n8n a AI agenti: open source automatizace na steroidech

Otevřít vizuální editor, přetáhnout pár uzlů, propojit je šipkami a nechat to běžet — tak vypadá typické n8n workflow. Přidáte OpenAI node, který shrne e-mail, a máte „AI automatizaci". Jenže tohle pořád není agent. Je to jen pevně daná linka, kde jeden krok používá jazykový model. Pořadí kroků jste určili vy, ne AI.

Skutečný AI agent funguje jinak. Dostane cíl — ne scénář — a sám se rozhodne, který nástroj v jakém pořadí použít. Zeptá se databáze, spočítá číslo, napíše návrh odpovědi, a když narazí na nejasnost, umí se zeptat. n8n je dnes jedna z mála platforem, kde takového agenta postavíte vizuálně, provozujete ho na vlastním serveru a neplatíte za každý běh.

Tento text ukazuje rozdíl mezi automatizací s AI krokem a opravdovým agentem, rozebírá anatomii AI Agent nodu, jak do něj napojit jazykový model v cloudu i lokálně přes Ollama, a na jednom konkrétním příkladu projde celý agentní workflow od zadání po výsledek.

AI ve workflow vs. skutečný agent: kde je hranice

Rozdíl není v tom, jestli je někde v pipeline jazykový model. Rozdíl je v tom, kdo rozhoduje o postupu. V běžném workflow rozhodujete vy: nejdřív stáhni e-mail, pak ho klasifikuj, pak pošli do Slacku. Model plní jednu dílčí úlohu a nemá slovo v tom, co přijde dál. To je deterministické a předvídatelné — a pro spoustu úloh je to přesně to, co chcete.

Agent naopak dostane volnější zadání a sám sestaví postup. „Zjisti, kolik nám zbývá v rozpočtu, a připrav e-mail dodavateli." Model se podívá na dostupné nástroje, vybere ten na dotaz do databáze, výsledek pošle do kalkulačky a teprve potom sáhne po nástroji na psaní e-mailu. Když je zadání nejasné, může se zeptat. Tahle volnost je síla i riziko zároveň — proto agenti častěji selhávají a proto je téma provozní spolehlivosti agentů stejně důležité jako jejich schopnosti.

Praktické pravidlo: pokud dokážete postup nakreslit jako přímou linku bez větvení podle obsahu, nepotřebujete agenta — stačí obyčejné workflow, které je levnější a spolehlivější. Agenta nasaďte tam, kde předem nevíte, kolik kroků a v jakém pořadí bude potřeba. Základy stavby běžných workflow rozebírá samostatný návod na n8n krok za krokem; tady jdeme o úroveň výš.

Anatomie AI Agent nodu: mozek, paměť, nástroje

V n8n je agent postavený kolem jednoho centrálního uzlu — AI Agent node — ke kterému se připojují tři typy podřízených nodů. Architektura stojí na frameworku LangChain, ale nemusíte psát řádek kódu. Vše se skládá vizuálně.

Klíčový je typ agenta. n8n nabízí několik variant, ale výchozí a nejspolehlivější je Tools Agent. Ten využívá nativní „tool calling" modelu — tedy schopnost jazykového modelu sám vygenerovat strukturovaný požadavek na volání nástroje. Většina současných modelů od OpenAI, Anthropicu i Googlu to umí, takže Tools Agent je bezpečná první volba. Pokud vás zajímá, jak se n8n řadí vedle kódových řešení jako LangGraph nebo CrewAI, srovnává je přehled agentních frameworků.

Napojení LLM: cloud i vlastní server

Mozek agenta vyměníte za pár vteřin — stačí připojit jiný Chat Model node. Každý poskytovatel má svá plus a minus, a volba se často řídí ani ne tak výkonem, jako spíš tím, kam smějí odejít vaše data.

Právě poslední řádek je důvod, proč tolik firem volí n8n. Když agent zpracovává citlivé dokumenty — faktury, smlouvy, osobní údaje — nemusíte je posílat na cizí servery. Napojíte lokální model přes Ollama a data neopustí vaši infrastrukturu. Praktické nastavení popisuje návod na provoz Ollama na vlastním stroji. Kompromis je jasný: menší lokální modely nemají tak spolehlivé tool calling jako špičkové cloudové modely, takže u složitějších agentů počítejte s laděním nebo s hybridním přístupem.

Praktický příklad: provozní asistent, který sám obslouží dotaz

Teorie je hezká, ale nejlíp se agent pochopí na konkrétním běhu. Postavíme provozního asistenta, kterého kdokoli z týmu osloví v chatu a on sám zjistí odpověď napříč několika systémy. Zadání zní: „Kolik nám ještě zbývá z měsíčního rozpočtu na reklamu a připrav e-mail agentuře, ať to nepřekročí."

Agent má k dispozici tři nástroje: dotaz do databáze s útratami, kalkulačku a node na koncept e-mailu. Nikde není napevno určeno, že je má použít v tomto pořadí — model si postup sestaví sám na základě zadání a popisu nástrojů.

Jsi provozní asistent firmy. Máš k dispozici tři nástroje:
- "utrata_db": vrátí součet útrat za daný kanál a měsíc
- "kalkulacka": spočítá rozdíl mezi rozpočtem a útratou
- "koncept_emailu": připraví NÁVRH e-mailu (neodesílá ho)

Postup:
1. Zjisti aktuální útratu z utrata_db.
2. Spočítej zbývající rozpočet kalkulackou.
3. Připrav věcný český e-mail dodavateli s aktuálním
   stavem a upozorněním, ať se rozpočet nepřekročí.

Nikdy e-mail neodesílej sám. Vždy jen připrav návrh
ke schválení člověkem. Když ti chybí údaj, zeptej se.

Co se stane po odeslání dotazu? Model přečte zadání, z popisů nástrojů pozná, že nejdřív potřebuje čísla, a zavolá utrata_db. Dostane například 38 000 Kč. Výsledek pošle do kalkulacky proti rozpočtu 50 000 Kč a dostane zbývajících 12 000 Kč. Teprve pak sáhne po koncept_emailu a složí návrh zprávy. Nic z toho neodešle — vrátí koncept, který člověk schválí. To je zásadní bezpečnostní pojistka, ne omezení.

Stejný vzor rozšíříte donekonečna. Přidáte nástroj na vyhledávání v interní znalostní bázi a agent odpovídá s oporou ve vašich dokumentech. Přidáte napojení na CRM a umí založit záznam. Přidáte vyhledávání na webu a doplní si čerstvé informace. Každý nový nástroj je jen další node s popisem — agent se sám naučí, kdy po něm sáhnout, aniž byste přepisovali logiku workflow.

Kolik to stojí a jak agenta nepustit ze řetězu

Ekonomika self-hostovaného agenta je nezvyklá v jednom bodě: za samotné běhy workflow neplatíte nic. Na rozdíl od cloudových automatizací, které účtují za počet operací, platíte u n8n na vlastním serveru jen za dvě věci — hosting (VPS od zhruba 110 Kč měsíčně) a tokeny jazykového modelu. U lokálního modelu přes Ollama odpadá i to druhé.

Pozor ale na jednu vlastnost agentů: spotřebují víc tokenů než obyčejné workflow. Model totiž „přemýšlí" ve více kolech — přečte zadání, rozhodne o nástroji, zpracuje výsledek, rozhodne znovu. Každé kolo je další volání modelu. U složitého agenta se počet volání snadno zněkolikanásobí, takže hlídání nákladů má smysl řešit hned. Jak funguje účtování za tokeny a kde se dá ušetřit, rozebírá text o nákladech AI API.

Nezapomínejte ani na bezpečnost vstupů. Agent, který čte e-maily nebo webové stránky, může narazit na skrytou instrukci, jež se ho pokusí přesměrovat — takzvaný prompt injection. Když má takový agent zároveň nástroj s právem něco odeslat nebo zapsat, je to reálné riziko. Proto platí pravidlo oddělení: data z nedůvěryhodného zdroje nikdy nemají v témže kroku spouštět akci. Podrobně se tématu věnuje text o prompt injection a obraně proti němu.

Jak postavit prvního agenta za odpoledne

Nemusíte začínat složitým multi-agentním systémem. Nejrychlejší cesta k pochopení je jeden agent s jedním nástrojem, který postupně rozšíříte.

Až agent poběží, uvidíte v n8n přesně, jak model uvažoval — které nástroje zavolal, s jakými argumenty a co dostal zpět. Tahle průhlednost je hlavní důvod, proč stavět agenty vizuálně a ne jen v kódu: chyba je vidět na první pohled a nemusíte ji lovit v logu.