Det vigtigste kort fortalt
- AI Agent noden er en cluster node i n8n, hvilket betyder at den fungerer som en beholder for underliggende værktøjer.
- Den tager en længere tekst og komprimerer den til det essentielle.
- Du finder AI Agent noden i node panelet under kategorien AI.
Det er en special node i n8n der giver en AI model (GPT 4, Claude, Mistral) evnen til at:
AI Agent noden er en cluster node i n8n. Det betyder, at den fungerer som en beholder for underliggende værktøjer. Du kan ikke bruge den alene. Den kræver mindst ét tool undernode for at fungere, og den arbejder autonomt med at forstå opgaver, vælge de rette værktøjer, udføre handlingerne og evaluere resultaterne.
Noden understøtter de store sprogmodeller fra OpenAI, Anthropic, Mistral og Groq. Du kan tilkoble hukommelses undernodes som Buffer Memory, så agenten husker konteksten gennem en samtale. Det gør den velegnet til løbende dialoger via Chat Trigger eller lignende indgange.
Forskellen fra en almindelig HTTP Request til en AI API er afgørende. Her sender du ikke bare en tekst og får et svar. Agenten træffer selv beslutninger.
Vi byggede for nylig et flow til en B2B SaaS virksomhed hvor AI Agenten modtager et nyt lead, undersøger personen via LinkedIn og virksomhedens hjemmeside, skriver en personlig mail og sender den. Hele processen fra lead til første svar tager nu 2 minutter per lead. Før tog det timer af manuelt arbejde.
Du finder den officielle dokumentation for AI Agent noden i n8ns dokumentation. Den er tilgængelig i både n8n Cloud og selvhostede installationer fra version 1.19.4 og frem.
Chat Model: Send tekst, få svar
Chat Model noden er den simpleste af de tre. Du sender tekst ind og får et svar tilbage. Intet mere.
Summarize noden gør præcis det navnet siger. Den tager en længere tekst og komprimerer den til det essentielle. Begge disse noder har ét input og ét output.
AI Agent noden er noget helt andet. Den er et cluster node, som kræver mindst ét tool sub node for at fungere. Agenten forstår en opgave, vælger selv hvilke tools den skal bruge, udfører handlinger og evaluerer resultatet. Den kan køre flere iterationer, huske tidligere samtaler via memory sub nodes og endda delegere til under agenter. Du kan sætte den op med en system message der definerer dens rolle, angive max iterations og kræve specifikke output formater via parsers.
Der er verden til forskel.
Vi har brugt AI Agent noden i et projekt hvor en B2B SaaS virksomhed skulle researche leads og sende personlige mails. Agenten analyserede hvert lead, hentede relevant information fra forskellige kilder og skrev en skræddersyet mail. Resultatet var 2 minutter per lead til første svar. Det samme ville tage 15 til 20 minutter manuelt.
Hvis du vil have hjælp til at vælge den rigtige node til dit projekt, kan du læse mere om vores n8n automatisering eller dykke ned i den tekniske dokumentation for AI Agent noden.
1) Tilføj AI Agent node
Du finder AI Agent noden i node panelet under kategorien AI. Træk den ind på canvaset. Noden optræder som et cluster node, hvilket betyder den fungerer som en beholder for flere undernoder. Du skal tilføje mindst ét tool for at agenten kan arbejde selvstændigt.
Vælg din model i dropdown menuen. n8n understøtter OpenAI Chat, Anthropic Chat til Claude modeller, Mistral Cloud Chat og Groq Chat. Vælg den model der passer til din opgave og dit budget. GPT 4 fungerer godt til komplekse beslutninger, mens Claude excellerer i længere kontekster og præcis instruktionsfølgning.
System prompten definerer hvem agenten er og hvad den må gøre. Skriv en klar rollebeskrivelse: “Du er en research assistent der finder kontaktoplysninger på B2B leads. Du må kun bruge de tildelte tools og skal altid verificere information før du rapporterer tilbage.” Jo præcisere din prompt, jo mere forudsigelig bliver agentens adfærd.
Tilføj tools som undernoder til agenten. HTTP Request tool giver adgang til eksterne APIer som LinkedIn eller firmadatabaser. Code tool kører JavaScript eller Python til beregninger og data transformation. Slack tool sender notifikationer når opgaver er færdige. n8n bruger $fromAI funktionen til at lade agenten dynamisk bestemme tool parametre baseret på kontekst.
For samtaler der spænder over flere beskeder skal du tilføje hukommelse. Buffer Memory gemmer samtalehistorikken så agenten husker tidligere udvekslinger. Uden hukommelse behandler hver besked som en isoleret begivenhed. Memory noden tilføjes som undernode ligesom tools.
Test agenten med et konkret eksempel før du sætter den i produktion. Giv den en simpel opgave og verificer at den vælger de rigtige tools i den rigtige rækkefølge. En B2B SaaS virksomhed vi arbejdede med brugte denne opsætning til lead research og nåede fra lead til første personlige mail på 2 minutter per lead.
Kundeservice agent
En kundeservice agent i n8n fungerer som en virtuel medarbejder, der selvstændigt vælger hvilke værktøjer den skal bruge for at besvare kundens spørgsmål. Den kombinerer en system prompt, der definerer agentens rolle og beføjelser, med adgang til konkrete datakilder gennem tilknyttede tools.
System prompten sætter rammen for samtalen. Her definerer du, at agenten er kundeservice for din virksomhed, hvilke opgaver den må løse, og hvordan den skal formulere sig. Du kan tilføje instruktioner om tone, hvornår den skal eskalere til menneskelig support, og hvilke oplysninger den må dele.
Tools gør agenten i stand til at handle. En HTTP Request tool kan slå ordrestatus op i Shopify API ved at sende ordrenummeret videre. En Vector Store tool søger i din FAQ database og finder relevante svar baseret på kundens spørgsmål. Agenten beslutter selv hvilket tool den skal bruge, eller om den skal kombinere flere.
Memory sikrer sammenhæng i længere samtaler.
Ved at tilknytte en Buffer Memory sub node husker agenten tidligere beskeder i samtalen, så kunden ikke behøver gentage sig selv. Det gør oplevelsen naturlig og kontinuerlig.
Outputtet bliver et færdigt svar til kunden. Enten med konkrete ordredata hentet fra Shopify, et svar fra FAQ databasen, eller en besked om at sagen er sendt videre til en medarbejder. Hele processen fra spørgsmål til svar sker automatisk uden manuel indblanding.
Det er her automatiseringen virkelig viser sin styrke. En kundeservice agent bygget i n8n kan håndtere de repetitive forespørgsler, der ellers fylder indbakken. Vi har set lignende løsninger spare 10 timer om ugen ved emailsortering for en webshop. Det frigør tid til det, der kræver menneskelig dømmekraft.
Email klassificerings agent
En email klassificerings agent læser indkommende beskeder og sorterer dem automatisk i kategorier som ordre, support, faktura eller generel henvendelse. Ved at tilføje en kort systembesked får agenten en præcis arbejdsbeskrivelse: den skal analysere indholdet, vælge den rigtige kategori og trække relevante data ud i et struktureret format.
Agenten arbejder med et Code tool der formatterer output som JSON. Når en email rammer triggeren, sender agenten kategorien plus udtrukne data som ordrenummer, kundenummer eller fakturabeløb videre i workflowet. Det betyder, at din CRM opdatering, din bogføring eller din supportsag oprettes uden at nogen skal læse mailen først.
Dette mønster kræver ingen avancerede integrationer. Du har brug for en AI Agent node med en systembesked, et Code tool til JSON formattering og en parser der sikrer at output altid følger samme struktur. Hvis agenten er usikker på kategorien, kan du tilføje en betingelse der sender tvivlsomme emails til manuel gennemgang.
Ti timer om ugen sparet på manuel sortering. Det var resultatet da en webshop implementerede automatisk email klassificering.
For emails der indeholder følsomme handlinger som betalinger eller databehandling kan du aktivere manuel godkendelse. Det betyder, at agenten stopper op og sender en besked til Slack, Telegram eller email med en godkendelsesknap før den udfører kritiske handlinger. På den måde beholder du kontrollen hvor det tæller.
HTTP Request tool: Agenten kan kalde enhver API
HTTP Request tool gør din AI agent i stand til at kommunikere med ethvert system, der tilbyder en API. Det betyder, at agenten kan hente data fra eksterne kilder, skrive oplysninger tilbage og udføre handlinger på tværs af platforme uden menneskelig indgriben.
Det er her magien sker.
Med et simpelt API kald kan agenten slå kundeoplysninger op i dit CRM, hente aktuelle vejrdata til en logistikplan eller validere et CVR nummer før en faktura genereres. Du binder blot toolen til agenten som et sub node, og agenten beslutter selv hvornår den skal bruge den baseret på brugerens forespørgsel.
Code tool lader agenten skrive og udføre kode i realtid. Den kan udføre komplekse beregninger, transformere dataformater eller generere rapporter baseret på flere inddata. Slack tool giver agenten mulighed for at sende beskeder direkte til kanaler eller kolleger når bestemte betingelser er opfyldt.
Sikkerheden er indbygget. Du kan aktivere human review før sensitive handlinger udføres. Det betyder, at agenten spørger om tilladelse før den sender en Slack besked, opdaterer CRM data eller foretager ændringer i eksterne systemer. Det giver dig kontrollen uden at miste automatiseringen.
I vores case med lead research og personlig mail til B2B SaaS bruger agenten HTTP Request tool til at berige lead data fra flere kilder før den skriver en personlig mail. Resultatet er 2 minutter per lead til første svar mod tidligere langt længere manuel research. Se detaljerne i vores case om lead research og personlig mail til B2B SaaS.
Start med én agent, ikke ti
AI Agent noden i n8n er et cluster der kræver mindst én undernode med et værktøj for at fungere. Som standard kører den som værktøjsagent, hvilket betyder at sprogmodellen selv vælger hvilke værktøjer den vil bruge baseret på din systembesked. Du kan vælge mellem modeller fra OpenAI, Anthropic, Groq og andre udbydere.
Det er her de fleste fejler.
Start simpelt. Tilslut kun ét værktøj i første forsøg, for eksempel en HTTP Request til et API eller en kodeblok til beregninger. Sæt maksimale gentagelser lavt, tre til fem runder er nok til at teste om agenten forstår opgaven uden at løbe i uendelighed.
Hvis du arbejder med følsomme handlinger som at sende beskeder eller ændre data, så aktiver muligheden for menneskelig gennemgang før udførelse. Det giver dig en pause i Chat, Slack eller Telegram hvor du kan godkende eller afvise handlingen. Lynpadden brugte denne tilgang i et lead research flow hvor de kom fra manuel research til personlig mail på to minutter per lead ved at lade agenten berige data men holde afsendelsen tilbage til godkendelse.
Tilføj bufferhukommelse hvis du bruger en chatudløser, så agenten husker konteksten i samtalen. For komplekse opgaver kan du senere bygge netværk af agenter ved at bruge AI Agent værktøjsnoden, hvor en hovedagent delegerer til specialiserede underagenter. Det svarer til hvordan Lynpadden automatiserede produktimport til WooCommerce med 24 produkter om dagen ved at lade en agent håndtere behandling af data mens en anden styrede selve importen.
Definer altid et specifikt outputformat ved at tilslutte en struktureret outputfortolker. Det sikrer at resultatet er brugbart i næste trin af workflowet og ikke bare en tekstblok.
En enkelt velafprøvet agent skaber mere værdi end ti halvfærdige.
Ofte stillede spørgsmål
Er det svært at sætte op?
Det er overkommeligt hvis du har grundlæggende kendskab til n8n. AI Agent noden er en cluster node, som kræver at du tilføjer mindst én tool sub, node for eksempel HTTP Request til API kald eller Code til beregninger. Noden bruger Tools Agent som standard, og du kan tilføje memory sub, nodes til at huske samtalehistorik. Tilgængelig i både n8n Cloud og self hosted fra version 1.19.4.
Hvad koster det at køre?
Prisen afhænger af din n8n abonnement og valg af sprogmodel. n8n tager ikke ekstra betaling for AI Agent funktionalitet ud over din eksisterende plan. Du betaler separat for API kald til LLM, udbydere som OpenAI, Anthropic, Groq eller Mistral efter deres takster. Start med små test, workflows for at estimere dit forbrug før produktion.
Kan agenten lave fejl?
Ja, den kan producere fejlagtige eller uforventede resultater. Du kan minimere risikoen ved at aktivere “Enable Fallback Model”, som skifter til en backup, model ved fejl. Brug også “Require Specific Output Format” sammen med parsers som Structured Output Parser eller Auto, fixing for at sikre korrekt formaterede svar. Sæt “Max Iterations” for at forhindre uendelige løkker.
Kan den tale dansk?
Ja, agenten kan kommunikere på dansk når du bruger understøttede sprogmodeller som OpenAI Chat, Anthropic Chat eller Mistral Cloud Chat. Skriv din System Message på dansk, og agenten vil forstå og svare på dansk. Kvaliteten afhænger af den specifikke model nyere modeller håndterer typisk dansk bedre end ældre versioner.
Kan man stoppe agenten før den udfører kritiske handlinger?
Ja, du kan aktivere human review for sensitive tool calls. Før agenten udfører kritiske handlinger som at sende beskeder, slette data eller modificere systemer, kan den sende en godkendelsesanmodning via Chat, Slack eller Telegram. Du beholder dermed kontrollen over autonome beslutninger i produktionsmiljøer med høje sikkerhedskrav.
