KI-Agent mit n8n erstellen: Schritt-für-Schritt-Anleitung (2026)

Unterschied zwischen KI-Agent-Knoten und Standard-LLM-Knoten

n8n hat zwei separate Knoten für KI-Arbeit: den Basic LLM Chain-Knoten und den KI-Agent-Knoten. Das Verständnis des Unterschieds entscheidet darüber, welchen man einsetzt.

Basic LLM Chain-Knoten:

• Nimmt Eingabe entgegen, sendet sie an ein LLM, gibt die Antwort zurück
• Einmaliger Austausch: ein Prompt hinein, eine Antwort heraus
• Keine Tool-Nutzung, keine Iteration, keine Entscheidungsfindung
• Verwendung für: Texttransformation, Zusammenfassung, Klassifizierung, Inhaltsgenerierung

KI-Agent-Knoten:

• Gibt dem LLM eine Liste von Tools und eine Aufgabenbeschreibung
• Das LLM entscheidet, welche Tools in welcher Reihenfolge aufgerufen werden
• Iteriert intern, bis die Aufgabe abgeschlossen ist oder das Schritt-Limit erreicht wurde
• Verwendung für: Rechercheaufgaben, mehrstufige Datenverarbeitung, Support-Bots, autonome Workflows

Der KI-Agent-Knoten verwendet intern das ReAct-Framework (Reasoning and Acting). Das Modell erzeugt einen Gedanken, wählt eine Aktion (ein Tool), beobachtet das Ergebnis und wiederholt dies, bis es genug Informationen für eine abschließende Antwort hat.

[Gedanke] Ich muss den aktuellen Preis dieses Produkts suchen.
[Aktion] web_search("Produktname Preis 2026")
[Beobachtung] Suche lieferte 3 Ergebnisse mit Preisdaten...
[Gedanke] Ich habe genug Daten. Ich kann jetzt zusammenfassen.
[Abschließende Antwort] Laut den Suchergebnissen beträgt der aktuelle Preis...

Diese Schleife läuft innerhalb des KI-Agent-Knotens ab. Sie müssen die Schleife in n8n nicht manuell verdrahten.

Wann welchen Knoten verwenden

LLM-Zugangsdaten einrichten

Option A: OpenAI (GPT-4o)

1. In n8n zu Einstellungen > Zugangsdaten > Neue Zugangsdaten gehen 2. Nach "OpenAI" suchen 3. OpenAI API-Schlüssel einfügen 4. Als "OpenAI-Konto" benennen und speichern

GPT-4o ist das empfohlene Modell für komplexe Agenten: starke Tool-Calling-Leistung und gutes mehrstufiges Denkvermögen.

Option B: Ollama (Lokale Modelle)

Wenn Sie lokale Inferenz ohne API-Kosten bevorzugen, unterstützt n8n Ollama über den Zugangsdatentyp "Ollama".

1. In n8n unter Einstellungen > Zugangsdaten > Neue Zugangsdaten nach "Ollama" suchen 2. Die Basis-URL auf Ihren Ollama-Endpunkt setzen: - Lokale n8n-Instanz: http://localhost:11434 - n8n in Docker auf demselben Rechner wie Ollama: http://host.docker.internal:11434 - n8n auf einem anderen Server: http://[ihre-ollama-server-ip]:11434 3. Zugangsdaten speichern

Verbindung prüfen

Einen temporären Workflow mit einem einzelnen "OpenAI"- oder "Ollama"-Knoten erstellen, einen einfachen Prompt senden ("Sag Hallo") und bestätigen, dass eine Antwort empfangen wird. Den Test-Workflow nach Bestätigung löschen.

Agent 1: Web-Rechercheagent

Dieser Agent nimmt ein Thema entgegen, durchsucht das Web und gibt eine strukturierte Zusammenfassung mit Quellen zurück. Er verwendet zwei Tools: ein Websuch-Tool und einen Webseitenleser.

Schritt 1: Neuen Workflow erstellen

n8n öffnen, auf "Neuer Workflow" klicken und ihn "Web-Rechercheagent" nennen.

Schritt 2: Manuellen Auslöser hinzufügen (zum Testen)

Einen "Manueller Auslöser"-Knoten hinzufügen. Damit kann der Workflow durch Klicken auf "Workflow testen" gestartet werden.

Schritt 3: KI-Agent-Knoten hinzufügen

1. Auf die Schaltfläche "+" klicken, um nach dem Auslöser einen Knoten hinzuzufügen 2. Nach "KI-Agent" suchen und auswählen 3. In den Knoteneinstellungen: - Chat-Modell: OpenAI- oder Ollama-Zugangsdaten auswählen - Modell: gpt-4o oder llama3.3:8b - Systemnachricht: Rolle und Anweisungen des Agenten hinzufügen

Diese Systemnachricht verwenden:

Sie sind ein Forschungsassistent. Wenn Sie ein Thema erhalten, durchsuchen Sie das Web nach aktuellen und relevanten Informationen, lesen Sie die wichtigsten Seiten und liefern Sie eine strukturierte Zusammenfassung mit:
1. Einem 2-3 Sätze umfassenden Überblick über das Thema
2. 3-5 wichtigen Erkenntnissen oder Datenpunkten
3. Den verwendeten Quellen

Zitieren Sie Quellen immer mit URLs. Seien Sie präzise und sachlich.

Schritt 4: SerpAPI-Tool hinzufügen (Websuche)

1. Im KI-Agent-Knoten auf "Tool hinzufügen" klicken 2. "SerpAPI" auswählen (erfordert kostenloses SerpAPI-Konto: 100 Suchen/Monat gratis) 3. SerpAPI-Zugangsdaten hinzufügen 4. Beschreibung setzen: "Dieses Tool verwenden, um das Web nach aktuellen Informationen zu einem beliebigen Thema zu durchsuchen"

Alternative: "Brave Search"-Tool (mit Brave Search API-Schlüssel) oder "Tavily"-Tool für KI-optimierte Suchergebnisse.

Schritt 5: HTTP-Request-Tool hinzufügen (Webseitenleser)

1. Im KI-Agent-Knoten ein weiteres Tool hinzufügen 2. "HTTP-Request-Tool" auswählen 3. Methode GET konfigurieren 4. Beschreibung: "Dieses Tool verwenden, um den vollständigen Inhalt einer Webseite zu lesen, wenn deren URL bekannt ist"

Schritt 6: Ausgabeknoten hinzufügen

Nach dem KI-Agent-Knoten einen "Set"-Knoten hinzufügen, um die abschließende Ausgabe des Agenten zu extrahieren und für nachgelagerte Verwendung zu formatieren.

Schritt 7: Workflow testen

Auf "Workflow testen" klicken. Im manuellen Auslöser Testdaten eingeben:

{
  "input": "Was sind die beliebtesten KI-Coding-Tools 2026 und wie viel kosten sie?"
}

Der KI-Agent-Knoten zeigt jeden Schritt im Ausgabefeld: die aufgerufenen Tools, die Zwischenergebnisse und die abschließende Antwort.

Agent 2: Kundensupport-Agent mit Gedächtnis

Dieser Agent führt mehrstufige Gespräche und merkt sich, was in vorherigen Nachrichten gesagt wurde. Er nutzt den Window-Buffer-Memory-Knoten von n8n.

Speichertypen in n8n

Für einen Support-Chatbot ist Postgres Chat Memory am besten: er übersteht Server-Neustarts und trennt Gespräche über eine Sitzungs-ID.

Schritt 1: Chat-Auslöser einrichten

1. Einen "Chat-Auslöser"-Knoten hinzufügen (statt manuellen Auslöser) 2. "Öffentlich" aktivieren, damit die Chat-Oberfläche über eine URL zugänglich ist 3. Der Chat-Auslöser stellt automatisch eine sessionId für jeden Nutzer bereit

Schritt 2: KI-Agent-Knoten hinzufügen

KI-Agent-Knoten hinzufügen und Systemnachricht für eine Support-Agent-Persona einstellen:

Sie sind ein hilfreicher Kundensupport-Agent für KI Tool Entdeckung (de.aitooldiscovery.com). Sie helfen Nutzern dabei, die richtigen KI-Tools für ihre Bedürfnisse zu finden.

Wenn ein Nutzer beschreibt, was er tun möchte, stellen Sie Rückfragen zu Anwendungsfall, Budget und technischem Kenntnisstand. Empfehlen Sie dann 2-3 spezifische Tools mit kurzen Begründungen.

Sie erinnern sich an frühere Nachrichten in diesem Gespräch und beziehen sich bei Bedarf darauf.

Schritt 3: Postgres Chat Memory hinzufügen

1. Im KI-Agent-Knoten auf "Speicher hinzufügen" klicken 2. "Postgres Chat Memory" auswählen 3. Postgres-Zugangsdaten verbinden 4. "Sitzungs-ID" setzen auf: {{ $('Chat-Auslöser').item.json.sessionId }} 5. "Kontextfensterlänge" auf 10 setzen (merkt sich die letzten 10 Nachrichtenpaare)

Schritt 4: Verbinden und testen

Chat-Auslöser mit KI-Agent verbinden. Die Chat-URL aus dem Chat-Auslöser-Knoten öffnen. Mehrere Nachrichten nacheinander senden:

Nutzer: Ich möchte meine Social-Media-Beiträge automatisieren
Agent: [fragt nach Plattformen, Häufigkeit, Inhaltstyp]
Nutzer: Instagram und LinkedIn, täglich, hauptsächlich Marketing-Inhalte
Agent: [empfiehlt spezifische Tools, erinnert sich an Instagram + LinkedIn]

Der Speicherknoten speichert und ruft den Kontext automatisch ab. Der Agent verliert den Gesprächsfaden zwischen den Nachrichten nicht.

Agent 3: Tabellenkalkulations-Datenverarbeitungsagent

Dieser Agent liest Zeilen aus einem Google Sheet und entscheidet anhand des Inhalts, was mit jeder Zeile zu tun ist.

Anwendungsfall: Ein Google Sheet enthält Kundenanfragen-E-Mails (als Text kopiert). Der Agent liest jede Zeile, klassifiziert die Anfrageart (Rückerstattung, technischer Support, Vertrieb, allgemein) und schreibt die Klassifizierung zurück.

Schritt 1: Zeitplan-Auslöser

Einen "Zeitplan-Auslöser"-Knoten hinzufügen, der stündlich läuft (oder bei Bedarf zum Testen).

Schritt 2: Google Sheets lesen

Einen "Google Sheets"-Knoten hinzufügen:

• Vorgang: Viele Zeilen abrufen
• Tabelle: Zieltabelle
• Blatt: "Anfragen"
• Filter: Zeilen, bei denen die Spalte "Status" leer ist (unverarbeitete Zeilen)

Schritt 3: Über Elemente iterieren

Einen "Elementlisten"-Knoten > "In Stapel aufteilen" hinzufügen. Stapelgröße auf 1 setzen.

Schritt 4: KI-Agent-Knoten

KI-Agent-Knoten mit dieser Systemnachricht hinzufügen:

Sie sind ein Kundenanfragen-Klassifizierer. Sie erhalten den Text einer Kundenanfrage.

Ordnen Sie diese genau einer dieser Kategorien zu:
- ERSTATTUNG: Kunde möchte eine Rückerstattung
- TECHNISCH: Kunde hat ein technisches Problem oder einen Fehlerbericht
- VERTRIEB: Kunde fragt nach Preisen, Upgrades oder neuen Funktionen
- ALLGEMEIN: Alles andere

Antworten Sie nur mit dem Kategorienamen in Großbuchstaben. Keine Erklärung, keine Satzzeichen.

Eingabe setzen auf: {{ $json.inquiry_text }}

Für diese Klassifizierungsaufgabe ist ein kleineres, schnelleres Modell geeignet: gpt-4o-mini (OpenAI) oder qwen2.5:7b (Ollama).

Schritt 5: In Google Sheets zurückschreiben

Zweiten "Google Sheets"-Knoten hinzufügen:

• Vorgang: Zeile aktualisieren
• Spalte "Kategorie" mit Ausgabe des KI-Agenten aktualisieren
• Spalte "Status" auf "Verarbeitet" setzen

Schritt 6: Fehlerbehandlung

Einen "Fehler-Auslöser"-Knoten hinzufügen. Bei unerwarteten Werten eine Slack- oder E-Mail-Benachrichtigung für manuelle Überprüfung auslösen.

Verfügbare KI-Agent-Tools in n8n

Der KI-Agent-Knoten in n8n unterstützt diese integrierten Tool-Typen ab n8n 1.25.x:

Benutzerdefinierte Tools per HTTP-Request

Das HTTP-Request-Tool ist das flexibelste. Es kann jede externe API aufrufen: CRM, Datenbank-API, interne Unternehmensendpunkte. Der Agent übergibt Parameter, die Sie definieren.

Beispiel: Ein Tool, das den Bestellstatus anhand der Bestell-ID abruft:

Tool-Name: bestellstatus_pruefen
Beschreibung: Dieses Tool verwenden, um den aktuellen Status einer Kundenbestellung nachzuschlagen. Eingabe: order_id (Zeichenkette)
URL: https://ihre-api.com/bestellungen/{{ $fromAI('order_id') }}
Methode: GET

Der Ausdruck $fromAI('parameter_name') teilt n8n mit, dass der KI-Agent diesen Wert basierend auf dem Gesprächskontext befüllen soll.

Token-Nutzung begrenzen

Agentenschleifen verbrauchen mehr Token als einzelne LLM-Aufrufe:

- Max. Iterationen auf das Minimum setzen (5-8 für einfache Aufgaben, 10-15 für Recherche)
- Kleinere Modelle für Klassifizierungsaufgaben verwenden (gpt-4o-mini statt gpt-4o)
- Token-Budget in der Systemnachricht setzen: "Maximal 3 Tool-Aufrufe insgesamt"
- Nutzung im OpenAI-Dashboard oder in den Ollama-Logs überwachen

Ollama-Modelle als Agent-Backend verwenden

Der Wechsel von OpenAI zu Ollama in einem n8n-KI-Agenten erfordert nur eine Zugangsdatenänderung.

Empfohlene Modelle für n8n-Agenten

Backend in einem bestehenden Agenten wechseln

1. KI-Agent-Knoten öffnen 2. Auf das Feld "Chat-Modell" klicken 3. Zugangsdaten von "OpenAI-Konto" auf Ihre "Ollama"-Zugangsdaten umstellen 4. Modellname auf das Ollama-Modell ändern (z.B. qwen2.5:14b) 5. Speichern und erneut testen

Keine weiteren Änderungen erforderlich. Agentenlogik, Tools und Speicherkonfiguration sind modellunabhängig.