Agent AI w n8n: jak go zbudować krok po kroku i połączyć z Claude albo ChatGPT przez MCP

Czym jest agent AI w n8n i czym różni się od zwykłego przepływu?

Agent AI w n8n to węzeł AI Agent, do którego podłączasz model językowy i narzędzia. Opisujesz zadanie, a model sam decyduje, które narzędzie wywołać i w jakiej kolejności. Zwykły przepływ wykonuje tylko kroki zaplanowane z góry.

Według dokumentacji n8n do węzła AI Agent trzeba podłączyć model czatu i co najmniej jedno narzędzie; bez narzędzia węzeł nie zadziała. Od wersji 1.82.0 ustawienie typu agenta jest wycofane i każdy węzeł działa jako Tools Agent, czyli korzysta z wywoływania narzędzi (tool calling) wbudowanego w model. Wersja węzła z wyborem typu (v1) ma zniknąć w wersji 3.0, więc stare szablony, na przykład z „ReAct Agent”, warto przenieść na aktualną wersję.

Na start potrzebujesz trzech rzeczy. Pierwsza to instancja: chmura n8n Cloud, w której już najtańszy plan Starter obejmuje według cennika agentów, MCP i węzły AI, albo edycja Community na własnym serwerze. Druga to dostęp do modelu: klucz API dostawcy, model lokalny przez Ollamę albo, w planach Starter i Pro w chmurze, kredyty Gateway bez konta u dostawcy. Trzecia to konto w systemie, z którego agent ma czytać, z najmniejszymi potrzebnymi uprawnieniami.

Agenta dokładam tam, gdzie liczba kroków zależy od treści: raz trzeba sprawdzić zamówienie, raz klienta w CRM-ie, a raz od razu oddać sprawę człowiekowi. Tak wyglądają odpowiedzi na pytania o status zamówienia, wstępna kwalifikacja zapytań z formularza albo wyszukiwanie odpowiedzi w dokumentach firmy. Do przypisania maila do jednej z kilku znanych kategorii agent nie jest potrzebny: wystarczy Text Classifier albo Basic LLM Chain, porównane w tabeli poniżej.

Osobną funkcją jest zakładka Agents, w której asystent jest samodzielnym obiektem z kanałami, harmonogramem i bazą wiedzy. Ma status Preview: dokumentacja uprzedza, że agenci mogą się mylić, a ich działanie może się zmienić, dopóki funkcja jest rozwijana, dlatego procesów produkcyjnych na niej nie opieram. W chmurze i na własnym serwerze działa we wszystkich planach, także w Enterprise; na własnym serwerze wymaga co najmniej wersji 2.32.3 i na razie nie obsługuje trybu kolejki.

Zanim zaczniesz od zera, przejrzyj gotowe szablony: dokumentacja węzła AI Agent odsyła do przykładowych przepływów, a cennik n8n Cloud wymienia szablony przepływów wśród podstawowych funkcji. Każdy szablon trzeba jednak przyciąć do własnych danych i uprawnień. Jeśli firma pracuje już w Make albo Zapierze, różnice między narzędziami opisuję w porównaniu n8n, Make czy Zapier.

Cztery sposoby użycia modelu językowego w n8n. Według dokumentacji n8n.

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Jakie węzły trzeba połączyć?

Sam węzeł AI Agent niczego nie zrobi: działa dopiero z podpiętym modelem, a zwykle także z pamięcią, narzędziami i parserem. Model rozumie tekst, pamięć przechowuje kontekst rozmowy, narzędzia łączą agenta z systemami, a parser nadaje odpowiedzi stały kształt.

Dokumentacja n8n ostrzega przed pułapką w podwęzłach: wyrażenie zawsze odnosi się tam do pierwszego elementu wejścia. Jeśli na wejście trafi naraz pięć maili, wyrażenie {{ $json.email }} w podwęźle pamięci za każdym razem zwróci adres z pierwszego z nich. Dlatego każdą wiadomość przetwarzam osobno.

Za tokeny płacisz od wszystkiego, co model dostaje w danej iteracji: instrukcji, opisów podłączonych narzędzi, historii rozmowy i wyników wcześniejszych wywołań. Każde zbędne narzędzie podnosi więc koszt każdego maila, nawet gdy model z niego nie skorzysta. Według cennika Anthropic nazwy, opisy i schematy narzędzi wliczają się do tokenów wejścia, a samo włączenie narzędzi dokłada do każdego zapytania stały narzut tokenów, inny dla każdego modelu.

Elementy agenta w n8n i ustawienia, na które warto uważać. Według dokumentacji n8n.

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Jak zbudować agenta AI w n8n krok po kroku?

Pokażę to na typowym scenariuszu: skrzynka biuro@, do której klienci piszą o status zamówienia. Agent sprawdza zamówienie, przygotowuje odpowiedź i oddaje ją człowiekowi do zatwierdzenia. Te same kroki pasują do obsługi czatu albo CRM-u.

1. Zapisz zadanie i zbierz przykładyJedno zdanie, na przykład „na pytanie o status odpowiedz z bazy zamówień, reklamacje i sprawy bez numeru oddaj człowiekowi”, i 20–⁠30 prawdziwych maili z oczekiwaną odpowiedzią. To jednocześnie specyfikacja i zestaw testowy.
2. Dodaj wyzwalaczDo pierwszych prób wystarczy Chat Trigger, z którym rozmawiasz w edytorze. Na produkcji podepnij wyzwalacz skrzynki, który pobiera tylko nieprzeczytane wiadomości z etykietą „zapytania”; wąski filtr odcina autorespondery i newslettery.
3. Wyczyść dane przed modelemWęzeł Guardrails w trybie Sanitize Text podmienia numery kart, telefony i klucze API na znaczniki, zanim treść trafi do dostawcy modelu. Brakujące wzorce, na przykład numer PESEL, dodasz jako własne wyrażenie regularne (Custom Regex).
4. Dodaj węzeł AI Agent i modelPodłącz do niego model czatu z danymi logowania dostawcy. W System Message opisz rolę, język odpowiedzi i granice, na przykład „nie obiecuj terminów ani rabatów”, a Max Iterations obniż z domyślnych 10 do wartości, która wystarcza w testach.
5. Podłącz narzędzie tylko do odczytuNarzędzie bazy danych łączy się przez konto, które widzi jeden widok, jak w listingu SQL poniżej. Model podaje przez $fromAI() wyłącznie numer zamówienia, a adres nadawcy bierzesz z wyzwalacza, nie z odpowiedzi modelu.
6. Wymuś odpowiedź w JSON i zgodę na wysyłkęStructured Output Parser pilnuje schematu odpowiedzi. Narzędzie wysyłki maila podłączasz pod krok Human review: opiekun widzi na Slacku treść i adresata, a jeśli odmówi, wiadomość nie wyjdzie.
7. Przetestuj i opublikujSprawdź przepływ na zebranych mailach z włączonym Return Intermediate Steps, a dopiero potem go opublikuj. Dziennik decyzji zapisuj we własnej tabeli, a awarie zgłaszaj osobnym przepływem błędów z węzłem Error Trigger.

-- Osobne konto dla narzędzia agenta w n8n
CREATE ROLE agent_n8n LOGIN PASSWORD 'zmien-to-haslo';

-- Widok tylko z kolumnami potrzebnymi do odpowiedzi o status
CREATE VIEW agent_zamowienia AS
SELECT numer, status, data_wysylki, przewoznik, email_klienta
FROM zamowienia;

GRANT CONNECT ON DATABASE sklep TO agent_n8n;
GRANT USAGE ON SCHEMA public TO agent_n8n;
GRANT SELECT ON agent_zamowienia TO agent_n8n;

{{ $fromAI('numer_zamowienia', 'Numer zamówienia z treści maila, np. ZAM-2026-0142. Jeśli w mailu nie ma numeru, nie zgaduj.', 'string') }}

Jakie narzędzia podłączyć i ile swobody dać modelowi?

Agent ma dostęp do systemów firmy wyłącznie przez narzędzia, więc to one wyznaczają, co może zepsuć. Wąskie narzędzie, które robi jedną rzecz na koncie z minimalnymi uprawnieniami, ogranicza skutki pomyłki modelu do tego, na co pozwala to konto.

Węzeł aplikacji, na przykład PostgreSQL albo Slack, wykonuje jedną operację, a HTTP Request wywoła dowolne API. Według dokumentacji HTTP Request podłączony jako narzędzie ma opcję Optimize Response, która przycina odpowiedź, zanim trafi do modelu, i w ten sposób zmniejsza koszt. Custom Code Tool uruchamia kod w JavaScripcie albo Pythonie, Call n8n Workflow Tool uruchamia osobny przepływ, a MCP Client Tool daje dostęp do narzędzi zewnętrznego serwera MCP.

O tym, ile swobody dostaje model, decyduje funkcja $fromAI(). Wstawiasz ją w wybrane pole narzędzia i tylko to pole wypełnia model, a resztę ustawiasz na sztywno. Dokumentacja podaje, że klucz funkcji ma od 1 do 64 znaków, a wartość może być tekstem, liczbą, wartością logiczną albo JSON-em. Funkcja działa tylko w narzędziach podłączonych do agenta i nie działa w Code Tool.

Gdy narzędzie ma coś zapisać, prawie zawsze buduję je jako osobny przepływ. W nim sprawdzam, czy numer zamówienia istnieje i należy do nadawcy, kontroluję kwoty i zapisuję ślad, a dopiero potem wykonuję akcję. Dokumentacja opisuje przy tym pułapkę: jeśli podprzepływ nie jest opublikowany, narzędzie w produkcji zwraca agentowi błąd „Workflow is not active and cannot be executed”, a agent potrafi przykryć go uprzejmym zdaniem, że danych nie udało się pobrać.

Po HTTP Request sięgam przy polskich systemach bez gotowego węzła, na przykład przy wyszukiwaniu firmy po NIP, opisanym w przewodniku dane firmy po NIP przez API. Model podaje wtedy tylko NIP, a adres API i dane logowania są wpisane na stałe. Każde narzędzie opisuję jak instrukcję dla nowego pracownika: co robi, jakiego formatu danych oczekuje i czego nie robi.

Wbudowane narzędzie czy serwer MCP jako narzędzie agenta. Według dokumentacji n8n.

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Jak ustawić pamięć i odpowiedź w formacie JSON?

Pamięć ustala, ile model pamięta z wcześniejszej rozmowy, a parser, w jakiej postaci oddaje wynik kolejnym węzłom. Źle ustawiony klucz pamięci miesza rozmowy klientów, a bez parsera dostajesz tekst, którego nie sprawdzisz zwykłym warunkiem.

Simple Memory ma dwa parametry: Session Key, czyli klucz historii, i Context Window Length, czyli liczbę poprzednich wymian. Według dokumentacji w trybie kolejki (queue mode) ten węzeł nie działa w aktywnym przepływie produkcyjnym, bo kolejne wywołania mogą trafić do różnych workerów. Wtedy historię trzyma Postgres Chat Memory, który sam zakłada wskazaną tabelę, jeśli jej nie ma.

Klucz sesji to sprawa bezpieczeństwa. Przy czacie bierz go z identyfikatora rozmowy, przy mailach z identyfikatora wątku; wspólny klucz oznacza, że model może przytoczyć jednemu klientowi fragment rozmowy z innym. Tabela z historią to dane osobowe, więc wpisz ją do rejestru czynności przetwarzania i ustal okres przechowywania.

Structured Output Parser oddaje pola zgodne ze schematem JSON. Według dokumentacji schemat wygenerowany z przykładowego obiektu ma wszystkie pola obowiązkowe, a schemat wpisany ręcznie nie może używać odwołań $ref. Parser nie zwalnia z kontroli: za parserem stawiam węzeł If, który kieruje sprawę do człowieka, gdy pole potrzebny_czlowiek ma wartość true albo pewność jest niska.

{
  "type": "object",
  "properties": {
    "kategoria": { "type": "string", "enum": ["status_zamowienia", "reklamacja", "inne"] },
    "numer_zamowienia": { "type": ["string", "null"] },
    "szkic_odpowiedzi": { "type": "string" },
    "pewnosc": { "type": "string", "enum": ["wysoka", "srednia", "niska"] },
    "potrzebny_czlowiek": { "type": "boolean" },
    "powod": { "type": "string" }
  },
  "required": ["kategoria", "numer_zamowienia", "szkic_odpowiedzi", "pewnosc", "potrzebny_czlowiek", "powod"],
  "additionalProperties": false
}

Jak wymusić zgodę człowieka przed wysyłką albo zapisem?

To ustawienie uważam za najważniejsze w firmowym agencie: model może proponować, ale wysyłka do klienta, zapis w systemie i każdy przelew czekają, aż kliknie osoba, która za nie odpowiada.

Według dokumentacji n8n zgodę ustawiasz dla pojedynczego narzędzia: w panelu narzędzi węzła AI Agent dodajesz krok Human review, wybierasz kanał i podłączasz pod niego narzędzia wymagające zatwierdzenia. Gdy model chce ich użyć, przepływ się zatrzymuje, a osoba dostaje nazwę narzędzia i parametry wybrane przez model. Zatwierdzenie wykonuje narzędzie z tymi parametrami, a odmowa anuluje akcję i informuje o niej model; dokumentacja przewiduje tylko te dwie decyzje, bez poprawiania parametrów.

Kanałem zgody może być czat n8n, Slack, Discord, Telegram, Microsoft Teams, Gmail, WhatsApp Business Cloud, Google Chat albo Microsoft Outlook, także inny niż kanał rozmowy: klient pisze na czacie, a kierownik zatwierdza na Slacku. W treści prośby użyj zmiennych $tool.name i $tool.parameters, a w System Message opisz, które narzędzia wymagają zgody i jak reagować na odmowę.

n8n ogłosiło tę funkcję w wersji 2.6, we wpisie na forum z 30 stycznia 2026 r. Dokumentacja nie wiąże jej z planem, a cennik n8n Cloud wymienia ją wśród funkcji agentów. Jedno sprawdź w wersji próbnej: cennik podaje maksymalny czas wykonania, 5 minut na Starterze i 40 minut na Pro, ale nie opisuje, jak liczy się czekanie na decyzję człowieka.

Gdzie stawiać punkty akceptacji i jak nie zamienić ich w odruchowe klikanie, piszę w przewodniku człowiek w pętli w automatyzacji. Faktury wysłanej do KSeF nie cofniesz jednym kliknięciem, więc ten krok zawsze stoi za zgodą; samą integrację opisuję w tekście integracja z KSeF przez API.

Które akcje agenta stawiam za zgodą człowieka. To moja praktyka, nie wymóg n8n.

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Jak działa MCP w n8n: Server Trigger, Client Tool i serwer instancji?

MCP (Model Context Protocol) to otwarty protokół, przez który model korzysta z narzędzi. n8n bywa serwerem narzędzi dla Claude czy ChatGPT i klientem cudzych serwerów MCP.

MCP Server Trigger działa inaczej niż zwykły wyzwalacz: nie przekazuje danych dalej, tylko udostępnia podłączone do niego narzędzia, które klient MCP może wylistować i wywołać. Własne przepływy dołączasz do niego węzłem Custom n8n Workflow Tool, a adres produkcyjny zaczyna działać po opublikowaniu przepływu. Dla Claude Desktop dokumentacja podaje konfigurację z bramką, która tłumaczy połączenie na stdio. Jeśli n8n działa w trybie kolejki z kilkoma replikami webhooków, cały ruch /mcp* trzeba skierować do jednej, wydzielonej repliki.

MCP Client Tool to podwęzeł narzędzia: podajesz adres serwera i uwierzytelnienie, a potem wybierasz, które narzędzia serwera agent zobaczy: wszystkie, wybrane albo wszystkie poza wskazanymi. Serwer z rejestru MCP w panelu węzłów podłączasz jednym kliknięciem i zalogowaniem, bez ręcznego zakładania danych logowania. Udostępniaj tylko potrzebne narzędzia, bo opisy każdego z nich trafiają do kontekstu modelu.

Serwer MCP instancji włącza właściciel albo administrator w Settings, w sekcji Instance-level MCP, a klient łączy się adresem kończącym się na /mcp-server/http, przez OAuth albo token API. Według dokumentacji pełny dostęp klient dostaje tylko do opublikowanych przepływów z wyzwalaczem webhooka, formularza, harmonogramu albo czatu, którym jawnie włączysz MCP; narzędzie search_workflows widzi jedynie podgląd pozostałych. Od wersji 2.13.0 klient może też tworzyć i edytować przepływy, więc nadawaj mu tylko potrzebne uprawnienia.

n8n jako serwer MCP wystarcza, gdy narzędzia to istniejące przepływy, a użytkownikami są osoby z firmy. Osobny serwer piszę, gdy narzędzie trafia do klientów firmy, potrzebuje uprawnień per użytkownik albo ma działać lokalnie przez stdio. Różnice opisuję w przewodniku własny serwer MCP, a zakres prac na stronie serwery MCP.

Trzy sposoby użycia MCP w n8n. Według dokumentacji n8n.

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Ile kosztuje działanie agenta?

Rachunek ma dwie części: n8n liczy wykonania przepływu, a dostawca modelu tokeny. Druga część zależy od długości tekstu i liczby iteracji.

Według cennika n8n przy płatności rocznej plan Starter kosztuje 20 euro miesięcznie za 2,5 tys. wykonań, Pro od 50 euro miesięcznie za 10 tys. wykonań, a Business 667 euro miesięcznie za 40 tys. wykonań i jest dostępny tylko na własnym serwerze. Wykonanie to jedno uruchomienie całego przepływu, niezależnie od liczby kroków, więc agent, który pięć razy wywoła model, zużywa jedno wykonanie; przy Chat Trigger każda wiadomość to osobne wykonanie. Edycja Community na własnym serwerze nie ma abonamentu, ale wymaga utrzymania, które opisuję w przewodniku n8n na własnym serwerze.

Dostawca modelu liczy tokeny wejścia i wyjścia, a wejściem w każdej iteracji są instrukcja, opisy narzędzi, historia i wcześniejsze wyniki. Anthropic podaje w cenniku, że modele Claude od wersji 4.7 robią z tego samego tekstu około 30 procent więcej tokenów niż starsze, więc ten sam mail ma u różnych dostawców różną liczbę tokenów i modele warto porównać na własnych mailach. Stawki OpenAI w tabeli dotyczą kontekstu poniżej 272 tys. tokenów.

Przykład rachunkowy przy moich założeniach, nie pomiar: trzy wywołania modelu na mail, każde z około 5 tys. tokenów wejścia, łącznie 600 tokenów wyjścia. Daje to 15 tys. tokenów wejścia na mail; wynik dla tysiąca maili jest w ostatniej kolumnie tabeli. Różnica między skrajnymi modelami w tabeli jest dwudziestokrotna, dlatego model wybieram po ewaluacji, a nie po nazwie.

W planach Starter i Pro n8n Cloud część modeli uruchomisz na kredytach Gateway, z przedpłaconego salda i bez konta u dostawcy. Do prób to wygodne, ale zapytania trafiają wtedy do dostawcy przez konto n8n, więc na produkcji wolę własny klucz: własna umowa z dostawcą, własne limity i rachunek w jednym miejscu. Pełny koszt agenta, z budową i utrzymaniem, rozpisuję w przewodniku ile kosztuje agent AI.

Cenniki i przepisy się zmieniają. Linki do źródeł są na dole strony.

Stawki modeli w USD za milion tokenów według cenników Anthropic i OpenAI. Ostatnia kolumna: przykład z 15 tys. tokenów wejścia i 600 wyjścia na mail.

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Jakie błędy się zdarzają i jak je ograniczyć?

Błąd, który zatrzymuje przepływ, zobaczysz w historii wykonań i w powiadomieniu z przepływu błędów. Trudniej zauważyć te, przy których wykonanie kończy się sukcesem: agent wpisuje do narzędzia numer zamówienia, którego nie było w mailu, odpowiada autoresponderowi albo wykonuje polecenie ukryte w treści wiadomości. Obronę przed każdym z nich zebrałem w tabeli.

Pętlę rozpoznasz po dzienniku: jedno wykonanie z kilkoma identycznymi wywołaniami narzędzia albo wątek, w którym agent i autoresponder wymieniają po kilkanaście maili. Pierwszy przypadek ucina limit Max Iterations, drugi filtr nadawców i etykieta, którą agent nadaje każdemu obsłużonemu wątkowi.

OWASP przyznaje, że nie wiadomo, czy istnieją niezawodne metody zapobiegania prompt injection, i zaleca ograniczanie skutków: najmniejsze potrzebne uprawnienia, klucze API obsługiwane w kodzie zamiast przekazywania ich modelowi, zgodę człowieka przy operacjach wysokiego ryzyka, oznaczanie treści z zewnątrz i sprawdzanie formatu odpowiedzi kodem. Dlatego granicę stawiam na uprawnieniach: agent czytający skrzynkę nie ma narzędzia do eksportu klientów, więc polecenie w mailu nie ma czego uruchomić.

Węzeł Guardrails pomaga, ale nie zastępuje uprawnień. Według dokumentacji tryb Check Text for Violations sprawdza słowa kluczowe, próby obejścia zabezpieczeń (Jailbreak), dane osobowe, klucze API, adresy URL i zgodność z tematem, a naruszenia kieruje do gałęzi Fail. Część kontroli sama korzysta z modelu i progu pewności od 0 do 1, więc to filtr probabilistyczny, który trzeba sprawdzić na własnych przykładach. Więcej o scenariuszach ataku piszę w przewodniku bezpieczeństwo agenta AI.

Błędy agenta w n8n i obrona przed nimi. Według dokumentacji n8n i OWASP.

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Jak testować przed wdrożeniem i co dalej?

Kilka udanych prób w edytorze nie pokazuje, jak agent poradzi sobie z setnym mailem. Ewaluacje w n8n przepuszczają przez przepływ cały zestaw testowy i zapisują wyniki obok oczekiwanych.

Według dokumentacji n8n ewaluacja lekka uruchamia przepływ dla każdego wiersza zestawu testowego z tabeli danych n8n albo Arkusza Google i dopisuje wynik obok wzorca. W n8n Cloud działa na wszystkich planach, na własnym serwerze w edycjach Registered Community, Business i Enterprise. Ewaluacja z metrykami nadaje wynikom oceny i porównuje kolejne uruchomienia; jest dostępna w n8n Cloud w planach Pro i Enterprise, na własnym serwerze w Enterprise, a w planie Starter i zarejestrowanej edycji Community dla jednego przepływu.

Mój minimalny zestaw dla agenta skrzynkowego to 20–⁠30 prawdziwych maili: pytania o status, maile bez numeru, reklamacje, autorespondery, wiadomości po angielsku i kilka z ukrytym poleceniem. Przy tych ostatnich sprawdzam jedno: czy agent próbował wywołać narzędzie, którego nie powinien. Metryki liczone modelem kosztują tokeny, więc stawiam je za operacją sprawdzającą, czy trwa ewaluacja.

Po wdrożeniu agent potrzebuje opieki jak każdy proces. Zestaw testów uruchamiam ponownie po aktualizacji n8n, zmianie modelu i każdej poprawce instrukcji, bo każda z tych zmian może przestawić decyzje modelu. Przepływ błędów z Error Trigger powiadamia o awariach, a przegląd dziennika raz w tygodniu pokazuje, które kategorie maili nadal wymagają człowieka. Przed n8n 3.0 sprawdzam też, czy w przepływach nie została wersja v1 węzła AI Agent.

Wbudowane metryki ewaluacji w n8n i do czego ich używam. Według dokumentacji n8n.

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Co z RODO, gdy agent czyta maile klientów?

Agent w n8n przepuszcza dane klientów przez co najmniej dwa podmioty: n8n, jeśli korzystasz z chmury, i dostawcę modelu. Każdy potrzebuje umowy i miejsca w dokumentacji RODO.

UODO przypomina, że według art. 28 RODO administrator korzysta tylko z podmiotów przetwarzających dających wystarczające gwarancje, na podstawie umowy określającej między innymi przedmiot, czas, charakter i cel przetwarzania oraz rodzaj danych. W 2022 r. UODO nałożył 2,5 tys. zł kary na Sułkowicki Ośrodek Kultury za powierzenie danych bez pisemnej umowy i bez sprawdzenia podmiotu przetwarzającego.

Przy n8n Cloud n8n jest według swojej dokumentacji jednocześnie administratorem i podmiotem przetwarzającym w rozumieniu RODO, a umowa powierzenia ze standardowymi klauzulami umownymi jest częścią standardowych warunków usługi; dane planów hostowanych leżą we Frankfurcie. Przy własnym serwerze n8n nie jest ani administratorem, ani podmiotem przetwarzającym danych z przepływów, a dokumentacja zaleca automatyczne czyszczenie historii wykonań zmienną EXECUTIONS_DATA_MAX_AGE. Dostawca modelu jest kolejnym podmiotem przetwarzającym: sprawdź jego umowę powierzenia i zapis o trenowaniu modeli na Twoich danych, a gdy dane nie mogą opuścić firmy, zostaje model na własnym serwerze.

Historia wykonań zachowuje treść maili i szkiców, a cennik n8n Cloud ogranicza logi wykonań do 7 dni na Starterze i 30 dni na Pro. Dziennik decyzji agenta, potrzebny przy reklamacji albo kontroli, zapisuj więc we własnej tabeli, z minimum danych. Gdy agent rozmawia z klientami na czacie, dochodzą obowiązki z AI Act, które omawiam w przewodniku AI Act i RODO w małej firmie.

Agent opłaca się przy zadaniu, które wraca co tydzień i za każdym razem wymaga innych kroków; gdy kroki są zawsze te same, zwykły przepływ zrobi to samo bez kosztu kolejnych wywołań modelu. Przykłady zastosowań w małej firmie i warunki, przy których agent się zwraca, zebrałem w przewodniku agent AI dla firmy, a wykonania, limity planów i licencję samego narzędzia opisuję w tekście n8n: co to jest i jak działa.

Zacznij od jednego wąskiego zadania, które powtarza się co tydzień, ma sprawdzalny wynik i nie rusza pieniędzy bez człowieka. Takich agentów buduję w n8n w tej kolejności: narzędzia tylko do odczytu, zgoda człowieka przed każdą akcją na zewnątrz, zestaw testów, który zostaje w firmie. Jeśli masz proces, który wygląda na kandydata, napisz, co to za proces, jak często się powtarza i jakich systemów dotyczy. Odpowiadam w ciągu jednego dnia roboczego. Pracuję z Mikołowa, zdalnie w całej Polsce, a zakres współpracy opisuję na stronie automatyzacje AI.

Pytania i odpowiedzi