Von der starren Automatisierung zur Agenten-Kette

Bisher hast Du Automatisierungen gebaut die immer den gleichen Weg laufen. Trigger feuert, Schritt 1, Schritt 2, Output. Jede Verzweigung musst Du vorher reinklicken. Das funktioniert solange die Welt sich an Deinen Plan hält. Tut sie aber selten.

Eine eingehende Mail kann eine Rechnung sein, eine Bewerbung, eine Beschwerde oder Spam. Eine starre Kette behandelt alle vier gleich, weil sie nur kann was Du ihr vorgeklickt hast. Ein Agent liest die Mail, entscheidet was es ist und wählt selbst den nächsten Schritt. Das ist der Sprung den wir uns hier anschauen, und er ist kleiner als Du denkst.

Der Unterschied in einem Satz

Eine klassische Automatisierung kennt den Weg. Ein Agent kennt das Ziel und sucht sich den Weg.

Bei Zapier oder einem normalen n8n-Workflow legst Du die Logik fest. "Wenn Betreff X enthält, dann nach Notion." Du bist der Denker, das Tool ist die Hand. Bei einem Agenten gibst Du ein Ziel und ein paar Werkzeuge, und das Modell entscheidet bei jedem Durchlauf neu welches Werkzeug es braucht. Du bist der Auftraggeber, der Agent ist Denker und Hand zugleich.

Wann die starre Kette reicht

Die ehrliche Antwort, öfter als Dir die AI-Welt weismachen will. Wenn Dein Prozess eindeutig ist, bleib bei der festen Kette. Ein neuer Stripe-Zahlungseingang löst immer dieselbe Bestätigungsmail aus. Da gibt es nichts zu entscheiden. Ein Agent wäre hier teurer, langsamer und unzuverlässiger, ohne einen einzigen Vorteil.

Faustregel, die ich mir selber immer wieder sage: Wenn Du den Entscheidungsbaum in drei Sätzen aufschreiben kannst, brauchst Du keinen Agenten. Schreib ihn auf und klick ihn in n8n. Fertig.

Wann Du wirklich einen Agenten brauchst

Sobald die richtige Reaktion vom Inhalt abhängt und der Inhalt unvorhersehbar ist. Drei typische Fälle.

Erstens, Klassifizierung mit unscharfen Grenzen. "Ist diese Support-Anfrage dringend?" lässt sich nicht mit einem Keyword-Filter lösen, weil "mein Laden steht still" kein einziges Dringlichkeits-Wort enthält und trotzdem höchste Priorität hat. Ein Modell versteht das, ein If-Node nicht.

Zweitens, mehrere Schritte deren Reihenfolge vom Zwischenergebnis abhängt. Der Agent recherchiert, merkt dass eine Info fehlt, holt sie nach, und macht dann weiter. Diese Schleife kannst Du in einer festen Kette nicht vorbauen, weil Du nicht weißt wie oft sie läuft.

Drittens, freie Sprache rein, strukturierte Daten raus. Aus einer formlosen Mail die Liefer-Adresse, das Wunschdatum und die Artikelnummer ziehen. Da glänzt ein Agent, eine Regex weint.

So sieht das in n8n konkret aus

n8n hat dafür einen eigenen Baustein, den AI Agent Node. Du findest ihn unter den sogenannten Cluster-Nodes. Das Prinzip, ein Wurzel-Knoten, der AI Agent, und daran hängst Du kleinere Sub-Knoten.

Drei Dinge verbindest Du mit dem Agenten. Ein Sprachmodell, also OpenAI, Anthropic oder ein lokales Modell über Ollama. Optional einen Memory-Knoten, damit sich der Agent an früheres im selben Gespräch erinnert. Und mindestens ein Werkzeug. Das ist Pflicht, ohne Werkzeug kein Agent. In der n8n-Doku steht das wörtlich, Du musst mindestens einen Tool-Sub-Knoten anschließen.

Ein Werkzeug ist dabei nichts Magisches. Es ist ein Knoten den der Agent bei Bedarf aufrufen darf. Eine Google-Suche, ein Eintrag in ein Sheet, ein HTTP-Call an irgendeine API. Du gibst dem Agenten also nicht den Ablauf vor, sondern den Werkzeugkasten. Welches Werkzeug wann, entscheidet er.

Seit Version 1.82.0 hat n8n das vereinfacht. Früher konntest Du verschiedene Agent-Typen wählen, das ist weg. Jetzt arbeitet jeder AI Agent als sogenannter Tools Agent, also genau das Werkzeugkasten-Prinzip. Eine Sorge weniger beim Einrichten.

Der Schritt den Anfänger überspringen, und es bereuen

Ein Agent der frei entscheidet kann auch frei danebenliegen. Bei einer starren Kette weißt Du immer was passiert. Bei einem Agenten musst Du Dir die Kontrolle bewusst zurückholen.

n8n erlaubt Dir, vor bestimmten Werkzeugen eine menschliche Freigabe zu verlangen. Der Tools Agent kann so eingestellt werden dass er vor dem Ausführen eines heiklen Schritts anhält und auf Dein OK wartet. Genau das was Du im Capstone als Human-in-the-Loop gebaut hast, nur eine Ebene höher. Mein dringender Rat, baue diesen Stopp ein bevor der Agent irgendetwas Unumkehrbares tun darf. Eine Mail rausschicken, eine Zahlung auslösen, einen Eintrag löschen. Lieber einmal zu oft fragen als einmal zu viel verschickt.

Was Dich das kostet, ehrlich

Jeder Agenten-Durchlauf ruft das Sprachmodell auf, oft mehrmals pro Aufgabe weil er ja in Schleifen denkt. Das kostet. Eine starre Kette mit einem einzigen LLM-Aufruf ist deutlich günstiger als ein Agent der fünf Mal nachdenkt. Behalte das im Kopf wenn Du überlegst ob Du wirklich einen Agenten brauchst. Oft tut es ein einzelner gut gebauter Prompt in einer festen Kette, und Du sparst Geld und Nerven.

Was Du jetzt tun kannst

Nimm Deine Capstone-Automatisierung aus der letzten Lektion und frag Dich an genau einer Stelle, treffe ich hier eine Entscheidung die vom Inhalt abhängt? Wenn ja, ersetze diesen einen If-Node testweise durch einen AI Agent Node mit einem einzigen Werkzeug. Nicht den ganzen Workflow umbauen, nur die eine Stelle. So fühlst Du den Unterschied ohne Dich zu verzetteln.

Das nächste Level dreht sich genau darum. Ab Level 4 geht es um Memory und MCP, also wie ein Agent über einen einzelnen Durchlauf hinaus weiß was er schon getan hat und auf welche Werkzeuge er zugreift. Der AI Agent Node hier ist der erste kleine Vorgeschmack darauf.

Source

• n8n AI Agent Node, offizielle Doku: https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent (Pflicht-Werkzeug, Tools Agent ab v1.82.0)
• n8n Tools Agent, Detail inkl. menschlicher Freigabe: https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent/tools-agent
• LangChain in n8n, Cluster-Node-Prinzip: https://docs.n8n.io/advanced-ai/langchain/overview