Das ist eine frühe Vorschau und noch in Arbeit. Wir betreiben es intern und es funktioniert, aber die Einrichtung ist manuell und hat ziemlich viele bewegliche Teile. Wir arbeiten aktiv daran, es viel einfacher zu machen. Wir wissen aber, dass viele von euch das so schnell wie möglich ausprobieren wollen, also zeigen wir euch lieber jetzt schon, wie die Einrichtung funktioniert, statt euch warten zu lassen.
Das brauchst du
n8n Version 2.29.7 oder neuer
Einen API-Schlüssel von einem LLM-Anbieter (Anthropic, OpenAI oder OpenRouter).
Du bringst deinen eigenen Schlüssel mit, daher werden die LLM-Nutzungskosten von deinem Anbieter in Rechnung gestellt.
Einen Suchanbieter (Brave Search oder SearXNG), wenn du möchtest, dass der Assistent im Web suchen kann. Optional, aber sehr empfohlen.
Einen Sandbox-Anbieter.
Der KI-Assistent führt seine Arbeit in einer isolierten Sandbox aus, daher ist das erforderlich. Wir empfehlen Daytona, da wir das auf n8n Cloud verwenden – du brauchst nur ein Konto und einen API-Schlüssel. Wenn du lieber alles auf deiner eigenen Infrastruktur behalten möchtest, gibt es auch eine Option zum Selbsthosten des n8n-Sandbox-Dienstes, aber diese Einrichtung ist aufwändiger.
Hi, ich weiß, es sind erst 12 Stunden seit dieser Ankündigung, aber es scheint mehr Anbieter unterstützt zu werden als nur die 3, die in der Dokumentation erwähnt sind. (Ich nutze selbst Nvidia NIM). Ich musste mich durch Fehler und Logs graben, um das herauszufinden. Es wäre schön, wenn wir einfach den KI-Assistenten in der Docker Compose aktivieren könnten, aber alles andere (Sandbox-Anbieter, LLM-Anbieter, Such-Anbieter) wäre über die UI konfigurierbar. Das würde die ständige Aktualisierung der Dokumentation oder frühe Benachrichtigungen an Nutzer überflüssig machen.
Ich teste den KI-Assistenten noch, er hat mir viele Fehler gemacht, es ist mir aber gelungen, einen Workflow zu erstellen. Ich bin unsicher, ob die Fehler vom LLM-Anbieter kommen oder von n8n selbst. Ich berichte später weiter.
Ich glaube, ich habe möglicherweise ein Problem mit benutzerdefinierten OpenAI-kompatiblen Endpoints gefunden, falls ich keinen Konfigurationsschritt übersehe.
Wenn der KI-Assistent eine Anfrage stellt, scheint er N8N_INSTANCE_AI_MODEL_URL nicht zu verwenden. Stattdessen sendet er die Anfrage an openai, die Logs zeigen:
Nach der Dokumentation erwartete ich, dass N8N_INSTANCE_AI_MODEL_URL den Endpoint für eine OpenAI-kompatible API überschreibt, aber es sieht so aus, als würde die Anfrage immer noch an den Standard-OpenAI-Endpoint gesendet.
Ist dies eine bekannte Einschränkung/ein Fehler in der aktuellen Vorschau, oder ist ein weiterer Konfigurationsschritt erforderlich, um benutzerdefinierte OpenAI-kompatible Endpoints zum Funktionieren zu bringen?
Wird AWS Bedrock als LLM-Provider für den AI Assistant unterstützt? Wenn ja, welche Umgebungsvariablen sind erforderlich? Könntest du sie mit mir teilen? Ich konnte sie in der Dokumentation nicht finden.
Hi, ich lerne gerade n8n kennen und bin auf etwas gestoßen, das vielleicht ein Bug ist, oder vielleicht mache ich auch etwas falsch. Ich wollte es teilen, falls es hilfreich ist.
Was mir aufgefallen ist: Wenn ich ein Modell mit dem Präfix openai/ konfiguriere, um meine eigene API zu nutzen (z. B. DeepSeek), antwortet der AI Assistant nicht mehr. Nach ein bisschen Recherche habe ich gesehen, dass n8n reasoningEffort: ‘high’ in den Requests sendet. Ich habe es direkt mit curl bei DeepSeek und Mistral ausprobiert: ohne diesen Parameter antworten sie perfekt. Mit diesem Parameter schlagen sie fehl.
Ich verstehe, dass das passiert, weil der Code das Präfix openai/ erkennt und automatisch das Reasoning anwendet, ohne zu unterscheiden, ob ich auf OpenAI oder einen anderen Anbieter über einen benutzerdefinierten Endpoint zugreife.
Meine Frage: Gibt es eine Möglichkeit, dieses Verhalten auszuschalten, die ich übersehe? Falls es nicht existiert, würde es Sinn machen, eine Variable wie N8N_INSTANCE_AI_THINKING_ENABLED bereitzustellen, damit man selbst wählen kann?
Vorerst habe ich das Problem mit OpenRouter gelöst, das funktioniert hervorragend. Aber ich würde gerne meine eigenen API-Schlüssel direkt nutzen können.
Was mir auch auffällt, ist der Token-Verbrauch – könnte das durch diese Thinking-Konfiguration verursacht werden?
Falls „Sandbox
