Туториал: Создаём AI агента

В этом туториале мы создадим AI агента-помощника, который умеет:

• Отвечать на вопросы о погоде
• Выполнять математические вычисления
• Помнить контекст разговора

Время: 20-30 минут Уровень: Начинающий Требования: Работающий n8n, API ключ OpenAI или Anthropic

# Установка на Linux/Mac
curl -fsSL https://ollama.com/install.sh | sh

# Запуск модели
ollama run llama3.2

# Ollama будет доступен на http://localhost:11434

1. Откройте n8n и перейдите в Settings → Credentials

2. Нажмите Add Credential

3. Выберите OpenAI API (или Anthropic/Ollama)

4. Введите ваш API ключ

5. Нажмите Save

1. Создайте новый Workflow

   • Нажмите Add workflow или используйте Ctrl+N

2. Добавьте Chat Trigger

   • Нажмите + → поиск “Chat Trigger”
   • Эта нода будет принимать сообщения пользователя

3. Добавьте AI Agent

   • Нажмите + → поиск “AI Agent”
   • Подключите выход Chat Trigger к входу AI Agent

4. Добавьте Chat Model

   • На AI Agent кликните на ”+” рядом с “Model”
   • Выберите OpenAI Chat Model (или другую модель)
   • Настройте:
     • Credential: выберите созданный ранее
     • Model: gpt-4o-mini (дешевле) или gpt-4o (умнее)

1. Нажмите Chat в правом нижнем углу
2. Напишите: “Привет! Кто ты?”
3. Агент должен ответить!

Сейчас агент только отвечает на вопросы. Давайте дадим ему инструменты!

1. На AI Agent кликните + рядом с “Tool”

2. Выберите Calculator

3. Инструмент автоматически подключится

4. Протестируйте в чате:

   Сколько будет 15% от 850?

   Агент использует калькулятор и ответит: 127.5

1. Добавьте ещё один Tool: HTTP Request Tool

2. Настройте:

   • Name: get_weather
   • Description: Get current weather for a city. Returns temperature and conditions.
   • Method: GET
   • URL: https://wttr.in/{{ $fromAI('city') }}?format=j1

3. В разделе Tool Input Schema:

   {
     "type": "object",
     "properties": {
       "city": {
         "type": "string",
         "description": "City name in English, e.g. Moscow, London"
       }
     },
     "required": ["city"]
   }

4. Протестируйте:

   Какая погода в Москве?

Без памяти агент не помнит предыдущие сообщения. Добавим её!

1. На AI Agent кликните + рядом с “Memory”

2. Выберите Window Buffer Memory — это самый простой тип памяти, хранит последние N сообщений

3. Настройте Context Window Length: 10 (сообщений)

4. Протестируйте память — напишите “Меня зовут Алексей”, затем “Как меня зовут?” — агент должен помнить имя!

Системный промпт определяет личность агента.

1. В настройках AI Agent найдите System Message

2. Введите промпт (пример ниже)

3. Сохраните и протестируйте

Пример системного промпта:

Ты — дружелюбный ассистент на русском языке.

Твои возможности:
- Отвечать на вопросы
- Выполнять математические вычисления (используй калькулятор)
- Сообщать погоду в любом городе

Правила:
- Всегда отвечай на русском языке
- Будь кратким, но информативным
- Если не знаешь ответ — честно скажи об этом
- Используй эмодзи для дружелюбности

Ваш workflow должен выглядеть так:

┌─────────────┐     ┌─────────────┐
│ Chat Trigger│────→│  AI Agent   │
└─────────────┘     └──────┬──────┘
                           │
              ┌────────────┼────────────┐
              ↓            ↓            ↓
        ┌──────────┐ ┌──────────┐ ┌──────────────┐
        │  Model   │ │Calculator│ │ HTTP Request │
        │(OpenAI)  │ │          │ │  (Weather)   │
        └──────────┘ └──────────┘ └──────────────┘
              │
              ↓
        ┌──────────────┐
        │Window Buffer │
        │   Memory     │
        └──────────────┘

1. Сохраните workflow — нажмите Ctrl+S или кнопку Save

2. Активируйте — переключатель в правом верхнем углу → Active

3. Протестируйте в чате — отправьте сообщения и проверьте ответы агента

Пример диалога:

Привет!
→ Привет! Чем могу помочь?

Сколько будет 234 * 567?
→ 234 × 567 = 132,678

Какая погода в Париже?
→ В Париже сейчас 18°C, облачно

Напомни, что я спрашивал?
→ Вы спрашивали про умножение и погоду в Париже

Хотите дать агенту доступ к GitHub, базам данных или файловой системе?

1. Добавьте MCP Client Tool к агенту

2. Подключите к MCP серверу (например, GitHub) — запустите npx @anthropic/mcp-server-github

3. Агент получит доступ к репозиториям, issues, PR и т.д.

Хотите чтобы агент отвечал на вопросы по вашим документам?

1. Добавьте Vector Store Tool

2. Настройте Vector Store (Pinecone, Qdrant или In-Memory)

3. Загрузите документы через Document Loader

4. Агент будет искать релевантную информацию

{
  "name": "AI Assistant Tutorial",
  "nodes": [
    {
      "parameters": {},
      "id": "chat-trigger",
      "name": "Chat Trigger",
      "type": "@n8n/n8n-nodes-langchain.chatTrigger",
      "position": [250, 300]
    },
    {
      "parameters": {
        "options": {
          "systemMessage": "Ты — дружелюбный ассистент на русском языке.\n\nТвои возможности:\n- Отвечать на вопросы\n- Выполнять математические вычисления\n- Сообщать погоду в любом городе\n\nВсегда отвечай на русском языке."
        }
      },
      "id": "ai-agent",
      "name": "AI Agent",
      "type": "@n8n/n8n-nodes-langchain.agent",
      "position": [500, 300]
    },
    {
      "parameters": {
        "model": "gpt-4o-mini"
      },
      "id": "openai-chat",
      "name": "OpenAI Chat Model",
      "type": "@n8n/n8n-nodes-langchain.lmChatOpenAi",
      "position": [500, 500]
    },
    {
      "parameters": {},
      "id": "calculator",
      "name": "Calculator",
      "type": "@n8n/n8n-nodes-langchain.toolCalculator",
      "position": [700, 500]
    },
    {
      "parameters": {
        "contextWindowLength": 10
      },
      "id": "memory",
      "name": "Window Buffer Memory",
      "type": "@n8n/n8n-nodes-langchain.memoryBufferWindow",
      "position": [300, 500]
    }
  ],
  "connections": {
    "Chat Trigger": {
      "main": [[{"node": "AI Agent", "type": "main", "index": 0}]]
    },
    "OpenAI Chat Model": {
      "ai_languageModel": [[{"node": "AI Agent", "type": "ai_languageModel", "index": 0}]]
    },
    "Calculator": {
      "ai_tool": [[{"node": "AI Agent", "type": "ai_tool", "index": 0}]]
    },
    "Window Buffer Memory": {
      "ai_memory": [[{"node": "AI Agent", "type": "ai_memory", "index": 0}]]
    }
  }
}