesen, Termin anlegen. Beide präzise beschreiben, mit Eingabeformat.
- System Message schreiben. Rolle, Zeitzone, Arbeitszeiten und die Regel „Vor dem Anlegen immer den Termin bestätigen lassen“.
- Testen und Zwischenschritte prüfen. Return Intermediate Steps einschalten und nachsehen, welches Tool der Agent mit welchen Werten aufgerufen hat.
- Veröffentlichen. Chat öffentlich schalten, Authentifizierung wählen (None, Basic Auth oder n8n User Auth) und den Workflow aktivieren.
Für das schreibende Kalender-Tool lohnt eine menschliche Freigabe. n8n listet „Human approval for tool calls“ als Funktion, damit ein Mensch einen kritischen Tool-Aufruf bestätigt, bevor er ausgeführt wird. Weitere Muster, etwa Recherche- oder Support-Agenten, sammelt der Ratgeber KI-Agenten Beispiele.
Was ein n8n KI-Agent kostet
Zwei Kostenblöcke kommen zusammen: n8n selbst und das Sprachmodell. Die Community Edition hostest du ohne Lizenzgebühr selbst, zahlst aber Server und Wartung. In n8n Cloud wird nach Workflow-Ausführungen abgerechnet, und laut Doku zählt jede Chatnachricht über den Chat Trigger als eine Ausführung.
| n8n-Tarif (Stand November 2026) | Preis jährlich | Preis monatlich | Ausführungen pro Monat |
|---|---|---|---|
| Starter (Cloud) | 20 € / Monat | 24 € / Monat | 2.500 |
| Pro (Cloud) | 50 € / Monat | 60 € / Monat | 10.000 |
| Business (nur Self-Hosted) | 667 € / Monat | 800 € / Monat | 40.000 |
Die Modellkosten hängen von Anbieter, Modell und Tokenmenge ab. Agenten mit vielen Tool-Aufrufen verbrauchen pro Anfrage deutlich mehr Tokens als ein einfacher Prompt, weil jede Iteration den Kontext erneut schickt. Details zu allen Tarifen stehen unter n8n Kosten.
Typische Fehler und Grenzen
- Vage Tool-Beschreibungen: Das Modell rät. Nenne Zweck, Eingabe, Rückgabe.
- Zu viele Tools an einem Agenten: Je mehr ähnliche Tools, desto öfter greift das Modell daneben. Bündle Teilaufgaben in Unter-Workflows.
- Simple Memory in Produktion: Im Queue Mode unverlässlich, siehe oben. Nimm eine Datenbank.
- Kein Iterationslimit im Blick: Ein Agent, der ein Tool immer wieder falsch aufruft, verbrennt bis zu zehn Durchläufe pro Anfrage.
- Feste Abläufe als Agent gebaut: Ist der Ablauf immer gleich, ist ein normaler Workflow billiger und verlässlicher.
Ein Agent lohnt sich dort, wo die Reihenfolge der Schritte von der Anfrage abhängt.
Sicherheit nur kurz
Ein Agent mit schreibenden Tools kann Daten ändern, Mails verschicken oder Termine löschen. Gib ihm nur die Rechte, die er wirklich braucht, und setze bei kritischen Aktionen eine Freigabe. Wie Prompt Injection, Rechtevergabe und Protokollierung bei Agenten konkret aussehen, erklärt der Ratgeber zur Sicherheit von KI-Agenten. Wer vom n8n-Agenten zu einem eigenen, programmierten Agenten wechseln will, findet den Einstieg unter KI-Agent erstellen.
Fertige Agenten-Workflows zum Nachbauen teilen Mitglieder in der KI-Automatisierungs-Community.