![[ENG] Budowa systemu agentów AI w n8n (pełny poradnik)](https://aiport.pl/wp-content/uploads/2026/08/eng-budowa-systemu-agentow-ai-w-n8n-pelny-poradnik.webp "[ENG] Budowa systemu agentów AI w n8n (pełny poradnik)")
Beau Carnes pokazuje w tym materiale, jak zbudować w n8n agenta, który sam czyta pocztę przychodzącą do Gmaila, przypisuje jej kategorię i wykonuje działania w Notion oraz Slacku. Poradnik prowadzi przez całą drogę: uruchomienie n8n w Dockerze, konfigurację trzech zestawów poświadczeń, złożenie przepływu i test na prawdziwych wiadomościach.
Kluczowe fakty:
- Przepływ w n8n składa się z węzła Gmail Trigger odpytującego skrzynkę co minutę oraz węzła AI Agent opartego na modelu OpenAI, który przypisuje każdą nieprzeczytaną wiadomość do jednej z czterech kategorii: pilna, wsparcie, sprzedaż lub spam.
- W zależności od kategorii agent autonomicznie wywołuje odpowiednie narzędzia: wiadomości dotyczące wsparcia otrzymują automatyczną odpowiedź przez Gmail i wpis w Notion, pilne generują powiadomienie w Slacku i wpis w Notion, sprzedażowe trafiają do osobnej bazy klientów, a spam jest pomijany bez działania.
- Przed zbudowaniem przepływu wymagana jest konfiguracja trzech zestawów poświadczeń: projektu w Google Cloud Console z włączonym Gmail API, integracji w Notion z dostępem do konkretnej strony oraz aplikacji w Slacku z uprawnieniem chat:write.
Film: Build an AI Agent System with n8n (Full Tutorial)
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Wyzwalacz Gmaila, agent i trzy narzędzia, czyli co dokładnie powstaje w tym przepływie
Autor buduje jeden przepływ w n8n. Punktem wejścia jest węzeł Gmail Trigger w trybie odbioru nowej wiadomości, odpytujący skrzynkę co minutę, z włączoną opcją uproszczonego wyjścia i filtrem ograniczającym pobieranie do wiadomości nieprzeczytanych. Dzięki temu ta sama poczta nie trafia do agenta dwa razy.
Dalej wchodzi węzeł AI Agent z modelem OpenAI. Carnes zmienia źródło zapytania z domyślnego węzła czatu na własną treść i wkleja komunikat systemowy, który stanowi całą logikę systemu. Agent ma przypisać wiadomość do jednej z czterech kategorii: pilna, wsparcie, sprzedaż albo spam. Spam zostawia bez działania. Wiadomość z prośbą o pomoc dostaje automatyczną odpowiedź przez narzędzie Gmail oraz wpis w bazie zadań w Notion. Wiadomość sprzedażowa trafia do osobnej bazy z potencjalnymi klientami. Pilna uruchamia powiadomienie w Slacku i również wpis w Notion.
Do agenta podpięte są trzy narzędzia: Gmail, Notion i Slack. Autor nie pisze warunków ani rozgałęzień. Model sam decyduje, które narzędzie wywołać i z jakimi parametrami.
Przed budową przepływu materiał przeprowadza przez konfigurację poświadczeń: projekt w Google Cloud Console z włączonym Gmail API i ekranem zgody, integrację w Notion z dostępem do konkretnej strony, aplikację w Slacku z uprawnieniem chat:write i tokenem zaczynającym się od xoxb.
Poradnik, który pokazuje też wyboje, a nie tylko gładką ścieżkę
Materiałów o agentach w n8n jest w sieci mnóstwo. Ten wyróżnia się tym, że autor nie wycina z nagrania momentów, w których coś nie działa. Pokazuje błąd testu poświadczeń OpenAI, tłumaczy, że to znany problem konkretnych wersji n8n, i podaje obejście polegające na wpisaniu nazwy modelu ręcznie zamiast wybierania jej z listy. Wraca też do węzła Slacka, kiedy okazuje się, że wysyłka wiadomości wymaga doprecyzowania odbiorcy. Dla kogoś, kto siada do tego pierwszy raz, taka sekwencja jest więcej warta niż wypolerowana prezentacja. Materiał jest po angielsku i został zrealizowany we współpracy z n8n, o czym autor mówi wprost na początku.
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Sześć momentów, na które patrzę w tym nagraniu uważniej
- Uruchomienie n8n w Dockerze z trwałym wolumenem. Carnes tworzy wolumen n8n_data i montuje go do kontenera, żeby przepływy, poświadczenia i ustawienia przetrwały restart. Bez tego pierwsza aktualizacja kasuje całą pracę.
- Konfiguracja OAuth 2 dla Gmaila. Najbardziej mozolna część całego poradnika: ekran zgody, dozwolone źródła JavaScript, adres przekierowania z portem lokalnym i dodanie własnego konta jako testowego. To tu najczęściej wykłada się każdy, kto próbuje powtórzyć taki przepływ.
- Filtr wiadomości nieprzeczytanych w wyzwalaczu. Jedno pole, które decyduje o tym, czy agent zapętli się na tej samej wiadomości. Drobiazg o dużych konsekwencjach przy odpytywaniu co minutę.
- Treść komunikatu systemowego. Autor sam nazywa go najważniejszą częścią budowy. Cała logika kierowania wiadomości mieści się w kilkunastu zdaniach napisanych zwykłym językiem, łącznie z instrukcją, żeby model zawsze wybierał jedną kategorię i był zdecydowany.
- Pierwszy test na prawdziwej poczcie. Model dostaje powiadomienie o obciążeniu karty za doładowanie konta OpenAI i klasyfikuje je jako rutynowe, niewymagające działania. Dobry przykład tego, że agent bez podpiętych narzędzi też coś zwraca, tylko nic z tym nie robi.
- Dwa węzły MCP i różnica między nimi. Węzeł klienta pozwala podpiąć do przepływu zewnętrzny serwer MCP przez adres SSE. Węzeł wyzwalacza serwera działa odwrotnie: zamienia przepływ w n8n w serwer, z którego mogą korzystać zewnętrzne aplikacje, na przykład Claude Desktop.
O samym protokole Carnes mówi krótko: „Traktuj go jak uniwersalny adapter.” / „Think of it as a universal adapter.” Zamiast osobnej integracji dla każdego narzędzia w każdej aplikacji jest jeden wspólny interfejs. Autor zaznacza, że do zbudowanego w poradniku przepływu węzeł MCP nie jest potrzebny i pozostaje opcją dla tych, którzy mają własny serwer wewnętrzny.
Największa obietnica tego materiału brzmi tak: nie piszesz żadnych reguł kierowania wiadomości, wszystkim zajmuje się model. Rozumiem, dlaczego to działa na wyobraźnię, bo klasyczna automatyzacja skrzynki zawsze rozbijała się o listę wyjątków, której nie dało się domknąć. Ale zamiana rozgałęzień na komunikat systemowy nie usuwa problemu, tylko przesuwa go w inne miejsce. W przepływie z regułami wiem, czemu wiadomość poszła tam, gdzie poszła. W przepływie z agentem dostaję decyzję, którą trzeba osobno prześledzić, a przy odpytywaniu skrzynki co minutę takich decyzji zapada kilkaset dziennie.
Druga sprawa to koszt pomyłki. Zaklasyfikowanie zamówienia jako spamu kosztuje jedną utraconą sprzedaż. Automatyczna odpowiedź z obietnicą kontaktu w ciągu doby, wysłana do kogoś, komu nikt się nie odezwie, kosztuje wiarygodność. Zbudowałbym to najpierw w trybie samego oznaczania, bez wysyłania czegokolwiek na zewnątrz, i dopiero po kilku tygodniach porównania z własną oceną włączał działania.
Nie odbieram temu poradnikowi wartości. Pokazuje realną drogę i realne potknięcia po drodze. Pytanie, które zostaje po obejrzeniu, brzmi raczej: kto w firmie odpowiada za to, co agent wysłał w Twoim imieniu o trzeciej w nocy?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Automatyczna odpowiedź na maila w polskiej firmie: kilka pytań, których w nagraniu nie ma
Materiał jest poradnikiem technicznym i nie zajmuje się tym, co dzieje się z treścią wiadomości po drodze. W polskiej firmie to pierwsza rzecz, którą trzeba rozstrzygnąć przed uruchomieniem takiego przepływu.
Skrzynka firmowa jest zbiorem danych osobowych. Kiedy agent przekazuje treść wiadomości do modelu OpenAI, kopiuje temat do Notion i wysyła fragment do Slacka, dane wychodzą do trzech osobnych dostawców. Samodzielne uruchomienie n8n w Dockerze, na którym autor się skupia, chroni tylko poświadczenia i konfigurację przepływu. Sama treść poczty i tak trafia do modelu. To oznacza konieczność ustalenia podstawy przetwarzania, umów powierzenia i informacji dla nadawców.
Drugie pytanie dotyczy przejrzystości. Od 2 sierpnia 2026 stosuje się przepisy AI Act o obowiązkach informacyjnych wobec osób wchodzących w kontakt z systemami sztucznej inteligencji. Automatyczna odpowiedź, która nie ujawnia, że napisał ją model, to obszar, w którym polski przedsiębiorca powinien zapytać prawnika, zanim włączy publikację przepływu.
Trzecia rzecz jest czysto praktyczna. Odpytywanie skrzynki co minutę i wywoływanie modelu przy każdej nowej wiadomości generuje koszt, który w nagraniu nie pada. Przy kilkuset wiadomościach dziennie warto policzyć to zawczasu i rozważyć rzadszy odczyt albo tańszy model, o czym autor krótko wspomina przy wyborze modelu.
O materiale
Autor materiału: Beau Carnes. Tytuł: Build an AI Agent System with n8n (Full Tutorial), dostępny pod adresem youtube.com. Język materiału: angielski. Nagranie powstało we współpracy z n8n, o czym autor informuje w pierwszej minucie. Redakcja AIPORT.pl nie jest autorem filmu ani nie jest powiązana z kanałem. Komentarz redakcyjny i wybór fragmentów: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
