איך בונים סוכן AI עם n8n: מדריך מהשטח

סוכן AI עם n8n הוא workflow שבו צומת AI Agent מקבל מטרה, זיכרון וכמה כלים (חיפוש במסמכים, שליפה מ-CRM, שליחת מייל), ומחליט בעצמו אילו צעדים לבצע כדי להשלים את המשימה. בניית סוכן כזה לוקחת יום עבודה אחד למי שמכיר את התהליך, והוא יכול לטפל במאות פניות ביום. במדריך הזה נעבור על מה שעשינו כדי להעלות סוכן כזה לפרודקשן בצוות שירות, כולל מה נשבר בדרך.

מתי בכלל צריך סוכן AI עם n8n, ומתי מספיקה אוטומציה?

לפני שבונים סוכן, שווה לעצור. רוב התהליכים שארגונים רוצים “להכניס להם AI” הם אוטומציה רגילה עם צעד AI אחד: סיווג פנייה, סיכום שיחה, ניסוח תשובה. זה workflow קווי, זול, צפוי, וקל לנטר.

סוכן מתאים כשמתקיימים שלושת התנאים האלה:

בצוות השירות שליווינו, 70% מהפניות התאימו לאוטומציה רגילה. רק 30% הצריכו סוכן. בנינו קודם את ה-70% וזה לבד חסך 11 שעות עבודה שבועיות. את הסוכן בנינו אחרי שהיה לנו אמון במערכת. עוד על ההבדלים במרכז הנושא שלנו על n8n ואוטומציה.

מה הרכיבים של סוכן AI ב-n8n?

סוכן ב-n8n בנוי מארבעה חלקים, וכדאי לחשוב על כל אחד בנפרד:

1. טריגר. מה מפעיל את הסוכן: וובהוק מטופס, מייל חדש, הודעה בוואטסאפ, כרטיס חדש במערכת פניות.
2. מודל והנחיה (system prompt). איזה מודל שפה מפעיל את הסוכן, ומה ההנחיות: תפקיד, גבולות, פורמט תשובה, מתי לעצור ולהעביר לאדם.
3. כלים (Tools). workflows או צמתים שהסוכן יכול להפעיל: חיפוש במאגר ידע, שליפת פרטי לקוח, יצירת כרטיס, שליחת תשובה. כל כלי צריך תיאור ברור בשפה פשוטה, כי המודל בוחר לפי התיאור.
4. זיכרון. היסטוריית השיחה, בדרך כלל לפי מזהה לקוח או שיחה. בלי זיכרון הסוכן מתחיל כל הודעה מאפס.

הטעות הנפוצה ביותר שראינו: לתת לסוכן 10 כלים ביום הראשון. הוא מתבלבל, בוחר לא נכון, ועולה יותר. התחילו עם שניים או שלושה.

איך בונים סוכן AI עם n8n צעד אחרי צעד?

ככה בנינו סוכן שעונה על פניות ראשוניות בצוות שירות של חברת תוכנה. הפרטים שונו, המספרים אמיתיים.

1. מיפוי 50 פניות אמיתיות. לקחנו 50 פניות אחרונות וסיווגנו ידנית: מה אפשר לענות מתוך מאגר הידע, מה דורש שליפת נתונים, מה חייב אדם. זה לקח שעתיים ונתן לנו גם את סט הבדיקות.
2. מאגר ידע. העלינו את מדריכי המוצר ל-vector store (אפשר להשתמש ב-Supabase עם pgvector או בכלי המובנה של n8n). צומת “חיפוש במאגר” הפך לכלי הראשון.
3. כלי שליפה. workflow קטן שמקבל אימייל של לקוח ומחזיר סטטוס חשבון מה-CRM. כלי שני.
4. הנחיית מערכת. שלושה דברים שעבדו: להגדיר במפורש מתי להגיד “אני מעביר לנציג”, לדרוש ציטוט מהמקור בכל תשובה, ולהגביל אורך תשובה.
5. אישור אנושי. בשבועיים הראשונים, הסוכן לא שלח תשובות. הוא ניסח, והנציג אישר בלחיצה. זה בנה אמון ואסף משוב.
6. ניטור. כל ריצה נרשמת בטבלה: פנייה, כלים שהופעלו, תשובה, האם אושרה, זמן, עלות. דשבורד פשוט של 5 מספרים.
7. שחרור הדרגתי. אחרי שהאישור האנושי עבר 90% ללא עריכה, הסוכן התחיל לשלוח לבד בקטגוריה אחת. אחרי חודש, בשלוש.

התוצאה אחרי 6 שבועות: 62% מהפניות הראשוניות נענו ללא מגע אנושי, זמן תגובה ממוצע ירד מ-4 שעות ל-3 דקות, והעלות הייתה כ-28 דולר בחודש בקריאות למודל.

איזה מודל שפה לחבר לסוכן ב-n8n?

n8n מאפשר להחליף מודל בלחיצה, וזה יתרון גדול: אפשר להתחיל עם מודל חזק כדי להגיע לדיוק גבוה, ואז לבדוק אם מודל זול יותר שומר על אותה תוצאה בסט הבדיקות. אצלנו, סיווג פניות ושליפת תשובות ממאגר הידע עבדו היטב עם מודל מהיר וזול, ואילו ניסוח תשובות ללקוחות במקרים מורכבים נשאר על מודל חזק. ההחלטה נעשתה לפי המספרים מסט הבדיקות ולא לפי תחושה.

שלושה כללים שעזרו לנו:

• הנחיה אחת לכל מודל. מודלים שונים מגיבים אחרת לאותה הנחיה. כשמחליפים מודל, מריצים את כל סט הבדיקות מחדש.
• הגבלת אורך הקשר. כל הודעה בזיכרון עולה כסף בכל קריאה. סיכום היסטוריה חוסך עשרות אחוזים.
• תקציב חודשי בהתראה. צומת פשוט שסופר קריאות ושולח התראה כשחוצים סף. ככה אף אחד לא מופתע בסוף החודש.

איך בודקים סוכן AI לפני שמעלים לפרודקשן?

סוכן בלי סט בדיקות הוא הימור. ה-50 פניות ממיפוי השלב הראשון הפכו לסט קבוע. אחרי כל שינוי בהנחיה או בכלים, מריצים את כולן ומשווים:

• דיוק: האם התשובה נכונה לפי המקור? (ציון ידני או מודל שופט)
• העברה נכונה: האם הסוכן העביר לאדם כשהיה צריך, ולא העביר כשלא היה צריך?
• עלות וזמן: כמה קריאות למודל, כמה שניות.

בשלב מסוים שינוי “קטן” בהנחיה הוריד את הדיוק מ-91% ל-78%. בלי הסט לא היינו מגלים את זה עד שלקוחות היו מתלוננים. על ניטור ואמון יש לנו מדריך נפרד.

מה נשבר בפרודקשן ואיך פתרנו?

• כלי עם תיאור מעורפל. הסוכן הפעיל “שליפת לקוח” גם כשלא היה צריך. תיקון: תיאור כלי שאומר מתי להשתמש ומתי לא.
• זיכרון שהתנפח. שיחות ארוכות העלו עלות. תיקון: חלון זיכרון של 10 הודעות אחרונות וסיכום של הקודמות.
• הזיות על מדיניות. המודל “המציא” מדיניות החזרות. תיקון: הנחיה שמחייבת ציטוט, וכלל שאם אין מקור, מעבירים לאדם.
• שגיאות API של ה-CRM. הסוכן לא ידע מה לעשות עם שגיאה. תיקון: ענף שגיאה ב-workflow שמחזיר תשובה מנומסת ופותח כרטיס.

כמה זה עולה ומה ה-ROI?

החישוב פשוט ושווה לעשות אותו לפני שמתחילים: כמה פניות בחודש, כמה דקות לפנייה, מה עלות שעת עבודה. אצלנו: 6,000 פניות בחודש, 62% נענות אוטומטית, 7 דקות חיסכון לפנייה. זה כ-430 שעות בחודש מול עלות מודל של עשרות דולרים ויום בנייה. עוד על מדידה במרכז הנושא ROI של AI.

רוצים לבנות סוכן כזה עם הצוות שלכם ביום אחד? לסדנת n8n.