Tutorial passo a passo para construir Agentes de IA autônomos usando n8n, LangChain e modelos de linguagem. Aprenda a criar workflows inteligentes que tomam decisões e executam tarefas automaticamente.

Visão geral: o que é um agente de IA no n8n

Agentes de IA em n8n são workflows que usam um modelo de linguagem (LLM) conectado ao node AI Agent para tomar decisões, escolher ferramentas (outros nodes) e executar tarefas de forma semi ou totalmente autônoma.

Em vez de seguir uma sequência fixa de nodes, o agente recebe um objetivo, decide quais "tools" usar (APIs, bancos de dados, automações) e coordena essas chamadas até atingir o resultado.

🔧 Componentes de um Agente n8n

Gatilho: Webhook, Chat Trigger, cron, evento externo
AI Agent node: Usa LangChain por baixo dos panos
Ferramentas: Outros workflows, HTTP Request, Google Sheets, etc.
RAG (opcional): Embeddings + vector store para pesquisa em documentos

Pré-requisitos para iniciantes

Antes de criar seu primeiro agente, você precisa de três blocos básicos:

1. Conta ou instância do n8n

Pode ser em cloud da própria n8n ou self-host via Docker
O editor visual é o mesmo: arrastar nodes e conectar com setas

2. Chave de API de um modelo de linguagem

OpenAI, Gemini, ou outro LLM compatível
No n8n, isso é configurado como credencial (ex.: "OpenAI API")

3. Noções mínimas de fluxo de dados

Entender que cada node recebe items em JSON, processa e devolve saída
Saber ler as abas "JSON" e "Binary" na saída de cada node ajuda a debugar

Com isso em mãos, você já consegue seguir o passo a passo para montar um agente simples.

Conceitos de LangChain no n8n

O n8n integra LangChain através de um conjunto de cluster nodes, como AI Agent, Chains e sub-nodes de embeddings, tools e vector stores.

🧠 Conceitos Clássicos de LangChain

Agent (AI Agent node): Recebe um objetivo, tem acesso a tools e decide quando chamá-las
Tools: Funções externas – desde um HTTP Request a um sub-workflow
Chains: Sequências de chamadas LLM (ex.: "resumir depois reescrever")
Embeddings / Vector Stores: Transformar texto em vetores e buscar por similaridade para RAG

O node AI Agent do n8n, nas versões mais recentes, opera como um Tools Agent padrão do LangChain, com foco explícito em chamar ferramentas de forma estruturada.

Passo 1: Escolher o tipo de agente que você quer

Para iniciantes, vale pensar em três tipos básicos de agente:

🎯 Agente de automação pontual

Exemplo: Recebe um pedido via Webhook, enriquece com IA e grava no Google Sheets
Gatilho: Webhook ou formulário
Autonomia: Baixa – ele só faz um job bem definido

💬 Agente assistente

Exemplo: Responde dúvidas de clientes usando base de conhecimento em RAG
Gatilho: Chat Trigger (chat embutido) ou canal externo
Autonomia: Média – decide quais documentos buscar e como responder

🤖 Agente autônomo de tarefas recorrentes

Exemplo: Todo dia às 8h faz um resumo de notícias, manda e-mail e loga em planilha
Gatilho: Cron (Schedule Trigger)
Autonomia: Maior – ele decide o que buscar, como resumir e como enviar

Ter clareza disso muda a forma como você escreve o prompt do agente, define tools e gatilhos.

Passo 2: Montar a base do workflow no n8n

Crie um novo workflow

Clique em New workflow no editor do n8n.

Adicione um node de gatilho

Para chat: Chat Trigger
Para chamadas HTTP: Webhook
Para rotina cronometrada: Cron ou Schedule Trigger

Conecte o gatilho ao AI Agent

Adicione o node AI Agent (LangChain) como próximo passo
Conecte a seta do gatilho para o AI Agent para que os dados da entrada cheguem ao modelo

Nesse ponto, você já tem um fluxo "Gatilho → AI Agent". O restante será dar "cérebro, ferramentas e memória" para o agente.

Passo 3: Configurar o node AI Agent

No painel do node AI Agent:

Escolha o modelo de linguagem

Em "LLM" selecione seu provedor (OpenAI, Gemini etc.) e a credencial correspondente. Se estiver usando um endpoint compatível com OpenAI self-hosted, configure a base URL na credencial ou no node adequado.

Defina o "system prompt" do agente

O system prompt é a instrução principal sobre quem o agente é e como deve agir.

📝 Estrutura RTTO para Prompts

Para iniciantes, use uma estrutura simples de quatro blocos:

Role (Papel): "Você é um agente de automação no n8n especializado em [seu caso de uso]"
Task (Tarefas): Liste claramente o que ele pode ou não pode fazer
Tools (Ferramentas): Descreva em linguagem natural as tools disponíveis
Output (Saída): Formato esperado (JSON, texto, markdown etc.)

Ative ou não o retorno de "intermediate steps"

A opção de retornar passos intermediários ajuda a visualizar que ferramentas o agente chamou, para debug. Para iniciantes, é útil manter ligado em ambiente de teste e desligar em produção para respostas mais limpas.

Configure memória (opcional, mas recomendável em chat)

Em cenários de chat, é possível anexar um sub-node de memory ao AI Agent para manter contexto entre mensagens em uma mesma sessão.

⚠️ Atenção: Persistência de Memória

A maioria das memórias do agent não persiste automaticamente entre sessões, a menos que você conecte a um armazenamento externo (banco, vector store etc.).

Passo 4: Adicionar ferramentas (tools) ao agente

O poder de um agente vem da capacidade de chamar ferramentas. No n8n isso acontece de duas formas principais:

4.1 Sub-nodes internos do AI Agent

O node AI Agent suporta sub-nodes de Tools, que representam funções específicas expostas ao modelo:

Tool para fazer HTTP Request em uma API
Tool para buscar em um vector store
Tool para chamar outro workflow (Call Workflow)

🛠️ Para cada tool você define:

Nome da ferramenta: ID que o LLM verá
Descrição clara: "busca eventos no Google Calendar para um intervalo de datas"
Parâmetros obrigatórios: Ex.: email, data_inicio, data_fim

4.2 Tools via outros nodes / workflows

Você também pode deixar o AI Agent "decidir" coisas e, depois, usar a saída para acionar nodes comuns do n8n, como:

HTTP Request para integrar com qualquer API
Google Sheets, Gmail, Slack, etc.

Um padrão comum:

AI Agent decide o plano de ação e devolve um JSON bem estruturado
Nodes seguintes leem esse JSON ({{$json.campo}}) e executam as ações necessárias

Isso reduz a complexidade dentro do agent e aumenta o controle sobre o que ele pode fazer.

Passo 5: Conectando LangChain + embeddings para RAG

Para agentes que precisam "ler arquivos" ou "consultar base de conhecimento", você precisa de embeddings + vector store.

Fluxo típico em n8n:

1. Pré-processar documentos

Nodes para carregar PDFs, textos, dados externos
Aplicar text splitting (tamanho de chunk, overlap) para quebrar textos longos

2. Gerar embeddings

Usar o node Embeddings OpenAI (ou similar) para transformar cada chunk em vetor
Gravar esses vetores em um vector store (Pinecone, pgvector, etc.)

3. Na hora da pergunta (runtime)

O Chat Trigger recebe a pergunta do usuário
Um node de busca no vector store encontra os chunks mais relevantes
Uma chain (ou o próprio AI Agent) combina pergunta + contexto recuperado e gera a resposta

🔍 RAG - Retrieval-Augmented Generation

Esse padrão é conhecido como Retrieval-Augmented Generation (RAG) e é muito comum em exemplos oficiais do n8n e tutoriais de terceiros.

Passo 6: Construindo um agente autônomo simples (exemplo prático)

Vamos montar mentalmente um agente de "briefing diário", cenário muito usado em tutoriais para iniciantes.

Objetivo do agente

Todo dia às 8h:

Buscar as principais notícias de tecnologia
Resumir em português, em 3 a 5 tópicos
Enviar por e-mail ou Slack
Registrar o que foi enviado em um Google Sheets

Passo a passo resumido

1. Gatilho

Adicione um node Cron/Schedule Trigger configurado para 08:00 diariamente.

2. AI Agent

Adicione o node AI Agent conectado ao LLM (OpenAI, GPT-4.5, etc.).

System prompt sugerido:

Papel: "Você é um agente de briefing diário de tecnologia"
Tarefas: Gerar resumo conciso em bullet points, citar fontes, sempre em PT-BR
Formato: JSON com campos titulo, resumo_markdown, topicos[]

3. Tool de busca de notícias

Node HTTP Request chamando uma API de notícias (ou SerpAPI) com query=tecnologia.

4. Processar e enviar

Adicione node de Gmail ou Slack para enviar o resumo
Adicione node Google Sheets para logar data, título e link

5. Testar

Rode o workflow manualmente
Verifique no Execution log se o AI Agent está escolhendo a tool certa

Esse é um exemplo clássico de "agente autônomo leve": ele roda sozinho todo dia, mas atua dentro de um escopo bem controlado.

Passo 7: Boas práticas de prompt e controle

Para iniciantes, o erro mais comum é escrever prompts vagos. Boas práticas:

Role / Task / Tools / Output (RTTO)

Role: Quem é o agente
Task: O que ele precisa fazer, com exemplos
Tools: Descreva em linguagem de negócio quando usar cada tool
Output: Formato exato (JSON com campos nomeados, markdown, etc.)

Limitar escopo

Deixe explícito o que o agente não pode fazer (ex.: "não envie e-mails diretamente, apenas gere o texto"). Isso reduz risco de comportamentos inesperados, principalmente quando você der mais autonomia.

Validar saídas

Em n8n, você pode usar um node extra de validação (ex.: um node de Function para checar se campos essenciais existem antes de prosseguir). Em casos mais avançados, usar "structured output"/parsing do próprio LangChain via AI Agent.

Passo 8: Tornando o agente realmente autônomo (multi-step)

Agentes autônomos de verdade:

Quebram um objetivo em subtarefas
Escolhem ferramentas
Monitoram progresso e iteram

No n8n, isso normalmente é feito com:

🎭 Arquitetura Multi-Agente

Um orchestrator agent (AI Agent principal)
Vários sub-workflows especializados (pesquisa, escrita, revisão etc.)
Tools do tipo "Call workflow" ou HTTP para orquestrar essas especializações

Exemplo: Multi-agente para criação de conteúdo

Agente 1: Pesquisa
Agente 2: Redator
Agente 3: Editor/SEO
Agente 4: Publicador (integração com CMS)
Orchestrator: Recebe o tema, define etapas e coordena a execução

Como iniciante, você pode começar com um único AI Agent e, aos poucos, extrair partes do fluxo para sub-workflows especializados.

Passo 9: Memória, logs e monitoramento

Para agentes que conversam com usuários ou rodam várias vezes ao dia, é crítico ter:

Memória de curto prazo

Usando o sub-node de memory ligado ao Chat Trigger + AI Agent, o usuário pode fazer várias perguntas sequenciais sem perder contexto.

Memória de longo prazo

Guardar resumos de conversas, preferências ou histórico em banco de dados ou vector store, e recuperar via RAG quando necessário.

Logs de execução

O painel de execuções do n8n mostra cada chamada do agent, tools usadas e erros. Em workflows críticos, é comum logar também em uma planilha ou tabela interna (timestamp, input, output, tool chamada, sucesso/erro).

Isso é o que permite evoluir o agente de "brinquedo" para "componente confiável de produto".

Passo 10: Limites, custos e segurança

Alguns cuidados importantes para quem está começando:

Custos de LLM e embeddings

Cada chamada ao LLM consome tokens; cada embedding gera custo adicional.

💰 Estratégias de Economia

Limitar tamanho de contexto
Usar modelos mais baratos para tarefas simples
Cachear resultados recorrentes

Segurança de credenciais

Use o sistema de Credentials do n8n – nunca hardcode chaves em campos de texto. Em instâncias compartilhadas, controle quem pode editar workflows sensíveis.

Autonomia graduada

Comece com "human in the loop" (ex.: enviar rascunho para revisão humana antes de disparar e-mail). Só depois permita ações totalmente automáticas, e sempre com escopo limitado (apenas certos tipos de cliente, contas de teste etc.).

Como praticar e evoluir a partir daqui

Para consolidar o aprendizado de iniciantes, três projetos simples e progressivos:

1. Agente de resposta de FAQ interno

Chat Trigger + AI Agent + RAG em documentos da empresa.

2. Agente de cobrança amigável

Integra com sistema financeiro, lê faturas em atraso e redige e-mails personalizados para revisão humana.

3. Agente de resumo diário

Cron + AI Agent + APIs externas (notícias, analytics) + envio por e-mail/Slack.

🚀 Próximos Passos

Com esses três projetos, você terá dominado os fundamentos de agentes de IA no n8n. A partir daí, explore arquiteturas multi-agente, integração com sistemas corporativos e automações complexas com RAG avançado.

Guia Completo: Como Criar Agentes de IA com n8n