n8n AI агенты: RAG, MCP и голосовые заявки из Telegram

Если ваши чат-боты до сих пор отвечают клиентам по жестким шаблонным кнопкам, заставляя людей ждать ответа менеджера часами, пора переводить автоматизацию на автономные рельсы. В этом практикуме мы разберем, как собирать полноценные n8n ai агенты под задачи реального бизнеса без риска исказить цены или потерять контекст диалога. Вы настроите надежный векторный поиск по внутренним регламентам, подключите внешние сервисы через современный протокол MCP и научите сценарий налету обрабатывать голосовые заявки из Telegram.

Время~30 минут чтения
РезультатАвтономный агент с базой RAG, инструментами MCP и распознаванием голоса
Для когоВладельцы бизнеса, руководители отделов продаж, интеграторы ИИ

1. Проектируем n8n ai агенты на базе Tools Agent

Начнём с разницы, которую видно с первого взгляда. Кнопочный бот — это автоответчик с заученной пластинкой: нажали «Условия доставки» — он прочитал абзац номер три. Стоит покупателю задать вопрос своими словами, и пластинка либо молчит, либо отвечает не в тему. Tools Agent с поиском по внутренним документам (RAG) и MCP — это толковый сотрудник за стойкой: под рукой у него справочник регламентов в векторной базе Qdrant, а на пульте — кнопки управления внешними сервисами через протокол MCP. Он сам решает, в какую главу справочника заглянуть и какую кнопку нажать, чтобы довести вопрос до результата.

В ранних версиях платформы под каждую прикладную задачу выбирали отдельную архитектуру вроде ReAct Agent или SQL Agent, которые удалены с версии 2.40 как устаревшие. Начиная с релиза 2.40 и вплоть до актуальной ветки 2.47.7 разработчики полностью переработали вкладку Agents, удалив устаревшие специализированные ноды. Теперь стандартом стал универсальный Tools Agent, который самостоятельно принимает решение о вызове внешних инструментов на основе системного промпта и контекста беседы.

Для стабильной работы языковых моделей без использования зарубежных карт мы подключаем проверенные шлюзы с расчетными счетами в РФ: Polza AI по адресу https://polza.ai/api/v1 или ProxyAPI через эндпоинт https://api.proxyapi.ru/v1. Тонкость, из-за которой чаще всего падают первые сборки: в настройках учетных записей OpenAI-совместимого формата критически важно контролировать расширенные параметры передачи запросов, чтобы сценарий не отправлял лишние заголовки.

Евгений Карташов

Евгений Карташов (NeuroKartashov)AI Лаборатория Евгения Карташова

Цена ошибки: Случайно активированная опция Use Responses API в шлюзах ProxyAPI или Polza AI мгновенно ломает схему парсинга ответов модели, отдавая фатальные ошибки 400 и 404 прямо посреди диалога с клиентом.

Всегда отключайте неподдерживаемые специфичные флаги вендоров в кастомных OpenAI-креденшелах перед нажатием Publish.

2. Разворачиваем RAG в n8n для работы с регламентами

Чтобы агент оперировал реальными фактами компании, а не галлюцинировал выдуманными скидками, мы внедряем архитектуру RAG (Retrieval-Augmented Generation). Нода Extract from File забирает выгруженные прайс-листы и регламенты, а Default Data Loader нарезает текст на смысловые фрагменты с оптимальным нахлестом. Полученные векторы эмбеддингов рассчитываются через шлюз и передаются на постоянное хранение в векторную базу данных — локальный Qdrant или облачный Supabase Vector Store.

Агент, RAG и MCP в n8n 2.47.7: загрузка знаний, векторная база, единый Tools Agent и три точки входа MCP Четыре шага слева направо. Первый: знания загружаются через Default Data Loader и Extract from File с разбивкой на чанки. Второй: векторы уходят в Qdrant или Supabase Vector Store, эмбеддинги считаются через шлюз в России. Третий: один узел Tools Agent вместо удалённых ReAct, SQL и Conversational Agent. Четвёртый: три точки MCP — MCP Client Tool с транспортом Streamable HTTP, MCP Server Trigger и instance-level MCP по адресу /mcp-server/http. АГЕНТ, RAG И MCP ЗНАНИЯ КОМПАНИИ В СЦЕНАРИИ ШАГ 1 Загрузка знаний Default Data Loader Extract from File — PDF чанк 512, перекрытие 50 прайсы, регламенты, статьи базы знаний ШАГ 2 Векторная база Qdrant или Supabase Vector Store эмбеддинги — через шлюз в России поиск top-k = 4 ШАГ 3 Один Tools Agent вкладка Agents с версии 2.40 ReAct, SQL и Conversational — нет инструменты — Tool-ноды ШАГ 4 · MCP Три точки входа MCP Client Tool: Streamable HTTP MCP Server Trigger — свой сервер наружу /mcp-server/http ReAct, SQL и Conversational Agent удалены: в 2.x один режим Tools Agent, а возможности подключаются Tool-нодами. MCP ходит по Streamable HTTP — прежний SSE в 2.47.7 уже не используется.
Агенту мало модели: ему нужны знания компании и доступ к внешним системам. Сначала документы превращаются в чанки и векторы, потом один Tools Agent собирает ответ из найденного, а MCP связывает его с чужими сервисами — Битрикс24, Метрикой, файлами на ноутбуке.

Когда клиент задает вопрос о сложных правилах возврата или точных характеристиках товара, агент сначала выполняет семантический поиск по векторному индексу и передает найденные фрагменты в системный контекст. Если ваша база знаний насчитывает сотни страниц с вложенными таблицами, удобнее вынести сложную цепочку чанкинга во внешний специализированный сервис Dify, оставив за n8n роль диспетчера вебхуков и интегратора с CRM. Готовую связку векторного хранилища можно взять в каталоге n8n-starter-kit под номером шаблона 7.

# Этап 1: Проверка доступности коллекции векторной базы Qdrant
curl -s -X GET "http://127.0.0.1:6333/collections/knowledge_base" \
  -H "api-key: your-secure-api-key"

Проверка: В ответе терминала должен прийти JSON со статусом {"result":{"status":"green"}} и количеством загруженных векторов в поле vectors_count.

У меня ошибка
  • Симптом: Connection refused на порту 6333 — Что делать: проверьте запуск контейнера командой docker compose ps qdrant и доступность внутренней сети.
  • Симптом: HTTP 401 Unauthorized — Что делать: сверьте значение переменной api-key в заголовке запроса и параметрах ноды Qdrant Vector Store.

3. Внедряем протокол MCP и Streamable HTTP транспорт

Протокол контекста модели (Model Context Protocol, MCP) стандартизирует способ, которым нейросети вызывают функции и читают базы данных. В n8n реализованы три независимые роли: MCP Client Tool подключает внешние каталоги инструментов, MCP Server Trigger публикует сценарии n8n в виде готовых функций для сторонних сетей, а встроенный Instance-level MCP сервер по адресу /mcp-server/http дает возможность средам разработки вроде Claude Code и Cursor напрямую управлять логикой платформы.

Для подключения отечественных корпоративных систем мы используем шлюзы уровня neurly.ru/v1/mcp, которые отдают готовые интерфейсы к сервисам Битрикс24 и Яндекс Метрике. В современных продакшен-конфигурациях устаревший транспорт Server-Sent Events (SSE) заменяется на Streamable HTTP MCP: старый протокол часто рвал соединение на длительных рассуждениях моделей, тогда как стриминг через HTTP удерживает стабильный сокет.

Сравнение

Три транспорта MCP, с которыми встречается n8n: новый Streamable HTTP, уходящий SSE и локальный stdio.

Критерий Streamable HTTP SSE stdio
Статус в 2026 году основной транспорт спецификации MCP устаревший, поддержка постепенно снимается локальный вариант, жив в десктопных клиентах
Как работает один POST на /mcp, ответ обычным HTTP или потоком отдельный GET-поток событий и второй POST для запросов процесс на той же машине, обмен через stdin/stdout
Нода в n8n MCP Client Tool, Transport = HTTP Streamable MCP Client Tool, Transport = SSE MCP Client Tool с командой запуска, только в Docker
Пример endpoint neurly.ru/v1/mcp или свой /mcp-server/http старый /sse на том же хосте локальный путь к скрипту сервера
Что ломается таймаут прокси на долгом ответе инструмента обрыв потока за балансировщиком и повторные подключения нет нужного бинарника внутри контейнера n8n
Когда выбирать внешний сервис по HTTPS: Битрикс24, Метрика, CRM только если сервер ещё не обновился инструмент рядом с n8n на одном сервере
Правило простое: новый сервер подключаем по Streamable HTTP, а SSE оставляем как временный мост для старых установок.
# Этап 2: Настройка Caddyfile для стабильного стриминга MCP и агентов
your-domain.ru {
    reverse_proxy 127.0.0.1:5678 {
        flush_interval -1
    }
}

Проверка: caddy reload применит конфигурацию без ошибок синтаксиса, а потоковые запросы перестанут обрываться по таймауту через 30 секунд.

У меня ошибка
  • Симптом: 502 Bad Gateway при обращении к эндпоинту — Что делать: убедитесь, что контейнер n8n слушает локальный интерфейс 127.0.0.1:5678.
  • Симптом: Stream broken / Premature close — Что делать: проверьте наличие директивы flush_interval -1 в блоке reverse_proxy веб-сервера.

4. Подключаем голосовые сообщения n8n из мессенджера

В реальных продажах клиенты постоянно отправляют голосовые сообщения n8n вместо структурированного текста. Когда Telegram Trigger фиксирует входящую аудиозаметку в формате .ogg, сценарий вызывает ноду Telegram: getFile для скачивания бинарного содержимого и передает файл в транскрибатор. Мы используем модели Whisper или отечественную GigaAM-v3 Diarize через API-шлюз Polza AI, что позволяет с высокой точностью распознавать русскую речь даже на фоне уличного шума.

Полученный текст без задержек передается на вход в Tools Agent. Чтобы исключить финансовые риски, архитектура должна иметь четкие границы дозволенного: агент сверяет факты по регламенту, фиксирует промежуточные статусы в внутренних Data Tables, а при нестандартном запросе или агрессивном тоне мгновенно передает диалог живому оператору в рамках интеграции с amoCRM или Битрикс24.

# Этап 3: Формат полезной нагрузки ноды HTTP Request для транскрибации аудио
{
  "file": "={{ $binary.data }}",
  "model": "whisper-1",
  "language": "ru",
  "temperature": 0.2
}

Проверка: Нода транскрибации возвращает JSON с полем text, содержащим точную текстовую расшифровку отправленного голосового файла.

У меня ошибка
  • Симптом: Payload Too Large (413) — Что делать: ограничьте максимальный размер принимаемого аудиофайла до 20 МБ через узел If.
  • Симптом: Empty transcription result — Что делать: проверьте, что mime-тип бинарного свойства соответствует audio/ogg.

Агент с памятью и базой знаний требует стабильного железа: пока ноутбук спит, клиент не получает ответ, а очередь сообщений растёт. Поэтому n8n, векторную базу и шлюз к модели держат на сервере, который работает круглосуточно.

Готовый сервер в облаке в 1 клик

2 vCPU · 4 ГБ RAM · 40 ГБ NVMe · Ubuntu 24.04 LTS. Почасовая тарификация, защита от DDoS, без навязанных платных панелей.

Выбрать конфигурацию VPS →
Параметр Старт (тесты и личные связки) Продакшен (боевая нагрузка и ИИ)
RAM 2 ГБ 4 ГБ
Ядра 2 vCPU 2 vCPU
Диск 40 ГБ SSD 80 ГБ SSD
Когда выбирать Проба стека, обучение, личные задачи Боевые проекты, несколько контейнеров, ИИ-агенты

💡 Какие навязанные опции снять при заказе:

  • Платная панель управления — не нужна: сервером управляем по SSH.
  • Хостинговые бэкапы — не нужны: базу бэкапим собственным скриптом по расписанию.
  • Дополнительные IPv4 — не нужны: Caddy проксирует любое число поддоменов на одном IP.

Проверяем результат: как понять, что всё работает

Когда вы отправляете в мессенджер сбивчивое голосовое сообщение с вопросом по сложным условиям поставки и видите, как агент за пару секунд транскрибирует речь, находит точный пункт договора в Qdrant и формирует вежливый ответ со ссылкой на регламент — модель перестает казаться непредсказуемой игрушкой. Система работает строго по вашим правилам, протоколирует вызовы инструментов в логах и молча передает сложные случаи живым менеджерам.

Итог урока

Вы освоили сборку автономных ИИ-агентов на современной базе n8n 2.47.7, объединив векторный поиск RAG, вызов внешних инструментов по протоколу MCP и транскрибацию аудиозаявок. Созданная логика готова к интеграции с реальными воронками продаж. «В следующем уроке мы разберем работу с базами данных: встроенные Data Tables, PostgreSQL и подключение NocoDB для визуального управления таблицами без лимитов Google Sheets.»

Чек-лист готовности

  • В сценарии используется нода Tools Agent с отключенным флагом Use Responses API в настройках шлюза.
  • Векторная база Qdrant успешно отвечает по API и содержит проиндексированные документы компании.
  • Голосовые файлы .ogg корректно транскрибируются в текст и обрабатываются агентом без обрыва сетевого стрима.

Дальше по курсу: следующий шаг — Урок 14. Базы данных: Data Tables, NocoDB и PostgreSQL · шаблоны в «Стартовом наборе n8n» · программа курса n8n · сложный RAG в Dify.

⚡ Альтернативный путь без консоли

Сложно настраивать сервер и возиться с кодом Linux вручную?

Освойте профессию AI-инженера и автоматизатора без программирования на проверенных бесплатных интенсивах:

Универсус
Обучение работе с нейросетями Нейродоход
Plaan Academy
Прикладное обучение нейросетям от Plaan Academy
📦 Скачать прямо на сайте • Без ботов и регистрации Проверено • Ubuntu 24.04 / n8n 2026

Готовый комплект файлов и пресетов к этому уроку

Соберите персональный production-файл под свой домен прямо на странице без переходов в Telegram:

NeuroKartashov

NeuroKartashov

AI Лаборатория Евгения Карташова • База знаний по локальному ИИ, n8n и серверной независимости.

Все конфигурации Docker Compose, файлы Caddyfile и сценарии n8n проверены на стендовых серверах Ubuntu 24.04 LTS. Мы создаем открытые пошаговые руководства, чтобы вы могли развернуть защищенный независимый контур без абонентской платы.