n8n AI agent tutorial: automatiseer met AI

n8n AI Agent Tutorial: Bouw Intelligente Automatiseringen met LLMs

Wat is een AI Agent?

1. Begrijpt - Interpreteert natuurlijke taal en context
2. Plant - Bepaalt welke stappen nodig zijn om een doel te bereiken
3. Handelt - Voert acties uit via tools en integraties
4. Leert - Past gedrag aan op basis van feedback en resultaten

Verschil tussen Chatbot en AI Agent

n8n's AI Capabilities

AI Nodes in n8n

1. AI Agent Node - De centrale node voor het bouwen van agents
2. OpenAI Node - Directe integratie met GPT modellen
3. Anthropic Claude Node - Integratie met Claude modellen
4. Ollama Node - Lokale LLMs draaien
5. LangChain Nodes - Geavanceerde AI workflows

Ondersteunde LLM Providers

Benodigdheden

• n8n instance - Cloud account of self-hosted installatie
• API key voor minimaal 1 LLM provider (OpenAI, Anthropic, of Ollama)
• Basiskennis van n8n workflows (triggers, nodes, connections)
• Use case - Een concreet probleem dat je wilt oplossen

API Keys Verkrijgen

1. Ga naar platform.openai.com
2. Maak een account aan en voeg betaalmethode toe
3. Genereer een API key onder "API Keys"

1. Ga naar console.anthropic.com
2. Maak een account aan
3. Genereer een API key

1. Installeer Ollama: curl -fsSL https://ollama.ai/install.sh | sh
2. Pull een model: ollama pull llama3
3. Geen API key nodig, draait lokaal

Je Eerste AI Agent Bouwen: Stap voor Stap

Stap 1: Workflow Aanmaken

1. Open n8n en klik op "New Workflow"
2. Noem de workflow "AI Klantenservice Agent"
3. Voeg een beschrijving toe

Stap 2: Trigger Configureren

Node: Gmail Trigger
Settings:
  - Poll Interval: Every Minute
  - Label: Support (filter op support emails)

Node: Webhook
Settings:
  - HTTP Method: POST
  - Path: /customer-service
  - Authentication: Header Auth

Stap 3: AI Agent Node Toevoegen

1. Zoek naar "AI Agent" in de node bibliotheek
2. Sleep de node naar je canvas
3. Verbind met je trigger

Stap 4: LLM Configureren

Model:
  - Provider: OpenAI (of Anthropic)
  - Model: gpt-4o (of claude-3-sonnet)
  - Temperature: 0.3 (lager = meer consistent)

Stap 5: System Prompt Schrijven

Je bent een vriendelijke en professionele klantenservice medewerker voor TechShop Nederland.

## Je Rol
- Help klanten met vragen over bestellingen, producten en retourzendingen
- Wees altijd behulpzaam, geduldig en empathisch
- Los problemen zelfstandig op waar mogelijk
- Escaleer naar een mens bij complexe klachten of speciale verzoeken

## Bedrijfsinformatie
- Bedrijf: TechShop Nederland
- Openingstijden: Ma-Vr 9:00-17:00
- Email: support@techshop.nl
- Telefoon: 020-1234567

## Beleid
- Levertijd: 1-3 werkdagen binnen Nederland
- Retourbeleid: 30 dagen bedenktijd, gratis retour
- Garantie: 2 jaar op alle producten
- Betaalmethoden: iDEAL, creditcard, PayPal, Klarna

## Beschikbare Tools
Je hebt toegang tot de volgende tools:
1. check_order_status - Zoek de status van een bestelling op
2. get_product_info - Haal productinformatie op
3. create_return_request - Start een retourverzoek
4. escalate_to_human - Escaleer naar een menselijke medewerker

## Gedragsregels
1. Vraag altijd om het ordernummer voordat je orderstatus controleert
2. Verifieer de klant door te vragen naar email of telefoonnummer
3. Bied proactief oplossingen aan, wacht niet tot de klant vraagt
4. Bij klachten: toon eerst empathie, dan pas oplossing
5. Beloof nooit korting of compensatie zonder goedkeuring (escaleer)
6. Als je iets niet weet: wees eerlijk en escaleer

## Toon en Stijl
- Informeel maar professioneel (je/jij, niet u)
- Kort en bondig, geen lange lappen tekst
- Gebruik emoji's spaarzaam (alleen bij positief nieuws)
- Sluit altijd af met een vraag of call-to-action

Stap 6: Tools Toevoegen

Name: check_order_status
Description: Zoek de status van een bestelling op basis van ordernummer
Parameters:
  - order_id (string, required): Het ordernummer

Implementation:
  → HTTP Request Node naar je order API
  → Return: order status, tracking info, verwachte leverdatum

Name: get_product_info
Description: Haal informatie op over een product
Parameters:
  - product_name (string): Productnaam of zoekterm
  - product_id (string): Product ID indien bekend

Implementation:
  → Database Query of API call
  → Return: naam, prijs, beschrijving, voorraad, specs

Name: create_return_request
Description: Start een retourverzoek voor een bestelling
Parameters:
  - order_id (string, required): Ordernummer
  - reason (string, required): Reden voor retour
  - items (array): Welke items retour (leeg = alles)

Implementation:
  → API call naar retour systeem
  → Email trigger naar warehouse
  → Return: retournummer, instructies, label URL

Name: escalate_to_human
Description: Escaleer het gesprek naar een menselijke medewerker
Parameters:
  - reason (string, required): Waarom escalatie nodig is
  - priority (enum: low/medium/high): Urgentie
  - summary (string): Samenvatting van het gesprek

Implementation:
  → Create ticket in helpdesk systeem
  → Slack notificatie naar support team
  → Return: ticket nummer, geschatte wachttijd

Stap 7: Output Configureren

Node: Gmail (Send)
To: {{$json.customer_email}}
Subject: Re: {{$json.original_subject}}
Body: {{$json.ai_response}}

Node: Respond to Webhook
Response Code: 200
Response Body:
{
  "response": "{{$json.ai_response}}",
  "actions_taken": {{$json.tool_calls}},
  "escalated": {{$json.was_escalated}}
}

Stap 8: Testen

1. Klik op "Execute Workflow"
2. Gebruik een test input:

{
  "message": "Hoi, ik heb mijn bestelling nog niet ontvangen. Order #12345",
  "customer_email": "test@example.com"
}

1. Controleer of de agent:

• De juiste tool aanroept (check_order_status)
• Een passend antwoord formuleert
• De juiste toon aanhoudt

Geavanceerde AI Agent Technieken

Memory en Context

Memory Type: Window Buffer
Window Size: 10 (laatste 10 berichten)

Memory Type: Vector Store
Vector Store: Pinecone / Supabase / Chroma
Embedding Model: text-embedding-ada-002

-- Maak een chat_history tabel
CREATE TABLE chat_history (
  id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
  conversation_id UUID NOT NULL,
  role TEXT NOT NULL, -- 'user' of 'assistant'
  content TEXT NOT NULL,
  metadata JSONB,
  created_at TIMESTAMPTZ DEFAULT NOW()
);

-- Index voor snelle lookups
CREATE INDEX idx_chat_history_conversation 
ON chat_history(conversation_id, created_at);

1. Laad vorige berichten bij start van workflow
2. Voeg toe aan de prompt als context
3. Sla nieuwe berichten op na elke interactie

Retrieval Augmented Generation (RAG)

1. Document Loader
   → Laad FAQ, handleidingen, productinfo
   
2. Text Splitter
   → Splits in chunks van 500-1000 tokens
   
3. Embeddings
   → Genereer embeddings met OpenAI/Cohere
   
4. Vector Store
   → Sla op in Pinecone/Supabase/Chroma
   
5. Retriever (in agent)
   → Zoek relevante chunks op basis van vraag
   
6. Context Injection
   → Voeg relevante info toe aan prompt

Function Calling vs Tool Use

• Model bepaalt wanneer tool aan te roepen
• Structured output met parameters
• Meerdere tools tegelijk mogelijk

const tools = [{
  type: "function",
  function: {
    name: "check_order",
    description: "Check order status",
    parameters: {
      type: "object",
      properties: {
        order_id: { type: "string", description: "Order ID" }
      },
      required: ["order_id"]
    }
  }
}];

• Je bepaalt de logica in n8n
• Meer controle, minder flexibiliteit
• Switch node op basis van intent

Multi-Agent Architectuur

Orchestrator Agent
├── Sales Agent (product vragen, aanbevelingen)
├── Support Agent (problemen, klachten)
├── Billing Agent (facturen, betalingen)
└── Technical Agent (technische vragen)

Praktijkvoorbeelden

Voorbeeld 1: Email Triage Agent

Trigger: Gmail (nieuwe email)
   ↓
AI Agent: Analyseer email
   - Intent detectie (vraag/klacht/spam/etc)
   - Urgentie bepalen
   - Suggested response genereren
   ↓
Switch: Op basis van categorie
   ├── Spam → Delete
   ├── Urgent → Slack alert + Auto-reply
   ├── FAQ → Auto-reply met antwoord
   └── Complex → Create ticket + assign

Voorbeeld 2: Document Analyzer

Trigger: Webhook (document upload)
   ↓
PDF/Image Parser
   ↓
AI Agent: Document analyse
   - Type detectie (factuur/contract/rapport)
   - Data extractie
   - Samenvatting
   ↓
Database: Opslaan gestructureerde data
   ↓
Webhook Response: Extracted data JSON

Voorbeeld 3: Content Research Assistant

Trigger: Notion webhook (nieuw content idee)
   ↓
AI Agent: Research
   Tools:
   - web_search (via SerpAPI/Tavily)
   - competitor_analysis
   - keyword_research
   ↓
AI Agent: Content Planning
   - Outline genereren
   - Bronnen compileren
   - SEO aanbevelingen
   ↓
Notion: Update pagina met research

Optimalisatie en Best Practices

1. Prompt Engineering

• Wees specifiek over de rol en context
• Geef voorbeelden van gewenst gedrag
• Definieer duidelijke grenzen
• Gebruik structured output waar mogelijk

• Te lange, onduidelijke prompts
• Tegenstrijdige instructies
• Aannames over voorkennis
• Negeren van edge cases

2. Temperature Tuning

Temperature 0.0-0.3: Consistent, feitelijk
  → Klantenservice, data extractie

Temperature 0.4-0.7: Gebalanceerd
  → Algemene assistenten, Q&A

Temperature 0.8-1.0: Creatief, gevarieerd
  → Content generatie, brainstorming

3. Error Handling

// In Code node na AI Agent
const response = $json.ai_response;

// Check voor incomplete responses
if (!response || response.length < 10) {
  return [{
    json: {
      success: false,
      error: 'empty_response',
      fallback: 'Sorry, ik kon je vraag niet verwerken. Probeer het opnieuw.'
    }
  }];
}

// Check voor hallucinations (optioneel)
const containsForbiddenInfo = response.includes('[HALLUCINATION_CHECK]');

// Rate limiting check
if ($json.error?.includes('rate_limit')) {
  // Wacht en retry, of gebruik fallback model
}

4. Kosten Optimalisatie

1. Model selectie: Gebruik goedkopere modellen voor simpele taken
2. Prompt compressie: Verwijder onnodige context
3. Caching: Cache veelvoorkomende responses
4. Batching: Combineer meerdere requests

// Model routing op basis van complexiteit
const complexity = analyzeComplexity($json.message);

let model;
if (complexity === 'simple') {
  model = 'gpt-3.5-turbo'; // Goedkoop
} else if (complexity === 'medium') {
  model = 'gpt-4o-mini'; // Balanced
} else {
  model = 'gpt-4o'; // Krachtig
}

5. Monitoring en Logging

// Log elke interactie
const logEntry = {
  timestamp: new Date().toISOString(),
  conversation_id: $json.conversation_id,
  user_message: $json.message,
  ai_response: $json.ai_response,
  tools_used: $json.tool_calls,
  model: $json.model,
  tokens_used: $json.usage,
  response_time_ms: $json.response_time,
  was_escalated: $json.escalated,
  feedback: null // Later invullen
};

// Naar database
return [{ json: logEntry }];

Veelvoorkomende Problemen en Oplossingen

Probleem: Agent hallucineert informatie

• Gebruik RAG voor feitelijke informatie
• Lagere temperature (0.1-0.3)
• Expliciete instructie: "Als je het niet weet, zeg dat eerlijk"
• Fact-checking tool toevoegen

Probleem: Agent roept verkeerde tools aan

• Betere tool descriptions schrijven
• Voorbeelden toevoegen aan system prompt
• Gebruik function calling i.p.v. text parsing
• Validatie layer toevoegen

Probleem: Responses zijn te lang/kort

• Expliciete lengte-instructies in prompt
• "Antwoord in maximaal 3 zinnen"
• Post-processing om te trimmen
• Voorbeeld responses in prompt

Probleem: Rate limits en kosten

• Implementeer request queuing
• Gebruik caching
• Model routing (goedkoop voor simpel)
• Fallback naar lokale modellen

Conclusie

1. Start simpel met een duidelijke use case
2. Investeer tijd in een goede system prompt
3. Voeg tools toe die echte waarde toevoegen
4. Test uitgebreid en itereer op feedback
5. Monitor performance en optimaliseer continu