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** brukes på to måter. Som en fleksibel **LLM-node** som resonerer under kjøring, og som en rigid **Kode-node** hvor logikken kan skrives av AI og deretter låses. Så den eneste hovedregelen for AI som faktisk gjelder i n8n:

- **LLM-noder = fleksibel resonnering**;

- **Kode-noder = fast atferd**.

Blander du dem, blir arbeidsflyten ustabil. Bruk dem i riktig rekkefølge, og en ikke-koder kan levere produksjonsklare automatiseringer.

### LLM-node i arbeidsflyten

**n8n** kan kalle en modell som **ChatGPT** eller **Gemini** direkte fra en arbeidsflyt. **LLM-noden** tar inn data og instruksjoner (prompten) og returnerer et strukturert svar. Dette er ideelt for å gjøre rå produktdata om til analyser, trekke ut nøkkelfelt eller generere tekst rettet mot kunder. Dette representerer fleksibel logikk; endre instruksjonene, og LLM-en tilpasser umiddelbart atferden uten kodeendringer. En god LLM-prompt for n8n bør tydelig angi oppgaven, konteksten og ønsket utdataformat.

- **Oppgave:** hva som skal gjøres;
- **Kilde:** hvilke data som skal brukes;
- **Utdataformat:** hvordan det skal returneres;
- **Regler:** bruk kun oppgitte data, ikke finn opp verdier;
- **Avklaringsutløser:** når det skal bes om manglende eller uklar informasjon.

### AI skriver kode-node-logikk

n8n inkluderer en **Kode-node (JavaScript)** for å utføre spesifikke datatransformasjoner. Disse nodene er **ikke fleksible** — når koden er skrevet, kjøres den på samme måte hver gang. I stedet for å skrive JavaScript manuelt, kan du be **AI om å generere ferdig kode**, noe som gjør det raskere å bygge og justere logikk uten manuell skripting.

Å ignorere skillet mellom **LLM og Kode** fører til tre vanlige feil:

- **Stille dårlige data**: AI gjettet en verdi, ingen merket det, og en nedstrøms node feilet;
- **AI som regelmotor**: AI fikk beskjed om å **alltid formatere slik**, men gjorde det ikke.
- **Kodefrykt**: ingen Kode-node ble brukt, så hvert steg fikk en litt ulik struktur.

Nybegynnere prøver ofte å få **AI-noden** til å gjøre alt: hente, tolke, omformatere og rense. Det kan fungere én gang, men vil raskt feile. **Rensing og omforming** bør håndteres i **Kodenoder**, selv om **AI** har skrevet koden for deg.

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

Merk

For å bygge pålitelige og vedlikeholdbare AI-drevne arbeidsflyter i n8n, følg disse hovedtrinnene:

Hva er hovedformålet med å bruke en Kodenode etter en LLM-node i en n8n-arbeidsflyt?

n8n er en fleksibel automatiseringsplattform for å koble sammen apper, transformere data og bygge AI-drevne arbeidsflyter. Du vil utvikle solide grunnleggende ferdigheter gjennom virkelige, praktiske eksempler, som dekker utløsere, håndtering av JSON, teori om dataflyt, AI-integrasjon, webhooks og komplette automatiseringsprosesser. Fokuset er på å forstå hvordan informasjon beveger seg gjennom en arbeidsflyt og hvordan denne informasjonen kan struktureres slik at noder og API-er oppfører seg forutsigbart. Resultatet er evnen til å designe, feilsøke og levere pålitelige automatiseringer som fungerer fra ende til ende.

En praktisk oversikt over n8ns miljø, kjerneverktøy og tankesett som kreves for å bygge automatiseringer. Konsepter inkluderer effektiv bruk av AI, forståelse av hvordan data flyter gjennom noder, import av maler og omforming av rådata til strukturert output.

En grundig gjennomgang av de essensielle komponentene i arbeidsflyter. Utløsere, datamanipuleringsnoder, HTTP-forespørsler, webhooks og flytkontrolllogikk. Materialet gir en tydelig mental modell for hvordan kjøringer starter, hvordan data formes, og hvordan rutingsbeslutninger tas.

En grundig gjennomgang av hvordan n8n representerer og behandler data. Temaer inkluderer JSON-struktur, lesing av komplette payloads, reparasjon av ugyldig JSON, håndtering av arrayer og objekter, samt arbeid med binære filer. Målet er forutsigbar og trygg datahåndtering i alle arbeidsflyter.

En trinnvis omforming av en ODT-plan til en strukturert automatiseringsmal. Materialet dekker pålitelige RSS-feeder, klargjøring av data for LLM-er, generering av tweets med Airtable-løkker, utforming av resultatbaserte flyter og kartlegging av hele arbeidsflyten i Miro.

En komplett gjennomgang fra innledende konsept til endelig resultat. Emner inkluderer strukturering av flyten, normalisering av API-data, løkker, feilsikring og tilbakeskriving til Airtable med en raffinert automatisering som demonstrerer ende-til-ende pålitelighet og klarhet.

Måter å Bruke KI i n8n

LLM-node i arbeidsflyten

AI skriver kode-node-logikk