AI Agent ve LLM Node'ları
n8n'in AI Agent node'u ile çoklu adımlı zeka akışları kurmak: OpenAI, Anthropic Claude, Google Gemini bağlamak.
Bu bölümde
n8n'in 2024'ten itibaren en güçlü bölümü AI ve LangChain node setleridir. AI Agent node, bir LLM'i (OpenAI, Claude, Gemini) sistem promptu + araçlar + bellek üçlüsüyle gerçek bir 'ajan'a dönüştürür: sadece cevap vermez, araç kullanır, çok adım yapar. Bu bölümde AI Agent node'un yapısını, model bağlantısını, tool calling'i, chat memory'i ve yapılandırılmış çıktı (structured output) üretimini öğreneceksiniz.
Konular
- AI Agent node: sistem promptu + araçlar + bellek
- OpenAI, Anthropic ve Gemini node'larını bağlama
- Tool calling: agent'a araç tanıtma
- Chat memory ve konuşma sürekliliği
- Output parser ile yapılandırılmış çıktı (Zod / JSON şema)
- Multi-step reasoning ve guardrails
AI Agent node'u: yapı taşları
AI Agent node bir 'orchestrator'dır — başına 3 alt-bağlantı (sub-connection) takılır: Chat Model (zorunlu — hangi LLM kullanılacak), Memory (opsiyonel — konuşma sürekliliği), ve Tool (opsiyonel ama gerçek değer burada — agent'ın kullanabileceği yardımcılar). Workflow'da AI Agent node'u eklediğinizde altında 3 farklı + simgesi belirir; her birine ilgili node'u bağlarsınız. System Message parametresi en kritik: agent'ın kim olduğunu, neyi yapacağını ve neyi yapmayacağını burada yazarsınız.
Chat Model bağlama: OpenAI, Anthropic, Gemini, Ollama
n8n her büyük sağlayıcı için ayrı Chat Model node sunar. OpenAI Chat Model (GPT-5, GPT-4.x): en geniş ekosistem, function calling olgun. Anthropic Chat Model (Claude Opus/Sonnet/Haiku): uzun bağlam, güçlü muhakeme, native tool calling. Google Gemini Chat Model: multimodal güçlü, hızlı, geniş bağlam. Ollama Chat Model: yerel modelleri (Llama, Qwen, Mistral) hiçbir API maliyeti olmadan çalıştırma — gizli veriler için ideal. Model değiştirmek tek satır: AI Agent'ı yeniden yapmak gerekmez, sadece Chat Model node'unu swap edersiniz.
Tool calling: agent'a yetenek vermek
Bir LLM'i agent yapan şey araç kullanabilmesidir. n8n'de bir Tool olarak şunları bağlayabilirsiniz: HTTP Request Tool (dış API'ye gitmek için — 'şu URL'den hava durumunu çek' gibi), Code Tool (özel JavaScript fonksiyonu), Custom n8n Workflow Tool (başka bir workflow'u tool olarak çağırma — en güçlüsü). Her tool için en kritik şey 'description' alanıdır — agent burayı okuyup tool'u ne zaman çağıracağına karar verir. 'send_email: kullanıcının e-posta adresine bildirim gönderir; args: email, subject, body' gibi net yazın. Belirsiz description = agent yanlış tool seçer.
Chat Memory: konuşma sürekliliği
Memory node'u olmadan agent her mesajda her şeyi unutur. Üç ana memory seçeneği var. Simple Memory (in-memory, n8n yeniden başlayınca silinir — sadece test için). Window Buffer Memory (son N mesajı saklar — basit chatbot için). Postgres Chat Memory veya Redis Chat Memory (production: kullanıcı başına persist edilir, n8n yeniden başlasa bile devam eder). 'Session ID' parametresi kritik: aynı kullanıcının mesajlarını gruplandıran anahtar — Telegram'da chat.id, web'de session token kullanın. Yanlış session ID = bir kullanıcının cevabı diğerine gider.
System prompt: agent'ın kimliği
System Message, agent'ı 'kim' yapan kısımdır. İyi bir system prompt 4 bölümden oluşur: (1) Rol — 'Sen şirketimizin destek temsilcisin'; (2) Kapsam — 'Sadece ürünümüzle ilgili soruları yanıtla; başka konulara yönlendir'; (3) Format — 'Yanıtları Markdown ile, kısa paragraflar halinde ver'; (4) Sınırlar — 'Asla fiyat sözü verme; bilmiyorsan dürüstçe söyle'. Tool'ların ne zaman kullanılacağını da burada belirtirsiniz: 'Müşteri bir sipariş sorduğunda mutlaka get_order tool'unu çağır'.
Structured output: JSON şemasıyla yapılandırılmış çıktı
Bir agent'tan serbest metin değil yapılandırılmış veri istemek için 'Structured Output Parser' veya 'Output Parser: Structured' eklersiniz. Zod benzeri bir şema verirsiniz: { intent: string, priority: 'high'|'medium'|'low', tags: string[] }. Agent o şemaya uygun JSON döndürür; n8n parse edip $json.intent, $json.priority olarak sonraki node'larda kullanılabilir hale getirir. Bu pattern özellikle 'sınıflandırma → IF dallanması → aksiyon' akışlarında çok güçlüdür çünkü LLM'in metin çıktısını parse etmeye çalışmazsınız.
Maliyet, gecikme ve model seçimi
AI Agent çağrıları para ve zaman maliyeti olan en pahalı node'lardır. Pratik kurallar: küçük/orta sınıflandırma görevlerinde Haiku/GPT-mini gibi küçük modeller yeterli ve 10x ucuz; uzun belge muhakemesinde Opus/Sonnet; gizli iç veri ile Ollama (yerel, ücretsiz). Her agent çağrısının token kullanımını $json içinde görebilirsiniz; bir IF + Set node ile 'günlük token sayacı' kurup eşik aşıldığında alert yollayabilirsiniz. Tool çağrıları her seferinde modele geri döner — gereksiz tool tanımları gecikmeyi katlar; sadece gerçekten kullanılacakları bağlayın.
Bu bölümün workflow'u (n8n editör görünümü)