n8n AI Agent 노드 — Claude · OpenAI · LangChain 통합

2026년 들어 n8n AI Agent 노드가 안정 단계로 들어섰다. Claude 4 Sonnet·Opus 의 tool use 가 견고해지면서 "AI 가 직접 API 호출 → 결과 관찰 → 다음 액션 결정" 하는 자율 에이전트를 프로덕션에 박는 사례가 늘었다.

19편은 챗봇 입문이 아니다. 왜 LangChain 코드 대신 n8n 인가, Claude vs OpenAI 선택 기준, 4 컴포넌트 구조, 도구 노드 함정 3가지를 짚고 5 노드 실전 워크플로로 끝낸다. 1-14편을 마친 독자의 다음 단계.

1. AI Agent 노드는 결국 "LangChain 의 시각 레이어"

n8n 공식 문서에 명시 — AI Agent 노드는 LangChain JavaScript 프레임워크 위에 얹은 시각 오케스트레이션 레이어다. Python 으로 from langchain.agents import create_tool_calling_agent 쓰는 대신, 캔버스에서 "에이전트 + LLM + 도구 + 메모리" 를 드래그로 조립.

대다수 튜토리얼은 "n8n AI Agent = 챗봇 만드는 도구" 라고 단순화하지만 입구만 본 것. 진짜 가치는 LangChain 의 tool calling loop (LLM 이 도구 선택 → 호출 → 결과 관찰 → 다음 행동 결정) 가 통째로 들어있다는 점.

2. 4개 컴포넌트 구조 — 빠뜨리면 안 됨

실제 AI Agent 워크플로 1건이 동작하려면 정확히 4개의 컴포넌트가 필요하다. 입문자가 "AI Agent 노드 1개만 박으면 되는 거 아닌가" 오해하기 쉬운데, 그 노드는 오케스트레이터일 뿐이다.

핵심은 ③번. Chat Model 서브노드를 갈아끼는 것만으로 OpenAI ↔ Claude ↔ Gemini 전환이 끝난다. 노드 connection 만 바꾸면 모델 A/B 테스트 한 번 클릭. Python 이라면 import·retry 로직 다 다시 짜야 할 일.

3. Claude vs OpenAI — 진짜 선택 기준

"Claude 가 더 똑똑한가 OpenAI 가 더 똑똑한가" 식 비교는 무의미하다. 두 모델은 다른 일을 잘한다. n8n 안에서 Chat Model 서브노드를 고를 때 실전 기준은 이렇다.

실전 라우팅 패턴 한 가지 — Switch 노드 + 두 AI Agent 노드 병렬 배치. 사용자 질문을 먼저 분류 노드 (Haiku 가 빠르고 싸다) 가 보고, "긴 문서 분석" 라우트는 Claude Sonnet 4, "구조화된 데이터 추출" 라우트는 GPT-4o 로 보낸다. 한 워크플로에서 두 모델의 장점만 뽑아 쓰는 패턴이다.

4. 도구(Tool) 노드 함정 3가지

AI Agent 가 자율 행동하려면 도구 서브노드가 필요. n8n 은 4종 제공: HTTP Request Tool, Code Tool, Calculator Tool, 그리고 다른 워크플로를 도구화하는 Sub-Workflow Tool. 마지막 게 가장 강력한데 운영자들이 흔히 빠뜨린다.

함정 1 — 도구 description 을 한 줄로 끝내기

LLM 은 description 만 보고 도구 호출 여부 판단. "Search the web" 같은 추상 설명이면 엉뚱한 타이밍에 호출하거나 아예 안 부른다. "2026 년 최신 통계·이벤트·뉴스 질문일 때만 사용. 일반 지식엔 금지" 처럼 부를 조건 + 안 부를 조건 둘 다 적어야 정확도가 확 오른다.

함정 2 — Memory 노드 없이 멀티턴

Memory 서브노드 빼면 매 호출이 첫 대화. "방금 그거 한국어로" 가 뭔지 모른다. 데모는 Window Buffer Memory, 운영은 Postgres Chat Memory 로 세션별 영속 저장. session ID 는 webhook 입력에서 명시 추출 — 다른 사용자 대화 섞이는 게 가장 흔한 운영 버그.

함정 3 — 무한 루프 방지 없이 배포

AI Agent 에 Max Iterations 옵션 있음 (기본 10). 잘못하면 같은 도구 30번 호출하며 토큰 다 태움. 운영 배포 전 5 이하로 낮추고 비정상 종료 알림을 Error Workflow 로 걸어야 (17편에서 자세히).

5. 첫 AI Agent — 5노드 Webhook + Claude 워크플로

이론 끝, 실전 1건으로 마무리. Webhook 입력 → Claude Sonnet 4 답변 + 필요시 HTTP 도구 호출 → Slack 출력.

1. Webhook — POST /ai-assistant, body {"question":"...","session_id":"..."}
2. AI Agent (Tools Agent) — User Message ={{$json.question}}, Session ID ={{$json.session_id}}
3. Anthropic Chat Model — Model: 최신 sonnet, Max Tokens 2048, Temperature 0.7
4. HTTP Request Tool — Description 에 "환율·날씨·주가 등 실시간 데이터 필요할 때만" 명시
5. Window Buffer Memory — Window Length 5, Session Key ={{$json.session_id}}
6. Slack 출력 — Channel 알림용, Text ={{$json.output}}

묘미는 HTTP Request Tool 의 자율성. "오늘 서울 날씨" 물으면 LLM 이 OpenWeatherMap URL 을 알아서 생성·호출·답변. if-else 불필요.

다음은 Sub-Workflow Tool — 다른 워크플로를 도구화해 멀티 에이전트 쌓기. 16·17·20편까지 끝나면 production 박을 준비 완료.