n8n AI Agents Tutorial: System & User Prompts für konsistente KI-Agenten (2026)
Einen KI-Agenten in n8n zu erstellen ist technisch einfach. Die eigentliche Arbeit liegt im Prompt Engineering. Der AI Agent Node und die Verbindung zu einem Chat-Modell sind schnell eingerichtet. Die Qualität Ihrer Prompts entscheidet, ob der Agent zuverlässig gute Ergebnisse liefert. Dieser Leitfaden erklärt die Unterschiede zwischen System- und User-Prompts, zeigt Beispiele und bietet ein Framework für die Prompt-Erstellung in n8n.
Überblick: Der n8n AI Agent Node
Der n8n AI Agent Node ist eine Workflow-Komponente. Er verbindet Large Language Models wie OpenAI GPT oder Google Gemini mit Tools, Memory und strukturierten Prompts, um Aufgaben auszuführen. In der n8n-Plattform lassen sich so KI-gestützte Chatbots, Datenprozessoren oder Assistenten ohne Programmierkenntnisse bauen. Zu den Kernkomponenten gehören der Node selbst, ein Chat-Modell, optionale Tools für externe Aktionen und Simple Memory für den Konversationsverlauf.
Prompt-Analyse: System- vs. User-Prompts
In der n8n AI Agent-Architektur gibt es einen grundlegenden Unterschied: System-Prompts geben Verhaltensanweisungen, User-Prompts enthalten konkrete Anfragen. User-Prompts können sich ändern. Der System-Prompt bleibt fest und bildet die konstante Persönlichkeit und Regelbasis des Agents.
Beispiel: Baseball-Historiker
System Prompt: "You are a baseball historian who researches based on questions provided. If you're unsure about a question, state you do not know. If it's an opinion-based question, state that as well since it is not a fact."
User Prompt: "What are three of the weirdest baseball fields used in the MLB during the early 1900s?"Bestandteile
System Prompt Komponenten:
1. Rolle/Persona: „You are a baseball historian“ – Definiert Identität und Expertise.
2. Regeln/Restriktionen: „who researches based on questions provided“ – Legt die Arbeitsmethode fest.
3. Fehlerbehandlung: „If you’re unsure about a question, state you do not know“ – Regelt den Umgang mit Wissenslücken.
4. Kontextualisierung: „If it’s an opinion-based question, state that as well since it is not a fact“ – Unterscheidet Fakten von Meinungen.
User Prompt Komponenten:
1. Aufgabe: „What are three of the weirdest baseball fields“ – Die konkrete Anfrage.
2. Kontext: „used in the MLB during the early 1900s“ – Eingrenzung von Zeit und Institution.
3. Output-Format: Implizit: Eine Liste mit drei Beispielen und Beschreibungen.
4. Constraints: „weirdest“ – Ein subjektives Kriterium, das historisches Wissen erfordert.
Implementierung in n8n: Praktische Beispiele
User Prompt via Chat Trigger
Workflow-Struktur:
1. Chat Trigger Node → 2. AI Agent Node (Prompt: {{ $json.chatInput }}) → 3. Chat Model Connection
Konfiguration:
- Prompt Source: 'Chat Input'
- Dynamische Variable: {{ $json.chatInput }}
- Optional: Simple Memory für KonversationsverlaufDiese Implementierung eignet sich für interaktive Chatbots. Der User-Prompt kommt direkt aus der Benutzereingabe. Die Expression {{ $json.chatInput }} extrahiert den Text aus dem Chat Trigger.
Definierter User Prompt mit Datenintegration
Workflow-Struktur:
1. Edit Fields Node (boxer: "Jack Johnson") → 2. AI Agent Node
AI Agent Konfiguration:
- Prompt Source: 'Define Below'
- Prompt Text: "Based on the provided boxer {{ $json.boxer }}, can you give me their win and loss record?"
- Expression bestätigen: Enter drücken nach {{ $json.boxer }}Dieses Muster ist nützlich für die AI-Orchestrierung, wenn Daten aus vorherigen Workflow-Knoten verarbeitet werden müssen. Die dynamische Dateninjektion über {{ $json.fieldName }} ermöglicht automatisierte Verarbeitungspipelines.
Erweiterter System Prompt mit Tools
System Prompt mit Tool-Integration:
"You are a marathon running coach that helps runners improve their times to hit Boston qualifying time.
TOOLS:
- Calculator: Use for pace calculations. Example: '40-minute 10K is how many minutes per mile?'
- Strava API: Use to fetch recent training data when asked about performance history.
ERROR HANDLING:
- If the Strava API is not working, state: 'Error with the Strava API.'
RULES:
- Only give recommendations based around proven data.
- If a question is outside of running, say you cannot answer it.
- If you need more information, ask clarifying questions.
TONE:
- Use a tone that you would find with a workout buddy or partner."Dieser System-Prompt zeigt fortgeschrittene Techniken: explizite Tool-Beschreibungen mit Beispielen, proaktive Fehlerbehandlung, klare inhaltliche Grenzen und Vorgaben für den Kommunikationsstil.
Das Komplette AI Agent System Prompt Framework
Ein gut strukturierter System-Prompt kann bis zu sieben Komponenten umfassen:
1. ROLE/IDENTITY: "You are a [spezifische Rolle] that [Hauptfunktion]."
2. TOOLS: "You have access to [Tool-Liste]. Use [Tool] when [Anwendungsfall]."
3. TONE: "Communicate in a [Tonfall] manner, similar to [Vergleich]."
4. RULES/RESTRICTIONS: "Always [Verhalten], never [Verbot], if [Bedingung] then [Aktion]."
5. EXAMPLES: "Q: [Beispielfrage] A: [Beispielantwort]" (Few-Shot Prompting)
6. OUTPUT FORMAT: "Respond in [Format] with [Struktur]. Include [Elemente]."
7. ERROR HANDLING: "If [Fehlerzustand], then [Fehlerbehandlung]."Spezifität ist wichtig. Je detaillierter jede Komponente ist, desto konsistenter sind die Antworten des Agents. Vermeiden Sie generische Beschreibungen wie „helpful assistant“. Nutzen Sie konkrete, aufgabenbezogene Identitäten.
Häufig gestellte Fragen
Kann ein User den System-Prompt in n8n überschreiben?
Nein. Der System-Prompt bleibt in der Konfiguration des AI Agent Nodes fest definiert. User-Eingaben können ihn nicht ändern. Das stellt konsistentes Verhalten über alle Interaktionen sicher.
Wie viele Tools sollte ein AI Agent maximal haben?
Erfahrungsgemäß sind 2-3 gut beschriebene Tools optimal. Ein Agent mit 15+ Tools neigt zu Verwirrung und falschen Auswahlen. Die Beschreibung jedes Tools im System-Prompt sollte dessen exakten Namen, den primären Anwendungsfall und ein konkretes Beispiel enthalten. Der Name im Prompt muss mit der n8n-Konfiguration übereinstimmen.
Was sind die häufigsten Fehler bei System-Prompts?
1. Zu vage Rollendefinition: „Helpful assistant“ statt „Specialized financial analyst with focus on retirement planning“.
2. Fehlende Fehlerbehandlung: Keine Instruktionen für API-Fehler oder Datenlücken.
3. Widersprüchliche Anweisungen: „Always be concise“ aber „Provide comprehensive details“.
4. Überladene Tool-Listen: Zu viele Optionen ohne klare Priorisierung.
5. Vernachlässigte Output-Formate: Keine Spezifikation für strukturierte Antworten.
Wie implementiere ich Few-Shot Prompting in n8n?
System Prompt mit Few-Shot Examples:
"You are a running coach. Here are examples of good responses:
Q: Is it okay to add speedwork to a long run?
A: Absolutely. This is a common approach in Fitz and Daniels training plans...
Q: How do I calculate my lactate threshold?
A: You can estimate it by...
Now answer the user's question following these examples."Few-Shot Prompting mit 2-3 Beispielen reduziert Halluzinationen und etabliert konsistente Antwortmuster. Die Beispiele sollten repräsentative Use-Cases abdecken und verschiedene Antwort-Typen zeigen.
Kann ich vordefinierte System-Prompts von n8n AI Nodes wiederverwenden?
Ja. Mehrere spezialisierte n8n AI Nodes enthalten gute System-Prompt-Vorlagen. Der Sentiment Analysis Node kategorisiert Text. Der Text Classifier bietet Klassifikations-Prompts. Der Guardrails Node enthält detaillierte Format- und Sicherheitsregeln. Diese können als Ausgangspunkt dienen und angepasst werden. Der Guardrails Node zeigt besonders professionelle Prompt-Strukturen.
Wie handle ich dynamische Kontextdaten im System-Prompt?
Der System-Prompt selbst bleibt statisch. Kontext kann über den User-Prompt oder Workflow-Daten eingespielt werden. Für wirklich dynamische System-Aspekte, wie täglich wechselnde Rollen, braucht es Workflow-Logik, die den gesamten AI Agent Node mit neuem System-Prompt erstellt. Meistens ist die Kombination aus statischem System-Prompt und dynamischem User-Prompt die praktikable Lösung.
Quelle
Basiert auf diesem Artikel.
