AI-Nodes: LLM-Integration

n8n bietet native AI-Nodes, die eine direkte Integration mit großen Sprachmodellen ermöglichen — ohne eine Zeile Code. In dieser Lektion lernen Sie, wie Sie OpenAI, Anthropic und Ollama in Ihre Workflows einbinden.

Verfügbare AI-Nodes

Node	Funktion	Provider
AI Agent	Autonomer Agent mit Tool-Use	OpenAI, Anthropic
Basic LLM Chain	Einfacher LLM-Aufruf mit Prompt	Alle Provider
Summarization Chain	Automatische Textzusammenfassung	Alle Provider
Information Extractor	Strukturierte Daten aus Text extrahieren	Alle Provider
Text Classifier	Text in Kategorien einordnen	Alle Provider
Sentiment Analysis	Stimmungserkennung	Alle Provider
Embeddings	Vektor-Repräsentationen erzeugen	OpenAI, Ollama

Credential Management

OpenAI einrichten

Navigieren Sie zu Credentials → New Credential
Wählen Sie OpenAI API
Fügen Sie Ihren API Key ein
Optional: Organisation-ID und Base-URL (für Azure OpenAI)

Anthropic einrichten

Credentials → New Credential → Anthropic
API Key aus der Anthropic Console einfügen
Wählen Sie das gewünschte Modell (Claude Sonnet 4, Claude Opus 4)

Ollama (Self-Hosted)

Für maximale Datenkontrolle: Ollama läuft lokal ohne API-Kosten.

# Ollama installieren und Modell laden
ollama pull llama3.1
ollama pull nomic-embed-text

In n8n: Base-URL auf http://ollama:11434 setzen (Docker-Netzwerk) oder http://host.docker.internal:11434 (lokale Installation).

Praxis-Tipp: Speichern Sie API Keys niemals in Workflow-Daten. Nutzen Sie ausschließlich das Credential-Management von n8n — die Keys werden mit dem N8N_ENCRYPTION_KEY verschlüsselt gespeichert.

Prompt-Templates

Die AI-Nodes unterstützen dynamische Prompts mit Expressions:

Du bist ein erfahrener Analyst. Analysiere folgende Kundennachricht:

Nachricht: {{ $json.message }}
Kunde: {{ $json.customer_name }}
Produkt: {{ $json.product }}

Antworte im JSON-Format mit den Feldern:
- sentiment: "positiv", "neutral" oder "negativ"
- category: Hauptkategorie der Anfrage
- priority: "hoch", "mittel" oder "niedrig"
- summary: Zusammenfassung in einem Satz

System-Prompts richtig nutzen

System-Prompt: Definiert die Rolle und das Verhalten des Modells
User-Prompt: Enthält die dynamischen Daten aus dem Workflow
Trennung ermöglicht Wiederverwendbarkeit und einfaches Testing

Structured Output Parsing

JSON-Output erzwingen

Verwenden Sie den Output Parser (Sub-Node), um das LLM-Ergebnis als strukturiertes JSON zu erhalten:

{
  "sentiment": "positiv",
  "category": "Produktfrage",
  "priority": "mittel",
  "summary": "Kunde fragt nach Verfügbarkeit des Premium-Plans."
}

Schema-Definition

Definieren Sie ein JSON-Schema, damit n8n die Antwort automatisch validiert. Fehlerhafte Antworten werden abgefangen und können neu angefragt werden.

Best Practices für AI-Nodes

Temperatur niedrig halten (0.0–0.3) für konsistente, faktische Antworten
Max Tokens begrenzen — verhindert unnötig lange und teure Antworten
Retry bei Fehlern aktivieren (Rate-Limits, Timeouts)
Logging aktivieren — speichern Sie Prompts und Antworten für Audit und Debugging
Modell-Auswahl: Claude Sonnet für schnelle Tasks, Claude Opus für komplexe Analysen

Praxis-Tipp: Testen Sie Prompts zuerst im Playground des jeweiligen Providers, bevor Sie sie in n8n einbauen. So iterieren Sie schneller und sparen API-Kosten während der Entwicklung.