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** används på två sätt. Som en flexibel **LLM-nod** som resonerar vid körning, och som en rigid **Kodnod** vars logik kan skrivas av AI och sedan låsas. Så den enda huvudsakliga AI-regeln som faktiskt gäller i n8n är:

- **LLM-noder = flexibel logik**;

- **Kodnoder = fast beteende**.

Blanda ihop dem och arbetsflödet blir instabilt. Använd dem i rätt ordning och en person utan kodningskunskaper kan skapa produktionsklara automatiseringar.

### LLM-nod i arbetsflödet

**n8n** kan anropa en modell som **ChatGPT** eller **Gemini** direkt från ett arbetsflöde. **LLM-noden** tar emot indata och instruktioner (prompten) och returnerar ett strukturerat svar. Den är idealisk för att omvandla rå produktdata till analyser, extrahera nyckelfält eller generera kundanpassad text. Detta representerar flexibel logik; ändra instruktionerna och LLM:n justerar omedelbart sitt beteende utan kodändringar. En stark LLM-prompt för n8n bör tydligt ange uppgiften, kontexten och önskat utdataformat.

- **Uppgift:** vad som ska göras;
- **Källa:** vilken data som ska användas;
- **Utdataformat:** hur det ska returneras;
- **Regler:** använd endast tillhandahållen data, hitta inte på värden;
- **Förtydligande:** när det ska efterfrågas saknad eller oklar information.

### AI skriver kodnod-logik

n8n inkluderar en **Kodnod (JavaScript)** för att utföra specifika datatransformationer. Dessa noder är **inte flexibla** — när koden väl är skriven, körs den på samma sätt varje gång. Istället för att skriva JavaScript för hand kan du be **AI generera färdig kod**, vilket gör det snabbare att bygga och justera logik utan manuell programmering.

Att ignorera skillnaden mellan **LLM och Kod** leder till tre vanliga fel:

- **Tyst felaktig data**: AI:n gissade ett värde, ingen märkte det, och en efterföljande nod gick sönder;
- **AI som regelmotor**: AI:n fick instruktionen att **alltid formatera så här**, men gjorde det inte.
- **Kodrädsla**: ingen kodnod användes, så varje steg fick en något annorlunda struktur.

Nybörjare försöker ofta få **AI-noden** att göra allt: hämta, tolka, omformatera och rensa. Det kan fungera en gång, men går snabbt sönder. **Rensning och omformning** bör hanteras i **Kod-noder**, även om **AI** har skrivit den koden åt dig.

- **LLM = bedömning, formulering, tolkning;**
- **Kod = struktur, form, konsekvens.**

Notering

För att bygga tillförlitliga och underhållbara AI-drivna arbetsflöden i n8n, följ dessa viktiga steg:

Vad är huvudsyftet med att använda en Kod-nod efter en LLM-nod i ett n8n-arbetsflöde?

n8n är en flexibel automationsplattform för att koppla samman appar, transformera data och bygga AI-drivna arbetsflöden. Du utvecklar starka grundläggande kunskaper genom verkliga, praktiska exempel som täcker triggers, hantering av JSON, teori om dataflöden, AI-integration, webhooks och kompletta automationsbyggen. Fokus ligger på att förstå hur information rör sig genom ett arbetsflöde och hur denna information struktureras så att noder och API:er beter sig förutsägbart. Resultatet är förmågan att designa, felsöka och leverera tillförlitliga automationer som fungerar från början till slut.

En praktisk översikt av n8n:s miljö, kärnverktyg och det tankesätt som krävs för att bygga automationer. Begrepp inkluderar effektiv användning av AI, förståelse för hur data flödar genom noder, import av mallar samt omvandling av råa indata till strukturerad utdata.

En fokuserad genomgång av de väsentliga komponenterna i arbetsflöden. Triggers, datamanipuleringsnoder, HTTP-förfrågningar, webhooks och flödesstyrningslogik. Materialet bygger en tydlig mental modell för hur exekveringar startar, hur data formas och hur ruttbeslut fattas.

En djupgående genomgång av hur n8n representerar och bearbetar data. Ämnen inkluderar JSON-struktur, läsning av hela payloads, reparation av felaktig JSON, hantering av arrayer och objekt samt arbete med binära filer. Målet är förutsägbar och säker datahantering i alla arbetsflöden.

En steg-för-steg-omvandling av en ODT-plan till en strukturerad automationsplan. Materialet omfattar tillförlitliga RSS-flöden, förberedelse av data för LLM, generering av tweets med Airtable-loopar, utformning av resultatdrivna flöden samt kartläggning av hela arbetsflödet i Miro.

En fullständig genomgång från initialt koncept till slutligt resultat. Ämnen inkluderar strukturering av flödet, normalisering av API-data, loopar, felsäkring och återföring till Airtable med en förfinad automation som uppvisar tillförlitlighet och tydlighet från början till slut.

Sätt att använda AI i n8n

LLM-nod i arbetsflödet

AI skriver kodnod-logik