Nelle lezioni precedenti abbiamo visto come utilizzare le automazioni per eseguire compiti lineari e ripetitivi. Ma cosa succede quando il processo richiede di prendere decisioni dinamiche in base al contesto? È qui che entrano in gioco gli Agenti AI.

In questa lezione intermedia impareremo a costruire il tuo primo agente AI funzionante all'interno di n8n. Non useremo l'intelligenza artificiale solo per generare testo, ma creeremo un sistema autonomo in grado di ragionare, ricordare le conversazioni precedenti e decidere quali strumenti (Tools) utilizzare per risolvere un problema.

Cos'è un Agente AI in n8n?

A differenza di una semplice chiamata API a un modello di linguaggio (LLM) che riceve un input e restituisce un output statico, un agente AI in n8n opera secondo un ciclo di ragionamento e azione (spesso definito paradigma ReAct).

Per fare questo, n8n sfrutta un'architettura visiva basata su LangChain. Il nodo centrale, chiamato AI Agent, funziona come un "cervello" a cui dobbiamo collegare tre elementi fondamentali:

  • Model (Il Modello): Il motore di calcolo e ragionamento (es. OpenAI, Anthropic, Cohere).
  • Memory (La Memoria): Consente all'agente di ricordare il contesto dei messaggi precedenti all'interno della sessione di chat.
  • Tools (Gli Strumenti): Le "mani" dell'agente. Consentono all'AI di interagire con il mondo esterno (fare calcoli, cercare sul web, interrogare database o avviare altri workflow).

Nota di contesto: Se non hai ancora configurato le tue credenziali API per OpenAI o altri provider in n8n, ti consigliamo di farlo prima di procedere, poiché saranno necessarie per attivare il modello di linguaggio. ---

Guida Passo-Passo: Costruire l'Agente

Creeremo un agente AI assistente d'ufficio che deve svolgere due compiti apparentemente semplici ma difficili per un LLM tradizionale: eseguire calcoli matematici precisi senza commettere errori di allucinazione e recuperare informazioni in tempo reale.

1. Configurare il nodo AI Agent

Crea un nuovo workflow in n8n e trascina sulla tela il nodo AI Agent. Questo nodo si presenta con diversi punti di ingresso (input connector) contrassegnati da etichette specifiche: Model, Memory, e Tools.

Nelle impostazioni del nodo AI Agent, imposta il campo Prompt/Agent System Message. Questo è il testo che definisce l'identità e le regole di comportamento dell'agente. Inserisci questo testo:

Sei un assistente operativo di precisione. 
Il tuo compito è aiutare l'utente a risolvere problemi amministrativi e di calcolo.
Usa sempre lo strumento calcolatrice per qualsiasi operazione matematica, anche la più semplice.
Sii sintetico e professionale.

2. Collegare il Modello (Model)

Trascina un nodo OpenAI Chat Model (o il provider che preferisci) e collegalo all'ingresso contrassegnato come Model sul nodo AI Agent.

  • Seleziona le tue credenziali OpenAI.
  • Scegli un modello performante ma economico per i test, come gpt-4o-mini.
  • Lascia la temperatura a un valore predefinito (es. 0.7 o inferiore per risposte più precise).

3. Aggiungere la Memoria (Memory)

Senza memoria, ogni domanda inviata all'agente sarebbe un caso isolato. Per permettergli di mantenere il filo del discorso, trascina il nodo Window Buffer Memory e collegalo all'ingresso Memory dell'AI Agent.

Questo nodo manterrà in memoria gli ultimi X scambi della conversazione (puoi configurare la dimensione del buffer nelle impostazioni del nodo, ad esempio impostando il limite a 5 o 10 messaggi).

4. Equipaggiare l'Agente con gli Strumenti (Tools)

Questo è il passaggio cruciale. Se chiedi a un normale LLM di calcolare (1435 * 1.22) - 340, potrebbe sbagliare il calcolo a causa della natura probabilistica dei modelli di linguaggio. Dobbiamo dargli una calcolatrice reale.

Trascina il nodo Calculator (uno strumento nativo di n8n per l'AI) e collegalo all'ingresso Tools del nodo AI Agent. Questo strumento non richiede configurazioni complesse: l'agente capirà da solo quando e come usarlo grazie alla descrizione interna dello strumento stesso.

---

Esercizio Pratico: Testare il Ragionamento dell'Agente

Ora che la struttura è pronta, avviamo un test per osservare come l'agente decide autonomamente quale strada prendere.

  1. Clicca sul pulsante Test step o avvia la chat di prova integrata nel nodo AI Agent in n8n.

Invia questo messaggio all'agente:

"Ciao! Ho un budget aziendale di 2500€. Devo acquistare 3 licenze software che costano 340€ l'una (più IVA al 22%). Quanto budget mi rimane dopo questo acquisto? Spiegami anche brevemente cos'è l'IVA."

Cosa succede dietro le quinte?

Se guardi l'esecuzione del nodo in n8n, noterai che l'agente non risponde immediatamente. Esegue invece un processo in più fasi:

  • Fase 1 (Pensiero): L'agente analizza la richiesta e capisce che deve fare dei calcoli precisi (moltiplicare 340 * 3, aggiungere il 22% di IVA, e sottrarre il totale da 2500).
  • Fase 2 (Azione): L'agente decide di richiamare il tool Calculator. Invia l'operazione matematica allo strumento.
  • Fase 3 (Osservazione): Il tool restituisce il risultato matematico esatto all'agente.
  • Fase 4 (Pensiero e Risposta): L'agente usa il risultato ottenuto per formulare la risposta finale e, contemporaneamente, attinge alla sua conoscenza interna (LLM) per spiegare brevemente cos'è l'IVA, unendo le due informazioni in un unico messaggio chiaro.

Questo comportamento dinamico è ciò che distingue un agente AI da un semplice chatbot di base.

---

Best Practices per Agenti AI in n8n

  • Limita il numero di strumenti: Dare troppi strumenti a un singolo agente può confonderlo (fenomeno chiamato tool dilution). Se l'agente deve fare troppe cose diverse, valuta la creazione di sotto-agenti specializzati.
  • Scrivi descrizioni chiare per i Tool: Se usi strumenti personalizzati (come un webhook per interrogare il tuo CRM), compila sempre con cura il campo di descrizione del tool. L'agente usa quella descrizione per capire quando è opportuno attivare quello strumento.
  • Monitora i costi: Poiché gli agenti eseguono più passaggi di pensiero e chiamate ricorsive al modello prima di rispondere, consumano più token rispetto a una singola chiamata lineare. Utilizza modelli ottimizzati come gpt-4o-mini per lo sviluppo e passa a modelli più grandi solo se necessario.