آموزش و راهنما

آموزش کامل n8n و اتصال آن به درواره؛ ساخت AI Agent و اتوماسیون هوشمند با صدها مدل هوش مصنوعی

n8n یکی از محبوب‌ترین ابزارهای متن‌باز برای طراحی Workflowهای خودکار و AI Agentها است. در این آموزش جامع، با نصب n8n، ساخت Workflow، استفاده از Nodeهای هوش مصنوعی، اتصال به API درواره، پیاده‌سازی RAG، Chatbot، AI Agent و بهترین روش‌های توسعه و استقرار Workflowهای سازمانی آشنا می‌شوید.

Darvareh N8N

مقدمه

در سال‌های اخیر، ابزارهای اتوماسیون به یکی از مهم‌ترین اجزای زیرساخت سازمان‌ها و کسب‌وکارهای دیجیتال تبدیل شده‌اند. بسیاری از فرایندهایی که پیش‌تر به‌صورت دستی انجام می‌شدند، امروز با استفاده از Workflowهای هوشمند، APIها و مدل‌های هوش مصنوعی به‌صورت خودکار اجرا می‌شوند.

در میان ابزارهای موجود، n8n یکی از محبوب‌ترین پلتفرم‌های متن‌باز (Open Source) برای طراحی Workflowهای خودکار است. این ابزار به کاربران اجازه می‌دهد بدون نیاز به نوشتن حجم زیادی از کد، سرویس‌های مختلف را به یکدیگر متصل کرده و فرایندهای پیچیده را تنها با چند Node طراحی کنند.

اما دلیل محبوبیت n8n تنها قابلیت اتوماسیون نیست. در نسخه‌های جدید، این پلتفرم امکانات گسترده‌ای برای ساخت AI Agentها، استفاده از مدل‌های زبانی (LLM)، اتصال به ابزارهای مختلف از طریق MCP، مدیریت حافظه (Memory)، پیاده‌سازی RAG و طراحی سیستم‌های چندعاملی (Multi-Agent) نیز ارائه می‌دهد.

در این مقاله، ابتدا با معماری و قابلیت‌های n8n آشنا می‌شویم، سپس نحوه اتصال آن به درواره را به‌صورت گام‌به‌گام بررسی می‌کنیم. در ادامه نیز یاد می‌گیرید چگونه با استفاده از API سازگار با OpenAI درواره، به صدها مدل هوش مصنوعی مانند GPT 5.5، Claude، Gemini، Qwen، DeepSeek، Grok، Kimi و بسیاری مدل‌های دیگر دسترسی پیدا کنید و Workflowهای هوشمند و AI Agentهای حرفه‌ای بسازید.

در پایان مقاله نیز چند نمونه عملی از ساخت Agentهای کاربردی برای تولید محتوا، پشتیبانی مشتری، تحلیل داده، سئو و اتوماسیون سازمانی ارائه خواهیم کرد.

n8n چیست؟

n8n یک پلتفرم متن‌باز برای طراحی و اجرای Workflowهای خودکار است که امکان اتصال صدها سرویس، API و ابزار مختلف را در یک محیط گرافیکی فراهم می‌کند.

برخلاف بسیاری از ابزارهای اتوماسیون که تنها برای اتصال چند سرویس ساده طراحی شده‌اند، n8n از ابتدا با هدف ساخت Workflowهای پیچیده، قابل توسعه و مناسب برای پروژه‌های سازمانی توسعه یافته است.

نام n8n از عبارت Node to Node گرفته شده است؛ زیرا در این پلتفرم هر Workflow از مجموعه‌ای از Nodeها تشکیل می‌شود که هر کدام وظیفه مشخصی را انجام می‌دهند.

به‌عنوان مثال، می‌توانید Workflow زیر را تنها با چند Node ایجاد کنید:

دریافت درخواست از یک Webhook
خواندن اطلاعات از Google Sheets
ارسال داده به یک مدل هوش مصنوعی
تحلیل پاسخ
ذخیره نتیجه در PostgreSQL
ارسال پیام در Slack
ارسال ایمیل به کاربر

همه این مراحل بدون نیاز به توسعه یک سرویس اختصاصی و تنها با اتصال Nodeها انجام می‌شود.

چرا n8n تا این اندازه محبوب شده است؟

محبوبیت n8n تنها به دلیل متن‌باز بودن آن نیست، بلکه مجموعه‌ای از ویژگی‌ها باعث شده این ابزار به یکی از انتخاب‌های اصلی توسعه‌دهندگان، تیم‌های DevOps، متخصصان هوش مصنوعی و سازمان‌ها تبدیل شود.

مهم‌ترین مزایای n8n عبارت‌اند از:

متن‌باز و قابل استقرار روی سرور اختصاصی
امکان استفاده از نسخه ابری
رابط کاربری گرافیکی و ساده
قابلیت توسعه با JavaScript و TypeScript
پشتیبانی از هزاران API
اجرای Workflowهای پیچیده
پشتیبانی از AI Agentها
اتصال به مدل‌های زبانی
مدیریت Credentialها
زمان‌بندی اجرای Workflow
اجرای مبتنی بر رویداد (Event Driven)
امکان اجرای Self Hosted برای حفظ حریم خصوصی داده‌ها

به همین دلیل بسیاری از سازمان‌ها ترجیح می‌دهند به جای سرویس‌های بسته، از n8n به‌عنوان موتور اصلی اتوماسیون داخلی خود استفاده کنند.

n8n چگونه کار می‌کند؟

در ساده‌ترین حالت، هر Workflow در n8n از سه بخش اصلی تشکیل می‌شود:

Trigger

نقطه شروع Workflow است.

اجرای Workflow می‌تواند توسط عوامل مختلفی آغاز شود، مانند:

دریافت Webhook
زمان‌بندی (Cron)
دریافت ایمیل
ثبت فایل جدید
پیام تلگرام
رویداد GitHub
تغییر در پایگاه داده
درخواست HTTP

Node

هر Node یک عملیات مشخص انجام می‌دهد.

برای مثال:

خواندن فایل
اجرای Query
فراخوانی API
ارسال ایمیل
تبدیل داده
اجرای JavaScript
ارتباط با مدل هوش مصنوعی

یک Workflow می‌تواند از چند Node یا حتی صدها Node تشکیل شده باشد.

Connection

Nodeها از طریق Connection به یکدیگر متصل می‌شوند و خروجی هر مرحله، ورودی مرحله بعد را تشکیل می‌دهد.

در نتیجه می‌توان Workflowهای بسیار پیچیده را بدون نوشتن حجم زیادی از کد طراحی کرد.

معماری اجرای Workflow در n8n

درک معماری n8n به شما کمک می‌کند Workflowهای پایدارتر و مقیاس‌پذیرتری طراحی کنید.

هر Workflow معمولاً شامل مراحل زیر است:

Trigger اجرا می‌شود.
داده اولیه دریافت می‌شود.
داده‌ها پردازش می‌شوند.
در صورت نیاز APIهای مختلف فراخوانی می‌شوند.
خروجی مدل هوش مصنوعی دریافت می‌شود.
تصمیم‌گیری انجام می‌شود.
نتیجه در پایگاه داده ذخیره می‌شود.
پیام یا اعلان برای کاربر ارسال می‌شود.
Workflow پایان می‌یابد یا به مرحله بعد منتقل می‌شود.

این معماری باعث می‌شود n8n تنها یک ابزار اتصال API نباشد، بلکه به موتور اجرای فرایندهای سازمانی تبدیل شود.

مهم‌ترین مفاهیم در n8n

پیش از شروع ساخت Workflow بهتر است با چند مفهوم اصلی آشنا شوید.

Workflow

Workflow مجموعه‌ای از Nodeها است که برای انجام یک هدف مشخص طراحی می‌شوند.

برای مثال:

پاسخ‌گویی خودکار به مشتریان
تولید محتوا
ارسال گزارش روزانه
ساخت AI Agent
تحلیل داده‌ها

Node

Node کوچک‌ترین واحد اجرایی در n8n است.

هر Node دقیقاً یک مسئولیت مشخص دارد.

برای مثال:

HTTP Request
Code
AI Agent
OpenAI Chat Model
Gmail
PostgreSQL
Slack
Telegram

Credentials

Credentialها اطلاعات احراز هویت برای اتصال به سرویس‌های مختلف هستند.

به‌عنوان مثال:

API Key
OAuth
Bearer Token
Username و Password

در n8n این اطلاعات به‌صورت امن ذخیره می‌شوند و نیازی نیست در هر Workflow دوباره وارد شوند.

Expressions

Expressionها امکان استفاده از خروجی Nodeهای قبلی در مراحل بعدی را فراهم می‌کنند.

برای مثال:

استفاده از نام کاربر
استفاده از تاریخ
استفاده از پاسخ مدل
استفاده از متغیرها

این قابلیت یکی از مهم‌ترین ویژگی‌های n8n است و باعث می‌شود Workflowها کاملاً پویا باشند.

چرا n8n برای پروژه‌های هوش مصنوعی مناسب است؟

تا چند سال قبل، n8n بیشتر برای اتوماسیون سرویس‌ها استفاده می‌شد، اما امروز به یکی از بهترین ابزارها برای توسعه AI Agentها تبدیل شده است.

دلایل این موضوع عبارت‌اند از:

پشتیبانی از مدل‌های زبانی
امکان ساخت Agentهای چندمرحله‌ای
اتصال به پایگاه‌های دانش
پشتیبانی از RAG
مدیریت Memory
اتصال به ابزارهای خارجی
اجرای Workflowهای Agentمحور
امکان استفاده از چندین مدل مختلف در یک Workflow

به همین دلیل بسیاری از توسعه‌دهندگان از n8n به‌عنوان موتور اصلی اجرای AI Agentهای سازمانی استفاده می‌کنند.

عالی، از این بخش به بعد وارد بخش عملی مقاله می‌شویم. سعی کرده‌ام مطالب به‌گونه‌ای نوشته شوند که هم برای کاربران مبتدی قابل فهم باشند و هم برای توسعه‌دهندگان حرفه‌ای مفید باشند.

نصب n8n

یکی از مزیت‌های مهم n8n این است که روش‌های مختلفی برای نصب و اجرا ارائه می‌دهد. بسته به نیاز پروژه، می‌توانید از نسخه ابری (Cloud)، Docker، Docker Compose یا نصب مستقیم روی سرور استفاده کنید.

برای محیط‌های تولید (Production)، معمولاً استفاده از Docker Compose یا Kubernetes توصیه می‌شود، زیرا مدیریت به‌روزرسانی، پشتیبان‌گیری و مقیاس‌پذیری را ساده‌تر می‌کند.

نصب با Docker

اگر Docker روی سرور شما نصب شده باشد، تنها با یک دستور می‌توانید n8n را اجرا کنید:

docker run -it --rm \
  -p 5678:5678 \
  -v ~/.n8n:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

پس از اجرای دستور، رابط کاربری n8n از طریق آدرس زیر در دسترس خواهد بود:

http://localhost:5678

در استفاده‌های واقعی، بهتر است n8n را پشت یک Reverse Proxy مانند Nginx یا Traefik اجرا کرده و برای آن گواهی SSL نیز فعال کنید.

نصب با Docker Compose

برای استفاده دائمی، Docker Compose گزینه مناسب‌تری است.

نمونه فایل docker-compose.yml:

version: "3"

services:
  n8n:
    image: docker.n8n.io/n8nio/n8n
    restart: always

    ports:
      - "5678:5678"

    environment:
      - N8N_HOST=n8n.example.com
      - N8N_PROTOCOL=https
      - WEBHOOK_URL=https://n8n.example.com/

    volumes:
      - ./n8n_data:/home/node/.n8n

این روش باعث می‌شود تنظیمات، Credentialها و Workflowها پس از راه‌اندازی مجدد سرور نیز حفظ شوند.

استفاده از نسخه Cloud

اگر نمی‌خواهید زیرساخت را مدیریت کنید، می‌توانید از نسخه ابری n8n استفاده کنید.

در این حالت تنها کافی است حساب کاربری ایجاد کنید و بلافاصله طراحی Workflow را آغاز کنید.

آشنایی با رابط کاربری n8n

پس از ورود به پنل، معمولاً با بخش‌های زیر روبه‌رو می‌شوید:

Dashboard
Workflows
Credentials
Executions
Variables
Templates
Settings

اگر برای اولین بار از n8n استفاده می‌کنید، پیشنهاد می‌شود ابتدا چند Workflow ساده ایجاد کنید تا با نحوه اتصال Nodeها آشنا شوید.

ساخت اولین Workflow

برای آشنایی با ساختار n8n، یک Workflow بسیار ساده ایجاد می‌کنیم.

هدف این Workflow:

کاربر درخواست ارسال می‌کند → اطلاعات دریافت می‌شود → مدل هوش مصنوعی پاسخ تولید می‌کند → پاسخ به کاربر برگردانده می‌شود.

ساختار کلی Workflow:

Webhook

↓

Set

↓

OpenAI Chat Model

↓

Respond to Webhook

در این مثال:

Webhook درخواست را دریافت می‌کند.
Set متن ورودی را آماده می‌کند.
مدل زبانی پاسخ تولید می‌کند.
پاسخ به کاربر بازگردانده می‌شود.

در ادامه، مدل OpenAI را با API درواره جایگزین خواهیم کرد تا بتوانیم به صدها مدل مختلف دسترسی داشته باشیم.

قابلیت‌های هوش مصنوعی در n8n

یکی از مهم‌ترین تغییرات n8n در نسخه‌های اخیر، اضافه شدن مجموعه کاملی از Nodeهای هوش مصنوعی است.

این Nodeها امکان ساخت Workflowهای بسیار پیشرفته را بدون نیاز به برنامه‌نویسی پیچیده فراهم می‌کنند.

مهم‌ترین Nodeهای AI عبارت‌اند از:

AI Agent
OpenAI Chat Model
Basic LLM Chain
Prompt Template
Memory
Output Parser
Text Classifier
Embeddings
Vector Store
Retriever
Document Loader
AI Transform

این Nodeها بر پایه کتابخانه LangChain توسعه یافته‌اند و امکان ساخت سیستم‌های Agentمحور را فراهم می‌کنند.

AI Agent Node

AI Agent یکی از قدرتمندترین Nodeهای n8n است.

این Node می‌تواند:

هدف را دریافت کند.
ابزارهای مختلف را فراخوانی کند.
تصمیم‌گیری کند.
چند مرحله اجرا شود.
خروجی نهایی را تولید کند.

در واقع این Node همان چیزی است که از یک AI Agent انتظار داریم.

Chat Model Node

این Node مسئول ارتباط با مدل زبانی است.

مدل می‌تواند یکی از گزینه‌های زیر باشد:

GPT 5.5
Claude
Gemini
Qwen
DeepSeek
Kimi
Grok
Llama
Mistral

و هر مدل دیگری که از API سازگار با OpenAI پشتیبانی کند.

Memory

Memory یکی از مهم‌ترین اجزای AI Agentها است.

بدون Memory، مدل تمام اطلاعات قبلی را فراموش می‌کند.

در n8n انواع مختلفی از Memory وجود دارد:

Window Memory
Buffer Memory
Summary Memory
Redis Memory
Database Memory

انتخاب نوع مناسب حافظه به نوع پروژه بستگی دارد.

Tool

یکی از جذاب‌ترین قابلیت‌های AI Agent این است که بتواند از ابزارهای مختلف استفاده کند.

برای مثال Agent می‌تواند:

ایمیل ارسال کند.
فایل بخواند.
دیتابیس را جستجو کند.
API فراخوانی کند.
در GitHub Issue ایجاد کند.
گزارش تولید کند.

در n8n هر Node می‌تواند به‌عنوان یک Tool در اختیار AI Agent قرار گیرد.

چرا درواره بهترین انتخاب برای n8n است؟

به‌صورت پیش‌فرض بسیاری از کاربران n8n تنها از یک ارائه‌دهنده مدل مانند OpenAI استفاده می‌کنند.

اما این روش محدودیت‌هایی دارد:

وابستگی به یک ارائه‌دهنده
نبود مدل‌های جایگزین
هزینه بالا
نبود Auto Routing
نبود Fallback
نیاز به چند API مختلف

درواره این مشکلات را برطرف می‌کند.

با استفاده از درواره، تنها به یک API نیاز دارید و می‌توانید به صدها مدل مختلف دسترسی پیدا کنید.

مزایای استفاده از درواره در n8n عبارت‌اند از:

یک API سازگار با OpenAI
دسترسی به صدها مدل هوش مصنوعی
امکان تغییر مدل بدون تغییر Workflow
Auto Routing
Fallback
یک API Key
کیف پول ریالی
داشبورد مدیریت مصرف
مناسب برای پروژه‌های شخصی و سازمانی

اتصال n8n به درواره

اکنون به مهم‌ترین بخش مقاله می‌رسیم.

اتصال n8n به درواره تنها در چند دقیقه انجام می‌شود.

مرحله اول: دریافت API Key

ابتدا وارد حساب کاربری خود در درواره شوید.

سپس از بخش API Keys یک کلید جدید ایجاد کنید.

نمونه:

dv_xxxxxxxxxxxxxxxxxxxxxxxxx

این کلید برای احراز هویت تمام درخواست‌های شما استفاده خواهد شد.

مرحله دوم: ایجاد Credential

در n8n وارد بخش Credentials شوید.

سپس یک Credential جدید از نوع OpenAI (یا در صورت نیاز، Credential سازگار با OpenAI که امکان تعیین Base URL را فراهم می‌کند) ایجاد کنید.

تنظیمات اصلی به شکل زیر است:

Base URL

https://api.darvareh.ir/v1

API Key

dv_xxxxxxxxxxxxxxxxx

پس از ذخیره Credential، تمام Nodeهای مرتبط می‌توانند از آن استفاده کنند.

مرحله سوم: انتخاب مدل

اکنون تنها کافی است نام مدل موردنظر را وارد کنید.

برای مثال:

openai/gpt-5.5

یا

anthropic/claude-opus-4.8

یا

google/gemini-2.5-pro

یا هر مدل دیگری که درواره ارائه می‌کند.

مزیت این روش آن است که در صورت نیاز، می‌توانید تنها با تغییر نام مدل، بدون تغییر منطق Workflow، از مدل دیگری استفاده کنید.

ساخت اولین Workflow هوش مصنوعی با n8n و درواره

اکنون که n8n را نصب کرده و اتصال آن به درواره را انجام داده‌ایم، زمان ساخت اولین Workflow واقعی فرا رسیده است.

در این مثال، یک سرویس ساده ایجاد می‌کنیم که:

درخواست کاربر را دریافت می‌کند.
متن را برای مدل هوش مصنوعی ارسال می‌کند.
پاسخ را تولید می‌کند.
نتیجه را به کاربر بازمی‌گرداند.

ساختار Workflow به شکل زیر است:

Webhook
    ↓
Edit Fields
    ↓
OpenAI Chat Model
    ↓
Respond to Webhook

اگرچه این Workflow بسیار ساده است، اما پایه بسیاری از پروژه‌های بزرگ‌تر مانند Chatbotها، AI Agentها و سیستم‌های اتوماسیون خواهد بود.

مرحله اول: ایجاد Webhook

ابتدا یک Webhook Trigger ایجاد کنید.

این Node نقطه ورود درخواست‌ها به Workflow است.

پس از ذخیره Workflow، یک آدرس مانند نمونه زیر ایجاد می‌شود:

https://your-n8n-domain/webhook/chat

هر درخواست HTTP که به این آدرس ارسال شود، Workflow را اجرا خواهد کرد.

مرحله دوم: آماده‌سازی داده‌ها

در بسیاری از پروژه‌ها لازم است قبل از ارسال اطلاعات به مدل، داده‌ها پردازش شوند.

برای مثال:

حذف فاصله‌های اضافی
تبدیل فرمت تاریخ
استخراج متن پیام
اضافه کردن اطلاعات کاربر
تعیین زبان

در این مرحله معمولاً از Nodeهای زیر استفاده می‌شود:

Edit Fields
Set
Code

مرحله سوم: اتصال به مدل هوش مصنوعی

اکنون OpenAI Chat Model را به Workflow اضافه کنید.

Credentialی که در مرحله قبل برای درواره ایجاد کرده بودید را انتخاب کنید.

سپس نام مدل را وارد کنید.

برای مثال:

openai/gpt-5.5

یا

anthropic/claude-opus-4.8

یا

google/gemini-2.5-pro

از آنجا که API درواره با استاندارد OpenAI سازگار است، در بیشتر سناریوها نیازی به تغییر ساختار Workflow نخواهید داشت.

مرحله چهارم: تعریف System Prompt

یکی از مهم‌ترین بخش‌های هر Workflow مبتنی بر هوش مصنوعی، System Prompt است.

این Prompt رفتار کلی مدل را مشخص می‌کند.

برای مثال:

شما یک دستیار حرفه‌ای هستید.

همیشه پاسخ‌های دقیق، شفاف و ساختاریافته ارائه دهید.

اگر اطلاعات کافی وجود ندارد، این موضوع را به کاربر اعلام کنید.

از تولید اطلاعات نادرست خودداری کنید.

در پروژه‌های واقعی معمولاً Promptها بسیار دقیق‌تر هستند و شامل قوانین کسب‌وکار، لحن پاسخ، محدودیت‌ها و فرمت خروجی نیز می‌شوند.

مرحله پنجم: بازگرداندن پاسخ

در پایان، خروجی مدل را به Node Respond to Webhook متصل کنید تا پاسخ برای کاربر ارسال شود.

به همین سادگی اولین سرویس مبتنی بر هوش مصنوعی شما آماده استفاده است.

ساخت یک AI Agent واقعی در n8n

Chat Model تنها یک پاسخ تولید می‌کند.

اما یک AI Agent می‌تواند:

تصمیم بگیرد
ابزار اجرا کند
اطلاعات جمع‌آوری کند
چند مرحله را تکرار کند
نتیجه نهایی را تولید کند

در n8n این قابلیت توسط AI Agent Node فراهم شده است.

ساختار کلی یک Agent معمولاً به این شکل است:

User Request

↓

AI Agent

↓

Memory

↓

Tools

↓

Chat Model (Darvareh)

↓

Response

استفاده از Memory

بدون Memory، Agent تمام مکالمات قبلی را فراموش می‌کند.

برای مثال در یک Chatbot:

کاربر می‌گوید:

اسم من امیر است.

چند پیام بعد:

اسم من چیست؟

اگر Memory وجود نداشته باشد، مدل پاسخ صحیحی نخواهد داد.

در n8n می‌توانید انواع مختلف Memory را به Agent متصل کنید.

در پروژه‌های کوچک معمولاً Window Memory کافی است.

در پروژه‌های سازمانی معمولاً از Redis یا Database Memory استفاده می‌شود.

اضافه کردن Toolها

یکی از جذاب‌ترین بخش‌های AI Agent استفاده از Toolها است.

فرض کنید Agent بتواند:

Google Calendar را بخواند.
ایمیل ارسال کند.
فایل PDF تحلیل کند.
پایگاه داده را جستجو کند.
وضعیت سرورها را بررسی کند.
گزارش تولید کند.

در n8n هر Node می‌تواند به‌عنوان یک Tool در اختیار Agent قرار گیرد.

در نتیجه Agent تنها به تولید متن محدود نخواهد بود.

نمونه اول: ساخت یک SEO Agent

یکی از کاربردهای محبوب n8n، ساخت Agentهای تخصصی سئو است.

برای مثال، هر روز ساعت ۸ صبح Workflow اجرا شود و مراحل زیر را انجام دهد:

۱. دریافت داده‌های Google Search Console

۲. بررسی صفحات افت‌کرده

۳. تحلیل تغییرات رتبه

۴. بررسی رقبا

۵. ارسال اطلاعات به GPT 5.5

۶. تولید گزارش

۷. ارسال گزارش در Slack

ساختار Workflow:

Cron

↓

Google Search Console

↓

HTTP Request

↓

GPT 5.5 (Darvareh)

↓

Slack

این Agent بدون دخالت انسان هر روز وضعیت سئوی وب‌سایت را بررسی می‌کند.

نمونه دوم: ساخت RAG با n8n و درواره

اگر می‌خواهید مدل بر اساس اسناد اختصاصی سازمان پاسخ دهد، باید از معماری RAG (Retrieval-Augmented Generation) استفاده کنید.

در n8n این کار بسیار ساده است.

Workflow به شکل زیر خواهد بود:

Upload Document

↓

Document Loader

↓

Embeddings

↓

Vector Store

↓

Retriever

↓

GPT 5.5

↓

Response

در این معماری:

اسناد وارد سیستم می‌شوند.
Embedding تولید می‌شود.
اطلاعات در Vector Database ذخیره می‌شوند.
هنگام سؤال، فقط بخش‌های مرتبط بازیابی می‌شوند.
مدل پاسخ را بر اساس همان اطلاعات تولید می‌کند.

این روش برای ساخت:

Chatbot سازمانی
پایگاه دانش
سامانه پاسخ‌گویی داخلی
جستجوی اسناد

بسیار مناسب است.

نمونه سوم: Chatbot وب‌سایت

یکی از رایج‌ترین پروژه‌های n8n ساخت Chatbot است.

ساختار Workflow:

Website

↓

Webhook

↓

AI Agent

↓

Memory

↓

Darvareh

↓

Website

مزیت استفاده از درواره این است که در صورت نیاز می‌توانید بدون تغییر Chatbot، مدل مورد استفاده را تغییر دهید.

برای مثال:

امروز:

openai/gpt-5.5

فردا:

anthropic/claude-opus-4.8

یا

google/gemini-2.5-pro

بدون نیاز به تغییر در منطق Workflow.

نمونه چهارم: Email Assistant

Workflow:

Gmail Trigger

↓

AI Agent

↓

Classify

↓

Draft Reply

↓

Gmail

Agent می‌تواند:

ایمیل‌ها را دسته‌بندی کند.
خلاصه تهیه کند.
پاسخ پیشنهادی تولید کند.
موارد مهم را اولویت‌بندی کند.

نمونه پنجم: Telegram Bot

Workflow:

Telegram

↓

Webhook

↓

AI Agent

↓

Darvareh

↓

Telegram

به این ترتیب می‌توانید تنها در چند دقیقه یک ربات تلگرام مجهز به صدها مدل هوش مصنوعی ایجاد کنید.

نمونه ششم: تحلیل فایل PDF

Workflow:

Upload PDF

↓

PDF Loader

↓

Chunking

↓

Embeddings

↓

Vector Store

↓

AI Agent

↓

Summary

کاربر فایل PDF را بارگذاری می‌کند و Agent:

فایل را تحلیل می‌کند.
خلاصه تهیه می‌کند.
پرسش‌ها را پاسخ می‌دهد.
نکات مهم را استخراج می‌کند.

چرا استفاده از درواره در Workflowهای بزرگ اهمیت دارد؟

در پروژه‌های واقعی، معمولاً تنها از یک مدل استفاده نمی‌شود.

برای مثال:

GPT برای استدلال‌های پیچیده
Claude برای نگارش
Gemini برای تحلیل چندرسانه‌ای
Qwen برای پردازش فارسی
DeepSeek برای تولید کد

اگر مستقیماً به هر ارائه‌دهنده متصل شوید، باید:

چند API مختلف مدیریت کنید.
چند صورتحساب جداگانه داشته باشید.
محدودیت‌های متفاوت هر سرویس را کنترل کنید.

درواره این پیچیدگی را حذف می‌کند.

شما تنها یک API، یک API Key و یک زیرساخت واحد خواهید داشت و در صورت نیاز می‌توانید مدل‌ها را بدون تغییر Workflow جایگزین کنید.

استفاده از n8n در محیط Production

بسیاری از کاربران اولین Workflow خود را در کمتر از چند دقیقه می‌سازند، اما زمانی که تعداد کاربران، درخواست‌ها و سرویس‌های متصل افزایش پیدا می‌کند، طراحی Workflow اهمیت بسیار بیشتری پیدا می‌کند.

در یک محیط عملیاتی، علاوه بر اجرای صحیح Workflow، باید به موضوعاتی مانند پایداری، مدیریت خطا، امنیت، مقیاس‌پذیری و هزینه نیز توجه کنید.

قبل از پیاده‌سازی پروژه‌های بزرگ، بهتر است چند اصل مهم را رعایت کنید:

هر Workflow فقط یک مسئولیت مشخص داشته باشد.
Workflowهای بزرگ را به چند Workflow کوچک‌تر تقسیم کنید.
برای هر Workflow مکانیزم ثبت خطا (Logging) در نظر بگیرید.
اطلاعات حساس را در Credentialها ذخیره کنید.
از اجرای هم‌زمان Workflowهای سنگین بدون محدودیت خودداری کنید.
برای درخواست‌های طولانی از صف (Queue) استفاده کنید.
وضعیت اجرای Workflowها را به‌صورت مداوم پایش کنید.

این اصول باعث می‌شوند سیستم شما در مقیاس بالا نیز پایدار باقی بماند.

کاهش هزینه اجرای Workflowهای هوش مصنوعی

یکی از مهم‌ترین دغدغه‌های سازمان‌ها، هزینه استفاده از مدل‌های زبانی است.

فرض کنید Workflow شما شامل مراحل زیر باشد:

استخراج متن
دسته‌بندی
خلاصه‌سازی
تحلیل
تولید گزارش
بررسی نهایی

اگر تمام این مراحل با یک مدل Frontier مانند GPT 5.5 یا Claude Opus انجام شوند، هزینه اجرای Workflow به‌مراتب بیشتر از زمانی خواهد بود که از مدل‌های مناسب هر وظیفه استفاده کنید.

Model Routing

یکی از بهترین روش‌های کاهش هزینه، استفاده از Model Routing است.

در این روش، هر مرحله از Workflow به مدلی ارسال می‌شود که برای همان وظیفه مناسب‌تر است.

برای مثال:

مرحله	مدل مناسب
طبقه‌بندی متن	مدل‌های Flash یا Nano
استخراج اطلاعات	مدل‌های اقتصادی
خلاصه‌سازی	مدل‌های میان‌رده
تحلیل پیچیده	GPT 5.5
تصمیم نهایی	Claude Opus

این رویکرد علاوه بر کاهش هزینه، معمولاً باعث افزایش سرعت اجرای Workflow نیز می‌شود.

از آنجا که درواره دسترسی به صدها مدل مختلف را از طریق یک API فراهم می‌کند، پیاده‌سازی چنین معماری بسیار ساده‌تر خواهد بود.

Fallback

در پروژه‌های واقعی ممکن است یک مدل یا ارائه‌دهنده به دلایل مختلف در دسترس نباشد.

اگر Workflow فقط به یک مدل وابسته باشد، در چنین شرایطی کل فرایند متوقف خواهد شد.

Fallback این مشکل را برطرف می‌کند.

برای مثال:

اولویت اول:

openai/gpt-5.5

اگر در دسترس نبود:

anthropic/claude-opus-4.8

اگر باز هم خطا رخ داد:

google/gemini-2.5-pro

در نتیجه Workflow بدون نیاز به دخالت کاربر ادامه پیدا می‌کند.

این قابلیت برای Workflowهای سازمانی اهمیت بسیار زیادی دارد.

Prompt Caching

در بسیاری از Workflowها، بخش بزرگی از Prompt در هر درخواست ثابت است.

برای مثال:

قوانین سیستم
دستورالعمل‌های Agent
تعریف Toolها
اطلاعات ثابت سازمان

ارسال دوباره این اطلاعات در هر درخواست باعث افزایش هزینه و زمان پاسخ می‌شود.

Prompt Caching با ذخیره بخش‌های تکراری Prompt، این مشکل را کاهش می‌دهد.

مزایای آن عبارت‌اند از:

کاهش هزینه
کاهش زمان پاسخ
افزایش توان عملیاتی
کاهش مصرف توکن

اگر Workflowهای شما به‌صورت مداوم اجرا می‌شوند، استفاده از Prompt Caching می‌تواند صرفه‌جویی قابل‌توجهی ایجاد کند.

مدیریت خطا (Error Handling)

هیچ Workflowی بدون خطا نیست.

ممکن است:

API در دسترس نباشد.
مدل پاسخ ندهد.
محدودیت نرخ درخواست (Rate Limit) اعمال شود.
پایگاه داده قطع شود.
فایل ورودی نامعتبر باشد.

به همین دلیل باید برای هر Workflow سناریوی مدیریت خطا طراحی شود.

چند راهکار مهم:

استفاده از Error Trigger
ثبت لاگ خطا
ارسال اعلان به تیم فنی
تلاش مجدد (Retry) با فاصله زمانی
استفاده از Fallback
ثبت وضعیت در پایگاه داده

Rate Limiting

اگر تعداد زیادی درخواست هم‌زمان به مدل ارسال شود، ممکن است ارائه‌دهنده محدودیت اعمال کند.

برای جلوگیری از این مشکل می‌توانید:

درخواست‌ها را در صف قرار دهید.
تعداد اجرای هم‌زمان Workflow را محدود کنید.
از Batch Processing استفاده کنید.
در صورت امکان، درخواست‌ها را بین چند مدل یا ارائه‌دهنده توزیع کنید.

مدیریت Credentialها

یکی از اشتباهات رایج، قرار دادن API Key در داخل Nodeها یا کد است.

بهتر است همیشه از Credentialهای داخلی n8n استفاده کنید.

این کار مزایای زیر را دارد:

امنیت بیشتر
مدیریت متمرکز
امکان تغییر API Key بدون ویرایش Workflow
کاهش احتمال افشای اطلاعات

نسخه‌بندی Workflowها

Workflowها نیز مانند کد برنامه باید نسخه‌بندی شوند.

پیشنهاد می‌شود:

Workflowها در Git نگهداری شوند.
تغییرات مهم مستندسازی شوند.
برای هر نسخه برچسب (Tag) مشخص شود.
قبل از انتشار در محیط Production، در محیط آزمایشی تست شوند.

مانیتورینگ Workflowها

در پروژه‌های بزرگ، تنها ساخت Workflow کافی نیست؛ باید عملکرد آن را نیز پایش کنید.

مواردی که بهتر است مانیتور شوند:

تعداد اجراها
نرخ موفقیت
زمان اجرای هر Workflow
تعداد خطاها
مصرف مدل‌های هوش مصنوعی
هزینه تقریبی اجرای Workflowها
میانگین زمان پاسخ

این اطلاعات به شما کمک می‌کنند مشکلات احتمالی را قبل از تأثیر بر کاربران شناسایی کنید.

بهترین روش‌ها (Best Practices)

در ادامه، چند توصیه کاربردی برای طراحی Workflowهای پایدار آورده شده است:

مسئولیت هر Workflow را محدود کنید

بهتر است هر Workflow یک هدف مشخص داشته باشد.

Workflowهای بسیار بزرگ، نگهداری دشوارتری دارند.

از Sub Workflow استفاده کنید

اگر بخشی از Workflow در چند پروژه تکرار می‌شود، آن را به یک Workflow مستقل تبدیل کنید و در پروژه‌های مختلف از آن استفاده کنید.

Promptها را نسخه‌بندی کنید

Promptها نیز بخشی از منطق سیستم هستند.

نگهداری نسخه‌های مختلف Prompt می‌تواند در تحلیل تغییرات و بهبود کیفیت خروجی بسیار مفید باشد.

لاگ مناسب ایجاد کنید

ثبت اطلاعاتی مانند:

زمان اجرا
ورودی
خروجی
خطاها
مدل استفاده‌شده

به عیب‌یابی و بهینه‌سازی سیستم کمک می‌کند.

از چند مدل استفاده کنید

همه وظایف به یک مدل قدرتمند نیاز ندارند.

برای کاهش هزینه و افزایش انعطاف‌پذیری، از مدل‌های مختلف متناسب با هر وظیفه استفاده کنید.

جمع‌بندی

n8n یکی از قدرتمندترین پلتفرم‌های متن‌باز برای طراحی Workflowهای هوشمند و AI Agentها است. با ترکیب قابلیت‌های این ابزار و API سازگار با OpenAI درواره، می‌توان سامانه‌هایی ساخت که از صدها مدل هوش مصنوعی بهره ببرند و بدون وابستگی به یک ارائه‌دهنده خاص، قابلیت‌هایی مانند Auto Routing، Fallback و مدیریت متمرکز هزینه را در اختیار داشته باشند.

برای پروژه‌های کوچک، n8n راهی سریع برای خودکارسازی فرایندها است و برای سازمان‌ها نیز می‌تواند به هسته اصلی اجرای Agentهای هوشمند، RAG، اتوماسیون فرایندها و یکپارچه‌سازی سرویس‌ها تبدیل شود.

عالی. این بخش آخر را طوری می‌نویسم که هم Featured Snippet گوگل را هدف بگیرد، هم People Also Ask و هم از نظر سئو مقاله را کامل کند.

پرسش‌های متداول (FAQ)

n8n چیست؟

n8n یک پلتفرم متن‌باز (Open Source) برای طراحی Workflowهای خودکار است که امکان اتصال صدها سرویس، API و ابزار مختلف را بدون نیاز به توسعه پیچیده فراهم می‌کند. این ابزار علاوه بر اتوماسیون، از AI Agentها، مدل‌های زبانی، RAG و اتصال به سرویس‌های هوش مصنوعی نیز پشتیبانی می‌کند.

آیا n8n رایگان است؟

بله.

نسخه Community به‌صورت متن‌باز منتشر شده و می‌توانید آن را روی سرور اختصاصی خود نصب کنید.

همچنین نسخه Cloud نیز برای کاربرانی که نمی‌خواهند زیرساخت را مدیریت کنند، در دسترس است.

تفاوت n8n و Zapier چیست؟

Zapier بیشتر برای کاربران غیرتوسعه‌دهنده و سناریوهای ساده طراحی شده است.

در مقابل، n8n:

متن‌باز است.
امکان Self Hosting دارد.
انعطاف‌پذیری بسیار بیشتری دارد.
از JavaScript پشتیبانی می‌کند.
برای پروژه‌های سازمانی مناسب‌تر است.
امکانات گسترده‌تری برای AI Agentها ارائه می‌دهد.

تفاوت n8n و Make چیست؟

هر دو ابزار برای اتوماسیون Workflowها استفاده می‌شوند.

اما n8n در زمینه‌های زیر مزیت دارد:

متن‌باز بودن
قابلیت توسعه
کنترل بیشتر روی داده‌ها
اجرای داخلی (On-Premise)
امکانات پیشرفته برای توسعه‌دهندگان

آیا n8n برای پروژه‌های سازمانی مناسب است؟

بله.

بسیاری از سازمان‌ها از n8n برای:

اتوماسیون فرایندها
یکپارچه‌سازی سرویس‌ها
ساخت AI Agent
پردازش داده
مانیتورینگ
گزارش‌گیری

استفاده می‌کنند.

آیا n8n از هوش مصنوعی پشتیبانی می‌کند؟

بله.

در نسخه‌های جدید، n8n Nodeهای مختلفی برای کار با مدل‌های زبانی و AI Agentها ارائه می‌دهد، از جمله:

AI Agent
Chat Model
Embeddings
Vector Store
Retriever
Memory
Document Loader

آیا می‌توان n8n را به درواره متصل کرد؟

بله.

از آنجا که API درواره با استاندارد OpenAI سازگار است، می‌توانید با تنظیم Base URL و API Key، از مدل‌های ارائه‌شده در درواره در Workflowهای n8n استفاده کنید.

Base URL درواره برای n8n چیست؟

برای اتصال n8n به درواره، از آدرس زیر استفاده کنید:

https://api.darvareh.ir/v1

چگونه API Key درواره را در n8n تنظیم کنیم؟

ابتدا در حساب کاربری درواره یک API Key ایجاد کنید، سپس در بخش Credentials مربوط به OpenAI-Compatible یا HTTP Request در n8n، آن را به‌عنوان Bearer Token وارد کنید.

آیا می‌توان در n8n از چند مدل مختلف استفاده کرد؟

بله.

شما می‌توانید در Workflowهای مختلف یا حتی در یک Workflow، از مدل‌های متفاوت برای وظایف مختلف استفاده کنید.

برای مثال:

GPT 5.5
Claude
Gemini
Qwen
DeepSeek
Kimi
Grok

AI Agent در n8n چیست؟

AI Agent یک Node پیشرفته است که می‌تواند:

تصمیم بگیرد.
از Toolها استفاده کند.
چندین مرحله را اجرا کند.
وضعیت را مدیریت کند.
خروجی نهایی تولید کند.

Memory در n8n چه کاربردی دارد؟

Memory باعث می‌شود Agent اطلاعات مکالمات یا مراحل قبلی را به خاطر بسپارد.

بدون Memory، مدل در هر درخواست فقط اطلاعات همان درخواست را در اختیار دارد.

آیا n8n از RAG پشتیبانی می‌کند؟

بله.

با استفاده از Nodeهایی مانند:

Document Loader
Embeddings
Vector Store
Retriever

می‌توانید سیستم‌های Retrieval-Augmented Generation را پیاده‌سازی کنید.

آیا می‌توان Chatbot با n8n ساخت؟

بله.

n8n برای ساخت Chatbotهای وب، تلگرام، واتساپ، Slack و سایر پیام‌رسان‌ها گزینه بسیار مناسبی است و می‌تواند با مدل‌های هوش مصنوعی مختلف یکپارچه شود.

آیا n8n برای ساخت AI Agent مناسب است؟

بله.

امروزه n8n یکی از محبوب‌ترین ابزارهای متن‌باز برای توسعه AI Agentها محسوب می‌شود و از قابلیت‌هایی مانند Memory، Tool Calling، Vector Database و Workflowهای چندمرحله‌ای پشتیبانی می‌کند.

چگونه هزینه اجرای Workflowهای AI را کاهش دهیم؟

چند روش مؤثر عبارت‌اند از:

استفاده از Model Routing
فعال‌سازی Prompt Caching (در صورت پشتیبانی ارائه‌دهنده)
استفاده از مدل مناسب برای هر وظیفه
محدود کردن اندازه Context
تعریف سقف بودجه
استفاده از Fallback

آیا می‌توان Workflowها را زمان‌بندی کرد؟

بله.

با استفاده از Cron Trigger می‌توانید Workflowها را:

روزانه
هفتگی
ماهانه
یا در بازه‌های زمانی دلخواه

اجرا کنید.

آیا n8n از Webhook پشتیبانی می‌کند؟

بله.

Webhook یکی از مهم‌ترین Triggerهای n8n است و امکان اتصال سرویس‌های مختلف به Workflowها را فراهم می‌کند.

آیا درواره فقط برای n8n کاربرد دارد؟

خیر.

از API درواره می‌توان در ابزارهای مختلفی استفاده کرد، از جمله:

Cursor
Claude Code
OpenAI Codex
OpenClaw
Cline
Roo Code
Continue.dev
LangChain
LlamaIndex
و هر ابزار سازگار با OpenAI API

چرا استفاده از درواره در کنار n8n توصیه می‌شود؟

درواره امکان دسترسی به صدها مدل هوش مصنوعی را از طریق یک API سازگار با OpenAI فراهم می‌کند. این موضوع باعث می‌شود بدون تغییر در Workflow، بتوانید مدل‌های مختلف را انتخاب کنید و از قابلیت‌هایی مانند Auto Routing، Fallback، مدیریت متمرکز API Key و کیف پول ریالی بهره ببرید.

جمع‌بندی

n8n یکی از قدرتمندترین ابزارهای متن‌باز برای طراحی Workflowهای هوشمند، اتوماسیون فرایندها و توسعه AI Agentها است. ترکیب قابلیت‌های این پلتفرم با API سازگار با OpenAI درواره، امکان ساخت سامانه‌های هوشمندی را فراهم می‌کند که از صدها مدل هوش مصنوعی بهره می‌برند و بدون وابستگی به یک ارائه‌دهنده خاص، به‌راحتی قابل توسعه و نگهداری هستند.

اگر قصد دارید Chatbot، سیستم RAG، دستیار سازمانی، عامل‌های هوشمند یا Workflowهای مبتنی بر هوش مصنوعی بسازید، n8n و درواره ترکیبی انعطاف‌پذیر و قدرتمند برای این هدف خواهند بود.

همین الان API Key درواره رو بگیرید