n8n Essentials

> n8n adalah workflow automation tool source-available yang memungkinkan kita merangkai API, database, dan — semakin ke sini — LLM agent sebagai visual node graph, alih-alih glue code. Notebook ini membahas masalah apa yang diselesaikannya, building block utamanya, dan contoh singkat workflow yang ditenagai AI.

Apa itu n8n?

n8n ("nodemation") adalah platform workflow automation, mirip secara konsep dengan Zapier atau Make, tapi bisa di-self-host dan dibangun di atas visual editor berbasis node. Setiap node merepresentasikan satu step — trigger event, panggil API, transform data, branch berdasarkan kondisi — dan node-node ini dihubungkan menjadi satu workflow yang berjalan berdasarkan schedule, webhook, atau manual trigger.

Yang membedakan n8n dari kebanyakan no-code tool lain:

Self-hostable — jalankan di infrastruktur sendiri, data dan credential tetap in-house

Bisa turun ke code kalau perlu — node Function/Code memberi akses langsung ke JavaScript (atau Python) mentah saat visual node saja tidak cukup

400+ integrasi — node siap pakai untuk SaaS tool, database, dan API umum, plus generic HTTP Request node untuk selebihnya

Native AI node — node berbasis LangChain untuk chat model, agent, vector store, dan memory, jadi workflow LLM bisa duduk berdampingan dengan automation biasa

Lisensi fair-code — gratis untuk self-host; ada paid cloud tier untuk managed hosting

Kenapa n8n untuk AI Workflow?

Automation yang ditenagai LLM biasanya perlu menyentuh beberapa sistem sekaligus: baca dari database, panggil LLM, post ke Slack, tulis balik ke CRM. Menulis ini sebagai script memang mudah untuk prototype, tapi rapuh untuk di-maintain — n8n memberinya bentuk visual, retry/error handling bawaan, dan UI yang bisa diinspeksi atau diubah orang non-engineer sekalipun.

Posisinya cukup unik, di tengah-tengah:

Ceiling lebih rendah dari LangGraph untuk agent control flow yang kompleks dan code-first

Ceiling lebih tinggi dari pure no-code tool (Zapier) karena bisa turun ke code node, self-host, dan membangun branching logic yang cukup rumit

Lebih cepat di-ship dibanding custom backend, kalau workflow-nya intinya "hubungkan service A ke service B, dengan satu step LLM di tengah"

Konsep Inti

Workflow — canvas berisi node yang saling terhubung, merepresentasikan satu automation, disimpan dan di-versioning sebagai JSON

Trigger node — entry point: webhook, cron schedule, form submission, atau klik manual

Node — satu step (HTTP request, query database, panggilan LLM, conditional branch, eksekusi code)

Credentials — auth yang disimpan secara aman (API key, OAuth token), dipakai bersama di berbagai node dan workflow

AI Agent node — node berbasis LangChain yang membungkus LLM dengan tools (node lain yang di-expose sebagai callable tool) dan memory opsional, sehingga agent bisa memutuskan tool mana yang perlu dipanggil

Sub-workflow — workflow yang dipanggil dari workflow lain, berguna untuk reuse logic lintas automation

Use Case Umum

AI support agent — terima pesan lewat webhook atau chat trigger, cari context di vector store, panggil LLM, balas, lalu log percakapannya

Content pipeline — tarik data dari RSS feed atau API, summarize dengan LLM, lalu post hasilnya ke Slack/Notion/CMS

Lead qualification — entry CRM baru men-trigger enrichment (scrape info company), LLM memberi skor pada lead, lalu me-route lead yang hot ke sales

Document processing — file masuk ke Drive/S3, di-parse dan di-embed, lalu diindeks ke vector store untuk RAG

Ops automation tanpa AI — sync data antar tool, kirim alert saat ada failure, generate laporan terjadwal

Contoh Praktis: AI Agent Workflow

Sketsa ini menunjukkan bentuk support agent yang di-trigger webhook: pesan chat masuk, sebuah AI Agent node dengan beberapa tool memutuskan cara meresponnya, lalu balasannya dikirim kembali.

[Webhook Trigger]
       |
       v
[AI Agent node]
  - Chat Model: OpenAI GPT-4o
  - Memory: Window Buffer Memory (10 pesan terakhir)
  - Tools:
      - "Search Knowledge Base" -> HTTP Request node (API vector store)
      - "Create Support Ticket" -> HTTP Request node (API helpdesk)
       |
       v
[Respond to Webhook]
  - mengembalikan pesan final agent sebagai JSON

Konfigurasi untuk AI Agent node (secara konsep, seperti yang di-set di editor n8n):

{
  "node": "AI Agent",
  "parameters": {
    "promptType": "define",
    "systemMessage": "You are a support agent. Use the knowledge base tool before answering. Create a ticket only if the user explicitly asks for escalation.",
    "tools": ["Search Knowledge Base", "Create Support Ticket"]
  }
}

Webhook trigger langsung memberi kita sebuah URL — chat widget, integrasi WhatsApp (lewat Twilio), atau Slack app bisa diarahkan ke situ, dan workflow agent yang sama menangani semuanya.

Best Practices

Simpan credential di credential store bawaan n8n, jangan pernah hardcode di dalam Code node atau body HTTP node

Pakai sub-workflow untuk reuse logic yang sering dipakai (misalnya "kirim Slack alert") daripada duplikasi node di banyak workflow

Tambahkan branch error-handling (Error Trigger node atau "Continue On Fail" per node) untuk apa pun yang memanggil API eksternal

Pin versi node di workflow production supaya upgrade n8n tidak diam-diam mengubah behavior node

Untuk AI Agent node, jaga daftar tool tetap pendek dan deskripsi tiap tool presisi — deskripsi yang ambigu bikin agent salah pilih tool

Kapan Pakai n8n (dan Kapan Tidak)

Cocok untuk:

Menghubungkan beberapa SaaS tool/API yang sudah ada dengan logic ringan di antaranya

AI agent yang sebagian besar memanggil REST API yang sudah ada sebagai tool, tanpa perlu custom agent-loop control

Tim yang ingin workflow bisa diedit baik oleh engineer maupun non-engineer

Berlebihan atau kurang cocok untuk:

Agent control flow dengan branching berat, cycle, atau custom state logic — LangGraph atau custom backend memberi kontrol yang lebih besar

Pipeline dengan throughput tinggi dan sensitif latency — eksekusi node-by-node n8n menambah overhead yang tidak akan ada di dedicated service

Workflow yang perlu di-test dan di-deploy layaknya application code biasa (unit test, code review terhadap logic)

Key Takeaways

n8n mengubah "hubungkan service A ke service B, dengan logic di tengah" menjadi workflow visual yang self-hostable, bukan script custom

Native AI Agent node memungkinkan LLM memanggil node n8n lain sebagai tool, menjadikannya lightweight agent runtime yang layak dipakai

Ada trade-off kontrol (dibanding framework code-first seperti LangGraph) demi kecepatan membangun dan visibility yang bisa dipakai non-engineer

Pakai n8n saat bottleneck-nya adalah integration glue, bukan complex agent reasoning

Resources

Dokumentasi n8n: https://docs.n8n.io/

Node AI/LangChain n8n: https://docs.n8n.io/advanced-ai/

GitHub n8n: https://github.com/n8n-io/n8n