Summary
Showcases the separation of dynamic AI-driven logic via runtime prompts for flexible decision making and static code implementations for fixed, deterministic behavior in a workflow.

General domain of usage
Workflow automation

AI i **n8n** anvendes på to måder. Som en fleksibel **LLM-node**, der tænker under kørsel, og som en fastlåst **Code-node**, hvis logik kan skrives af AI og derefter låses. Så den eneste hovedregel for AI, der faktisk betyder noget i n8n:

- **LLM-noder = fleksibel ræsonnement**;

- **Code-noder = fast adfærd**.

Blandes de sammen, bliver workflowet ustabilt. Bruges de i den rigtige rækkefølge, kan en ikke-programmør levere produktionsklare automatiseringer.

### LLM-node i workflowet

**n8n** kan kalde en model som **ChatGPT** eller **Gemini** direkte fra et workflow. **LLM-noden** modtager inputdata og instruktioner (prompten) og returnerer et struktureret svar. Den er ideel til at omdanne rå produktdata til analyser, udtrække nøglefelter eller generere tekst til kunder. Dette repræsenterer fleksibel logik; ændres instruktionerne, tilpasser LLM straks sin adfærd uden kodeændringer. En stærk LLM-prompt til n8n bør tydeligt angive opgaven, konteksten og det ønskede outputformat.

- **Opgave:** hvad der skal gøres;
- **Datakilde:** hvilke data der skal bruges;
- **Outputformat:** hvordan det skal returneres;
- **Regler:** brug kun de angivne data, opfind ikke værdier;
- **Afklaringsudløser:** hvornår der skal spørges om manglende eller uklare oplysninger.

### AI skriver Code-node-logik

n8n indeholder en **Code-node (JavaScript)** til at udføre specifikke datatransformationer. Disse noder er **ikke fleksible** — når koden først er skrevet, udføres den på samme måde hver gang. I stedet for at skrive JavaScript manuelt kan du bede **AI om at generere kode**, hvilket gør det hurtigere at opbygge og justere logik uden manuel scripting.

Ignorering af forskellen mellem **LLM og Code** fører til tre typiske fejl:

- **Stille dårlige data**: AI gættede en værdi, ingen opdagede det, og en efterfølgende node fejlede;
- **AI som regelmotor**: AI blev bedt om **altid at formatere sådan her**, men gjorde det ikke.
- **Kodefrygt**: ingen Code-node blev brugt, så hvert trin modtog en lidt forskellig struktur.

Begyndere forsøger ofte at få **AI-noden** til at udføre alt: hente, fortolke, omformatere og rense. Det kan fungere én gang, men bryder hurtigt sammen. **Rensning og omstrukturering** bør håndteres i **Code-noder**, selv hvis **AI** har skrevet koden for dig.

- **LLM = vurdering, formulering, fortolkning;**
- **Kode = struktur, form, konsistens.**

Bemærk

For at opbygge pålidelige og vedligeholdelsesvenlige AI-drevne workflows i n8n, følg disse nøgletrin:

Hvad er hovedformålet med at bruge en Code-node efter en LLM-node i et n8n workflow?

n8n er en fleksibel automatiseringsplatform til at forbinde apps, transformere data og opbygge AI-drevne arbejdsgange. Du opnår solide grundlæggende færdigheder gennem virkelige, praktiske eksempler, der dækker triggere, JSON-håndtering, dataflow-teori, AI-integration, webhooks og komplette automatiseringsopbygninger. Fokus er på at forstå, hvordan information bevæger sig gennem en arbejdsgang, og hvordan denne information struktureres, så noder og API'er opfører sig forudsigeligt. Resultatet er evnen til at designe, fejlfinde og implementere pålidelige automatiseringer, der fungerer fra ende til anden.

En praktisk oversigt over n8n's miljø, kerneværktøjer og den nødvendige tankegang for at opbygge automatiseringer. Begreber omfatter effektiv anvendelse af AI, forståelse af hvordan data flyder gennem noder, import af skabeloner og omdannelse af rå input til struktureret output.

En fokuseret gennemgang af de væsentlige arbejdsgangskomponenter. Triggere, datamanipulationsnoder, HTTP-forespørgsler, webhooks og flowkontrollogik. Materialet opbygger en klar mental model for, hvordan eksekveringer starter, hvordan data formes, og hvordan rutevalg træffes.

En grundig gennemgang af, hvordan n8n repræsenterer og behandler data. Emner omfatter JSON-struktur, læsning af komplette payloads, reparation af defekt JSON, håndtering af arrays og objekter samt arbejde med binære filer. Målet er forudsigelig og sikker datahåndtering på tværs af alle workflows.

En trinvis omdannelse af en ODT-plan til en struktureret automatiseringsplan. Materialet dækker pålidelige RSS-feeds, forberedelse af data til LLM'er, generering af tweets med Airtable-løkker, design af resultatbaserede flows og kortlægning af hele workflowet i Miro.

En komplet opbygning fra det indledende koncept til det endelige output. Emner omfatter strukturering af flowet, normalisering af API-data, løkker, fejlsikring og tilbageskrivning til Airtable med en gennemarbejdet automatisering, der demonstrerer pålidelighed og klarhed fra ende til anden.

Måder at Bruge AI i n8n

LLM-node i workflowet

AI skriver Code-node-logik