n8n AI Agent — jak zbudować agenta AI w n8n (tutorial 2026)

Pełny przewodnik biznesowy o agentach AI: Agent AI dla firm. Tutorial budowy generic agenta: Jak stworzyć agenta AI.

Co to jest AI Agent node w n8n?

AI Agent node to wbudowana integracja LangChain w n8n, która łączy:

• Chat Model (Claude, GPT, Gemini, Ollama) jako "mózg"
• Memory (Window Buffer / Vector / Postgres-based) — pamięć
• Tools — narzędzia, które agent może wywoływać (Hunter, Slack, Postgres, custom)

Wszystko skonfigurowane wizualnie — żadnej linijki kodu w przypadku 80% użytków.

Krok 1: n8n self-hosted z AI Agent (5 min)

Jeśli nie masz jeszcze n8n self-hosted, zacznij od: n8n self-hosted z Dockerem. 30 min od zera do produkcyjnej instancji.

🔥 Potrzebujesz hostingu pod n8n? Polecam Hostinger VPS — z kodem KACPER10 masz -10% (~30 zł/mies. za 4 GB RAM). Używam tego do n8n.dokodu.it produkcyjnie. Disclosure: link afiliacyjny — używam Hostingera sam.

W n8n self-hosted od wersji 1.30+ AI Agent node jest dostępny natywnie. Sprawdź wersję w panelu n8n (Settings → About).

Krok 2: Stwórz pierwszy workflow z AI Agent

W n8n: + Add node → AI → AI Agent.

Pojawia się node z 3 polami:

• Chat Model (wymagane)
• Memory (opcjonalne, domyślnie brak)
• Tools (opcjonalne, domyślnie brak)

Chat Model: Claude Sonnet 4.6

1. Klik na pole "Chat Model" → "+ Add Chat Model"
2. Wybierz "Anthropic Chat Model"
3. W panelu konfiguracji:
   • Credential: dodaj Anthropic API key (z console.anthropic.com)
   • Model: claude-sonnet-4-6 (lub claude-opus-4-7 dla maksymalnej jakości)
   • Temperature: 0.7 (default — kreatywność vs determinizm)
   • Max tokens: 4096

Dlaczego Sonnet 4.6 a nie Opus 4.7: Sonnet 4.6 jest 5× tańszy od Opus 4.7, dla większości B2B taska wystarczy. Opus rezerwuję dla najważniejszych decyzji (np. analiza danych finansowych, długie raporty).

Dlaczego Claude a nie GPT: Claude lepiej radzi sobie z długim kontekstem (1M tokens vs 128k GPT-4o), strukturalnymi outputami (JSON), i decyzjami biznesowymi B2B. Na benchmarkach Claude wygrywa w "agent reasoning" o 20-30%.

Krok 3: System prompt — najważniejszy element

W AI Agent node, w polu "Prompt - System Message", wpisz instrukcję dla agenta.

Przykład — klasyfikator leadów B2B:

Jesteś asystentem AI agencji Dokodu specjalizującej się we wdrożeniach 
automatyzacji i agentów AI dla firm MŚP w Polsce.

ICP klienta:
- Firma 50-500 pracowników
- Branże: logistyka, produkcja, e-commerce, usługi profesjonalne
- Lokalizacja: Polska
- Świadomość AI: średnia, brak własnego zespołu ML
- Budżet na wdrożenie: 10-50k PLN

Twoja rola:
1. Analizuj informacje o leadzie (firma, osoba, message)
2. Oceń BANT score (1-10):
   - Budget: czy budżet wskazuje na 10-50k PLN range?
   - Authority: decision maker (CTO/CEO/dyrektor) czy zwykły pracownik?
   - Need: konkretny problem czy ogólne zainteresowanie?
   - Timeline: "teraz" / "w tym kwartale" / "kiedyś"?
3. Klasyfikuj: HOT (8-10), WARM (5-7), COLD (1-4)
4. Zwracaj JSON: {"score": int, "classification": str, "reasoning": str, 
   "recommended_action": str, "key_signals": [str]}

WAŻNE:
- Score zawsze 1-10 (integer)
- Reasoning po polsku, max 200 znaków
- Recommended action: konkretny krok ("Umów call w 24h", "Wyślij ebook", 
  "Zignoruj — spam")
- Bądź sceptyczny przy ogólnikach typu "chcę AI"

Dobry system prompt = 80% sukcesu agenta.

Krok 4: Memory — pamięć rozmowy

Bez memory agent jest "stateless" — każde wywołanie zaczyna od zera.

W AI Agent node, dodaj "Memory" → "Window Buffer Memory":

• Memory Buffer Window: 10 (ostatnie 10 wymian — wystarczające dla większości zastosowań)
• Session ID: {{ $('Webhook').item.json.session_id }} (lub email leadu, lub jakikolwiek unique identifier)

Window Buffer trzyma ostatnie N wiadomości — proste, działa.

Dla bardziej zaawansowanych: Postgres Memory (persistent przez lata) lub Vector Store Memory (semantyczne wyszukiwanie historycznego kontekstu).

Krok 5: Tools — co agent może zrobić

Tools to narzędzia, które agent autonomicznie wywołuje podczas reasoning'u.

W AI Agent node, dodaj "Tools" — masz do wyboru:

A. Built-in tooli (najczęściej używane)

• Calculator — operacje matematyczne (np. ROI calculations)
• Code Tool — Python lub JS execution dla customowej logiki
• HTTP Request Tool — woła zewnętrzne API
• Workflow Tool — wywołuje inny workflow n8n jako sub-routine

B. Integration tools

• Notion Tool — query/update Notion database
• Slack Tool — wysyła wiadomości
• Google Sheets Tool — operations na arkuszach
• Postgres Tool — query bazę danych
• Vector Store Tool — semantic search

C. Custom tool (najpotężniejsze)

Możesz stworzyć custom tool który robi cokolwiek przez n8n workflow:

1. Dodaj "Workflow Tool"
2. Wybierz workflow który będzie wykonany (np. "Lead Enrichment Sub-workflow")
3. Opisz co tool robi: "Wzbogaca dane firmy o liczbę pracowników, branżę, lokalizację"
4. Agent autonomicznie zdecyduje kiedy go wywołać

Pro tip: opis tool-a dla agenta jest kluczowy — dobry opis = agent wie kiedy użyć.

Krok 6: Trigger + workflow connection

AI Agent node potrzebuje input message. Najczęstsze triggery:

Webhook trigger (formularz / API)

Trigger: Webhook → AI Agent (input: $json.message) → IF (score >=7) → 
  TRUE: Slack notify + Notion CRM
  FALSE: Email nurturing

Schedule trigger (codzienne raporty)

Trigger: Schedule (codziennie 8:00) → Database query (nowe leady z 24h) → 
  Loop: AI Agent klasyfikuje każdy → Aggregate → Send report

Email trigger (klasyfikacja maili)

Trigger: Gmail (nowe maile) → AI Agent (input: $json.body) → 
  Switch: lead/support/spam/internal → Routing

Krok 7: Production — co jeszcze MUSISZ mieć

1. Error handling

Każdy node powinien mieć "On Error: Continue + Notify Slack #errors". Inaczej zepsute wykonanie zatrzymuje pipeline.

2. Audit log (AI Act compliance)

Po każdym AI Agent execution zapisz do osobnej tabeli (Postgres / Notion):

• Timestamp
• Input prompt
• Output (full JSON)
• Tools wywołane
• Cost (tokens used × price)

Dla high-risk decyzji (HR, finance, medical) — wymóg AI Act, nie opcja.

3. Rate limiting

Anthropic ma limity API (zależnie od planu). Dla intensywnego usage:

• "Wait" node między iteracjami pętli
• Queue mode w n8n (Redis-based)
• Worker nodes do skalowania

4. Cost monitoring

Każde wywołanie AI Agent zużywa tokens. W intensywnym workflow (1000+ leadów dziennie):

• Alert Slack przy miesięcznym koszcie > X PLN
• Anthropic console: ustaw budget limit
• Switch na Haiku 4.5 (10× tańszy) dla wysokoskalowych zadań

5. Backup + recovery

n8n workflow JSON commitowany do Git. Każda zmiana w produkcji = osobny commit. Łatwe rollback.

Najczęstsze błędy w n8n AI Agent

1. Brak system prompt → agent improwizuje

Bez konkretnego system prompt agent traktuje każdy request jako pytanie generyczne. Output = "wycieczka" zamiast structured response.

Fix: zawsze definiuj rolę, zadanie, format output.

2. Memory bez session_id → wszyscy mieszają się

Default memory używa global session, więc lead A widzi rozmowę z leadem B w pamięci. Bezpieczeństwo + jakość = problem.

Fix: zawsze ustaw Session ID na coś unique (email, lead ID, user ID).

3. Tools bez opisu → agent nie wie kiedy ich użyć

Tool "HTTP Request" bez opisu = agent zgaduje. Albo nigdy nie używa, albo wszędzie wstawia.

Fix: każdy tool ma 1-2 zdaniowy opis: "Używaj kiedy potrzebujesz X z serwisu Y".

4. Brak structured output

Agent zwraca text. Twój workflow potem musi parsować. Często bug.

Fix: w system prompt: "Zwracaj zawsze JSON z polami X, Y, Z". Plus walidacja schema po AI Agent (Set node z validation).

5. Overuse of Opus

Opus 4.7 jest 5× droższy od Sonnet 4.6. Dla większości tasków Sonnet wystarczy. Opus = top decyzje, długie konteksty, krytyczne raporty.

Fix: default Sonnet, switch na Opus tylko per-need.

Co czytać dalej

• Agent AI dla firm — pillar — kompletny przewodnik biznesowy
• Agent AI — co to jest — definicja, vs chatbot, vs RPA
• Jak stworzyć agenta AI — tutorial — generic tutorial
• n8n self-hosted z Dockerem — infrastruktura
• n8n Templates 2026 — gotowe workflow do skopiowania
• Claude Code MCP — alternatywa: agent w terminalu zamiast n8n