- Desde o n8n 2.0 (janeiro de 2026), a LangChain vem integrada em mais de 70 nós de IA — modelos, memória, chains, agentes, embeddings e vector stores.
- Basic LLM Chain é o caminho mais simples: prompt entra, texto sai. Sem memória, sem ferramentas.
- O AI Agent decide sozinho quais ferramentas chamar num loop de raciocínio, e é o único que suporta memória de conversa.
- Vector store (Pinecone, Qdrant, Supabase, PGVector e outros) dá ao agente acesso aos seus próprios documentos via RAG.
- O nó LangChain Code libera código bruto quando o canvas visual não cobre o recurso que você precisa.
Escolha entre chain e agente antes de arrastar qualquer nó
Essa decisão define todo o resto do fluxo. Se a tarefa é uma transformação previsível de texto — traduzir, resumir, classificar, reformatar — use uma Basic LLM Chain. É uma linha reta: prompt na entrada, texto na saída, sem memória e sem acesso a ferramentas. Se o fluxo precisa tomar decisões, encadear vários passos ou lidar com entradas imprevisíveis, o AI Agent é o nó certo. Regra prática: precisa de memória de conversa? Então é agente, não chain.
Monte a base do AI Agent
Arraste o nó AI Agent para o canvas e conecte um gatilho na frente dele — um Chat Trigger para conversa ou um Webhook para acionar por API. O agente sozinho não faz nada: ele é a camada de orquestração. É nos sub-nós que a inteligência mora. No n8n, as conexões de IA usam um sistema de tipos próprio (AI Language Model, AI Memory, AI Tool, AI Retriever, AI Embedding), separado do fluxo de dados normal — por isso os conectores têm cores e formatos diferentes.
Pendure o modelo de linguagem
Conecte um sub-nó de Chat Model no conector inferior do agente. Pode ser OpenAI, Anthropic (Claude), Google ou qualquer modelo compatível com tool-calling. O AI Agent do n8n é, na prática, um Tools Agent: ele usa a interface de chamada de ferramentas do modelo para decidir, a cada passo, o que executar. Modelos que não suportam function calling não rodam bem nesse nó.
Dê memória ao agente
Sem memória, cada mensagem chega como se fosse a primeira. Conecte o sub-nó Simple Memory para começar — ele guarda as mensagens recentes dentro do próprio n8n, sem serviço externo. Quando o fluxo precisar sobreviver a reinícios ou escalar para muitas sessões simultâneas, troque por um backend persistente: Postgres, Redis, MongoDB, Motorhead ou Zep. A memória dá recall da conversa atual; ela não substitui os documentos.
Conecte ferramentas para o agente agir
Aqui o agente deixa de só conversar e passa a executar. Ligue sub-nós de ferramenta no conector AI Tool — pode ser uma chamada HTTP, uma consulta em planilha, um envio de e-mail ou até outro workflow. Em 2026, o n8n adicionou o MCP Client Tool (para usar ferramentas de qualquer servidor MCP) e o AI Agent Tool (um agente supervisionando outros no mesmo canvas). O modelo escolhe qual ferramenta chamar em tempo de execução.
Ancore o agente nos seus documentos com vector store
Para o agente responder sobre a sua base de conhecimento, você guarda os embeddings dos documentos num banco vetorial e deixa o agente consultar. O n8n conecta com Pinecone, Qdrant, Chroma, Milvus, PGVector, Redis, Supabase, Weaviate e Zep. Para testar rápido, o nó Simple Vector Store roda na memória e liga direto no conector de ferramenta do agente. Se o objetivo é só perguntar sobre documentos, sem ações, a Question and Answer Chain faz esse RAG básico com menos peças.
Quando faltar nó pronto, use o LangChain Code
O canvas cobre a maioria dos casos, mas não todos. O nó LangChain Code deixa você importar funcionalidade da biblioteca que o n8n ainda não transformou em nó — uma chain customizada, um parser específico, um encadeamento fora do padrão. Configurando os conectores, ele funciona como nó normal, root ou sub-nó. É a válvula de escape para controle total quando o agente visual não entrega o que você precisa.
O que mudou com o n8n 2.0
Até pouco tempo atrás, integrar LangChain num fluxo do n8n era mais improviso do que método. Isso virou de vez com o n8n 2.0, lançado em janeiro de 2026, que trouxe a arquitetura completa de agentes e chains da LangChain para dentro do canvas visual — mais de 70 nós de IA cobrindo modelos, memória, chains, agentes, embeddings, vector stores e output parsers.
O ponto forte não é a quantidade de nós, é o modelo mental. Você monta um pipeline agêntico de produção sem escrever código de aplicação, arrastando peças e conectando conectores tipados. Para quem vem do zero em automação, vale entender antes o básico da ferramenta — o guia de fundamentos ajuda a não se perder nos conceitos.
Chain, agente ou código: o mapa de decisão
A confusão mais comum de quem começa é jogar tudo no AI Agent, inclusive tarefas que uma chain simples resolveria com metade do custo e o dobro da previsibilidade. Um agente carrega loop de raciocínio, memória e ferramentas — poder que você paga em tokens e em imprevisibilidade. Nem toda tarefa merece isso.
Use a tabela abaixo como filtro antes de montar qualquer fluxo. A pergunta central é sempre a mesma: o resultado precisa ser decidido em tempo real pelo modelo, ou é um caminho fixo que você já conhece?
| Componente | Para que serve | Quando escolher |
|---|---|---|
| Basic LLM Chain | Prompt entra, texto sai — sem memória nem ferramentas | Traduzir, resumir, classificar, reformatar texto |
| Question and Answer Chain | RAG básico: busca no vector store e responde só com o que achou | Perguntas sobre documentos específicos, sem ações |
| AI Agent (Tools Agent) | Loop de raciocínio, memória e escolha de ferramentas | Decisões, múltiplos passos, conversa contínua, entradas imprevisíveis |
| LangChain Code | Código bruto da LangChain dentro do nó | Recurso que o canvas visual não oferece |
Erros que aparecem no primeiro fluxo
Três tropeços se repetem. O primeiro: esquecer a memória e não entender por que o agente 'não lembra' do que foi dito duas mensagens atrás — sem o sub-nó de memória, não existe histórico. O segundo: confundir memória com base de conhecimento. Memória é a conversa atual; vector store são os seus documentos. São conectores diferentes por um motivo.
O terceiro é escolher um modelo sem tool-calling e não entender por que as ferramentas nunca disparam. O AI Agent depende da interface de chamada de ferramentas do modelo — se o modelo não suporta, o agente vira um chat caro. Antes de investir em fluxos multi-agente mais sofisticados, vale dominar o agente único e, se o volume crescer, avaliar quando trocar de plataforma faz sentido.
Perguntas frequentes
Preciso saber programar para usar LangChain no n8n?
Qual a diferença entre AI Agent e Basic LLM Chain?
O nó de LangChain foi removido em alguma atualização do n8n?
Como o agente acessa meus próprios documentos?
Leia também
Como criar um agente de IA com n8n sem saber programar
Crie um agente de IA com n8n sem escrever código: conecte a OpenAI, dê memória de conversa ao nó AI Agent, ligue ferramentas e coloque no WhatsApp. Passo a passo em português, do zero.
Ler →
O que é n8n? Guia completo para iniciantes em 2026
Entenda o que é n8n, como a ferramenta de automação funciona, quanto custa, se é difícil de aprender e como criar seu primeiro workflow sem saber programar.
Ler →
n8n multi-agente: como orquestrar vários agentes de IA num só fluxo
Como montar um sistema multi-agente no n8n com o nó AI Agent Tool: um agente orquestrador que delega para especialistas, tudo numa execução só. Passo a passo, padrões e quando NÃO usar.
Ler →
n8n vs Make para criar agente de IA: qual entrega mais em 2026?
Comparamos n8n e Make para construir agentes de IA em 2026: nós nativos, RAG, memória, custo por execução e quando cada um vale a pena. Sem torcida.
Ler →