Workflow agents — n8n با AI

n8n یک ابزار اتوماسیون متن‌باز است که در چند سال اخیر به یکی از محبوب‌ترین بسترها برای ساخت workflow agent تبدیل شده. اگر تا حالا اسمش را شنیده‌ای اما دقیقاً نمی‌دانی چه فرقی با Zapier یا Make دارد و چرا توسعه‌دهنده‌ها آن را ترجیح می‌دهند، این مقاله جوابت را می‌دهد.

n8n چیست؟

n8n یک پلتفرم اتوماسیون workflow است — مثل Zapier یا Make.com، ولی با چند تفاوت اساسی:

• متن‌باز است: می‌توانی روی سرور خودت نصب کنی. برای کاربر ایرانی این مهم است چون به محدودیت‌های پرداخت و تحریم وابسته نیستی.
• کد اجرا می‌کند: در هر گره می‌توانی JavaScript یا Python بنویسی. Zapier این کار را نمی‌کند.
• قیمت‌گذاری متفاوت: نسخهٔ خود-هاستینگ رایگان است. نسخهٔ ابری دارد اما برای کاربر ایرانی، self-hosted گزینهٔ واقعی‌تر است.

Workflow Agent یعنی چه؟

«ایجنت» در این زمینه یعنی یک جریان کاری که نه فقط داده منتقل می‌کند، بلکه تصمیم می‌گیرد. مثال ساده:

ایمیل ورودی می‌رسد ← n8n آن را به LLM می‌دهد ← LLM می‌گوید این ایمیل مربوط به پشتیبانی است یا فروش ← بر اساس جواب، ایمیل به Slack کانال مربوطه می‌رود و یک تیکت در Notion ایجاد می‌شود.

در این مثال هیچ if/else دستی ننوشتی — LLM دسته‌بندی می‌کند. این همان تفاوت Workflow Agent با اتوماسیون ساده است.

یکپارچه‌سازی n8n با مدل‌های AI

n8n از نسخهٔ ۱.۰ (منتشرشده ۲۰۲۳) گره‌های AI اختصاصی دارد. مهم‌ترین‌ها:

AI Agent node — یک حلقهٔ reasoning کامل است. مدل را می‌گیرد، ابزارهایی (tools) که باید استفاده کند را تعریف می‌کنی، و agent خودش تصمیم می‌گیرد کدام را چه زمانی اجرا کند.

LLM Chain node — برای موارد ساده‌تر که فقط یک prompt→response می‌خواهی، بدون reasoning loop.

Memory nodes — n8n چند نوع حافظه پشتیبانی می‌کند: Buffer (مکالمهٔ جاری)، Summary (خلاصه‌شده برای context window)، و حافظهٔ خارجی مثل Postgres یا Redis.

مدل‌های پشتیبانی‌شده: OpenAI، Anthropic (Claude)، Google Gemini، Mistral، و هر مدلی که API سازگار با OpenAI داشته باشد.

یک مثال واقعی گام‌به‌گام

فرض کن می‌خواهی یک ربات بسازی که هر صبح خبرهای مربوط به هوش مصنوعی را جمع‌آوری کند، خلاصه‌اش کند، و برایت ایمیل بزند:

۱. Trigger: Schedule node — هر روز ساعت ۷ صبح ۲. Data collection: HTTP Request node به چند RSS feed یا API خبری ۳. LLM summarize: LLM Chain node — «این ۱۰ خبر را به ۵ جملهٔ فارسی خلاصه کن» ۴. Send: Email node — نتیجه را به Gmail ارسال کن

این workflow در n8n کمتر از ۲۰ دقیقه ساخته می‌شود. بدون کد نوشتن.

خود-هاستینگ n8n در ایران

برای نصب روی سرور:

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v ~/.n8n:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

یک VPS ایرانی با ۲ گیگ رم برای پروژه‌های کوچک کافی است. n8n در حالت پیش‌فرض SQLite استفاده می‌کند — برای پروژه‌های بزرگ‌تر باید به Postgres مهاجرت کنی.

نکته: چون API Calls به OpenAI یا Anthropic از سرور n8n انجام می‌شود نه از مرورگر تو، اگر سرور در ایران باشد باید خودت proxy تنظیم کنی. سرور خارج از کشور این مشکل را ندارد.

تفاوت n8n با CrewAI و LangChain

این سه ابزار اهداف متفاوتی دارند:

n8n برای ساخت اتوماسیون‌های عملی و deployment سریع برتر است. LangChain وقتی می‌خواهی logic پیچیده بنویسی قوی‌تر است.

محدودیت‌های واقعی

• Debugging سخت‌تر است: وقتی workflow پیچیده می‌شود، پیدا کردن خطا در UI گاهی کند است.
• حافظهٔ بین session: n8n به خودی خود حافظهٔ پایدار بین اجراهای مختلف workflow ندارد — باید خودت دیتابیس یا Notion یا Airtable وصل کنی.
• مقیاس‌پذیری: برای workflow‌های با بار بالا، نسخهٔ enterprise لازم است.

جمع‌بندی

n8n ابزار قدرتمندی برای ساخت workflow agent است که بدون نوشتن کد زیاد می‌توانی LLM را به سرویس‌های واقعی وصل کنی. برای توسعه‌دهنده‌ها و افراد فنی ایرانی که می‌خواهند خودشان هاست کنند، گزینهٔ خوبی است. فقط در نظر داشته باش که «agent بودن» n8n به این معنی نیست که تو را می‌شناسد یا از پروژه‌های قبلی یاد می‌گیرد — این سطح از حافظه نیاز به طراحی متفاوت دارد که مفهومش را در شناخت پیوسته توضیح داده‌ایم.

همچنین بخوان

• ایجنت هوش مصنوعی چیست؟
• Multi-agent systems — چند ایجنت با هم
• LangChain چیست و کجا استفاده می‌شود؟
• شناخت پیوسته در هوش مصنوعی