Zurück zum KI-Blog
Automatisierung • 26. Januar 2026 • 6 Min. Lesezeit

Keine Workflows mehr programmieren: Wie ich einen n8n-Agenten gebaut habe, "ohne zu lernen"

TD
Timothy Dancan
KI-Forscher

Das Versprechen: Was wäre, wenn Sie komplexe Enterprise-Automatisierungen erstellen könnten, ohne jemals Dokumentation zu lesen, JSON-Syntax zu lernen oder einen einzigen Node zu ziehen?

Ich habe kürzlich einen neuen Workflow getestet: Agentische Automatisierung. Durch die Kombination eines lokalen KI-Agenten mit dem Model Context Protocol (MCP) habe ich entdeckt, dass man praktisch eine KI als n8n-Entwickler "einstellen" kann. Sie schreibt nicht nur Code; sie hat "Hände", um sich einzuloggen, Nodes zu konfigurieren und Workflows für Sie zu erstellen.

Agentische Automatisierung Workflow

So sind wir von "n8n lernen" zu "n8n managen" übergegangen.

Der alte Weg vs. der agentische Weg

Normalerweise erfordert der Bau einer Automatisierung in n8n drei Dinge:

  • Die Logik verstehen (Das "Was").
  • Die spezifischen Nodes und Syntax verstehen (Das "Wie").
  • JSON-Datenstrukturen debuggen (Der "Schmerz").

Mit einem Agentischen KI-Setup geben Sie nur Nummer 1 an. Die KI übernimmt den Rest.

Wir haben eine Umgebung eingerichtet, in der ein KI-Agent (mit Tools wie GitHub Copilot oder Claude) direkt über einen MCP-Server mit unserer lokalen n8n-Instanz verbunden ist. Diese Brücke ermöglicht es der KI, unsere Workflows zu "sehen" und die Konfiguration zu "berühren", wodurch einfache englische Anweisungen in deployed Code umgewandelt werden.

KI-Automatisierungs-Setup

Das Setup: Der KI "Hände" geben

Um dies zu realisieren, haben wir nicht die Cloud verwendet. Wir sind aus Sicherheits- und Kontrollgründen lokal geblieben.

  • Die Engine: Wir betreiben n8n auf Docker. Dies hält unsere Daten vor Ort und ermöglicht es uns, die Umgebung sofort neu zu starten, wenn die KI einen Fehler macht.
  • Die Brücke: Wir haben den n8n MCP Server (speziell czlonkowski/n8n-mcp) installiert. Dies ist das entscheidende Teil, das die Logik der KI mit der n8n-API verbindet.
  • Das Training: Wir haben n8n Skills (czlonkowski/n8n-skills) in den Agenten geladen und ihm Best Practices beigebracht, damit wir seine Architektur nicht korrigieren müssen.

Der Beweis: Ein "Zero-Knowledge"-Build

Um dies zu testen, weigerte ich mich, die n8n-UI zu berühren. Ich gab dem Agenten einfach einen Prompt:

"Plane einen Workflow, der jeden Tag um 9 Uhr läuft, eine Zusammenfassung meines Systemstatus vorbereitet und mir eine HTML-E-Mail sendet."

Das hat der Agent selbstständig gemacht:

  • Planung: Er schlug eine Struktur vor: Schedule Trigger → Set Node (für Datenvorbereitung) → Gmail Node.
  • Bau: Er griff auf die API zu und erstellte Workflow-ID w48wL4XomVwZk6ZZ.
  • Konfiguration: Er setzte automatisch den Cron-Zeitplan auf 9:00 Uhr und formatierte den HTML-E-Mail-Inhalt, ohne dass ich eine einzige Zeile HTML schreiben musste.

Das Ergebnis war ein voll funktionsfähiger Workflow, der täglich läuft und ausschließlich über Chat-Befehle erstellt wurde.

Workflow-Automatisierung Ergebnis

Der "Wahrheitssuchende" Reality-Check

Ist das Magie? Fast, aber nicht ganz. Hier ist die Nuance:

💡 Wichtige Erkenntnisse
  • Sie werden zum Architekten, nicht zum Builder: Sie müssen nicht wissen, wie man einen "Merge Node" konfiguriert, aber Sie müssen klar artikulieren können, was Sie wollen.
  • Kleine Schritte gewinnen: Wenn Sie sie bitten, "ein CRM von Grund auf zu bauen", wird sie scheitern. Wenn Sie sie bitten, "einen Formularprozessor zu bauen" und dann "eine Slack-Benachrichtigung hinzuzufügen", gelingt es ihr.
  • Sicherheit zuerst: Der Betrieb in einem lokalen Docker-Container ist der sicherste Ansatz. Wir verwenden eine .env.local-Datei, um sicherzustellen, dass Credentials niemals leaken.

Die Zukunft der Automatisierung

Wir müssen das Team nicht mehr in n8n-Node-Dokumentation schulen. Wir müssen sie in Prompt Engineering und Systemarchitektur schulen.

Durch die Verwendung von Agentischer KI mit MCP haben wir die technische Eintrittsbarriere effektiv beseitigt. Der Engpass ist nicht mehr "wie baue ich das?"—sondern einfach "was sollen wir als nächstes automatisieren?"

Projekt auf GitHub ansehen

Fazit

Dieser Ansatz verändert grundlegend, wie wir über Automatisierungsentwicklung denken. Anstatt Tools zu lernen, lernen wir, Absichten klar zu kommunizieren. Die KI wird zu einem erfahrenen Entwickler in Ihrem Team, und Sie werden zum Product Owner.

Bereit, es auszuprobieren? Schauen Sie sich die START_HERE.md im GitHub-Repository an, um Ihren eigenen Docker-Container zu starten und Workflows durch Konversation zu erstellen.