KI-Workflows ohne Code — wie weit das wirklich trägt.
Grundlagen 9 min Einsteiger 26. April 2026
Du hast gelernt, wie man LLMs promptet, Dokumente per RAG bereitstellt, externe Tools über Function Calling einbindet und Services über APIs verbindet. Bisher lebte jeder Baustein in einem eigenen Skript oder Notebook. Was wäre, wenn du alle Teile auf einer visuellen Arbeitsfläche zusammenstecken könntest — ohne Code — und das Ergebnis als Live-Service für dein Team deployen?
n8n macht genau das. Es verwandelt die KI-Bausteine, die du bereits kennst, in eine visuelle Pipeline: Jeder Schritt ist ein verschiebbarer Knoten, der Datenfluss ist an jeder Verbindung sichtbar, und der gesamte Workflow lässt sich ohne traditionellen Code auslösen, testen und deployen.
Workflow-Anatomie: Trigger, Nodes und Datenfluss
Ein Workflow ist eine automatisierte Abfolge: Ein Trigger startet die Ausführung, Nodes führen einzelne Schritte aus (Daten abrufen, transformieren, APIs aufrufen, KI einsetzen), und Connections leiten die Ausgabe eines Nodes als Eingabe an den nächsten weiter. Der entscheidende Punkt: Was in einem Skript unsichtbare Variablenzuweisungen wären, wird auf der Canvas zu einer sichtbaren, prüfbaren Daten-Pipeline.
Trigger / Node / Workflow
AnalogieDefinition
Stell dir ein Fließband in einer Fabrik vor. Das Rohmaterial (Trigger-Ereignis) kommt an einem Ende an, jede Station (Node) führt genau eine Operation aus, und das fertige Produkt (Output) kommt am anderen Ende heraus. Wenn etwas schiefgeht, gehst du zur betreffenden Station und prüfst ihre Ein- und Ausgabe — du musst nicht die gesamte Fabrik-Blaupause durchlesen.
Analogie:
Stell dir ein Fließband in einer Fabrik vor. Das Rohmaterial (Trigger-Ereignis) kommt an einem Ende an, jede Station (Node) führt genau eine Operation aus, und das fertige Produkt (Output) kommt am anderen Ende heraus. Wenn etwas schiefgeht, gehst du zur betreffenden Station und prüfst ihre Ein- und Ausgabe — du musst nicht die gesamte Fabrik-Blaupause durchlesen.
Definition:
Trigger: Das auslösende Ereignis, das den Workflow startet (z. B. Zeitplan, Webhook, Chat-Nachricht). Node: Ein einzelner Verarbeitungsschritt — Daten abrufen, transformieren, senden oder KI aufrufen. Workflow: Die verbundene Kette von Nodes, vom Trigger bis zur Ausgabe.
Ein konkreter Workflow mit vier Nodes, null Zeilen Code und einem vollautomatischen wöchentlichen Prozess:
Beispiel: Das Montags-Briefing
1
Schedule Trigger: Feuert jeden Montag um 9:00 Uhr
2
HTTP-Request: Ruft Tech-News von einem RSS-Feed ab
3
LLM-Node: Fasst die wichtigsten Meldungen zusammen
4
Slack-Node: Postet die Zusammenfassung in den Team-Channel
Beachte: Im Gegensatz zu einem echten Fließband können n8n-Workflows auch verzweigen — ein IF-Node leitet Daten je nach Bedingung auf verschiedene Pfade.
n8n
Self-Hosted möglich, Open Source, vollständige KI-Nodes (Agent, RAG, Memory), erweiterbar mit eigenem Code
Zapier
Nur Cloud, einfache Automationen, eingeschränkte KI-Integration, kein Self-Hosting
Achtung: No-Code heißt nicht No-Knowledge
n8n beseitigt die Notwendigkeit, Syntax zu schreiben, aber du brauchst weiterhin ein Verständnis von JSON-Strukturen, API-Authentifizierung (Credentials), Fehlerbehandlung und Datenfluss. No-Code ist Code-frei, nicht Wissen-frei.
Interaktiv: Bringe die Workflow-Nodes in die richtige Reihenfolge
Du hast gerade die Workflow-Anatomie kennengelernt: Trigger, Nodes und Datenfluss. Jetzt bist du dran — bringe die vier Nodes des Montags-Briefings in die richtige Ausführungsreihenfolge.
Bringe die vier Workflow-Nodes in die richtige Ausführungsreihenfolge. Ziehe die Karten oder nutze die Pfeiltasten.
Zuerst
1.Slack Node (Nachricht senden)
2.OpenAI Node (Zusammenfassung)
3.HTTP Request (Kalender abrufen)
4.Cron Trigger (Montag 7:00)
Zuletzt
KI-Nodes: Function Calling auf der Canvas
Der AI Agent Node von n8n ist ein visueller Wrapper um das Function-Calling-Pattern, das du bereits kennst. Das LLM erhält einen Prompt und eine Liste verfügbarer Tools (als Sub-Nodes verbunden). Es entscheidet, welches Tool aufgerufen wird, n8n führt den Aufruf aus, speist das Ergebnis zurück ins LLM, und das LLM formuliert seine Antwort.
Architektur eines AI Agent Node
Chat Trigger — Empfängt die Nutzernachricht
AI Agent — Orchestriert LLM, Tools und Memory
Sub-Nodes — Chat-Modell, Tools, Memory, Vector Store
Chat-Modell Das LLM, das Antworten generiert (z. B. GPT, Ollama)
Tools Externe Werkzeuge, die der Agent aufrufen kann
Memory Speichert den Gesprächsverlauf für Multi-Turn-Dialoge
Vector Store Dokumentensuche per Embedding-Abfrage (RAG)
Embeddings Wandelt Text in numerische Vektoren um
Data Loader Lädt Dokumente für die Vektordatenbank
Stell dir einen Projektleiter (AI Agent) an einem Schreibtisch mit einem Telefonverzeichnis (Tool-Liste) vor. Wenn eine Frage kommt, kennt der Leiter nicht selbst die Antwort, aber er weiß, wen er anrufen muss. Er greift zum Telefon (Function Calling), fragt den Spezialisten (Tool-Node), bekommt die Antwort und schreibt den Abschlussbericht. Auf der n8n-Canvas siehst du jeden Anruf als Verbindung zwischen Nodes.
Wichtig: Die Analogie suggeriert einen Anruf pro Frage. In der Praxis kann ein Agent mehrere Tool-Aufrufe hintereinander verketten, bevor er antwortet.
Praxisbeispiel: Lokale RAG-Pipeline mit n8n
Das n8n AI Starter Kit verbindet: einen Ollama Chat Model Node (lokales LLM), einen Qdrant Vector Store Retriever (Dokumentensuche) und einen Window Buffer Memory (Gesprächshistorie). Wenn ein Nutzer über den Chat Trigger eine Frage stellt, ruft der Agent relevante Dokumentenabschnitte aus Qdrant ab, kombiniert sie mit der Gesprächshistorie und sendet alles an Ollama zur Antwortgenerierung — sichtbar auf der Canvas, ohne Code.
Achtung: Der Agent ersetzt nicht das Denken
Der AI Agent Node verpackt bekannte Konzepte (Prompting + Tool-Nutzung + Retrieval + Memory) in eine visuelle Oberfläche. Er automatisiert die Orchestrierung, nicht das Verständnis. Du musst weiterhin den Prompt entwerfen, die richtigen Tools wählen, die Wissensbasis pflegen und die Ausgaben validieren.
Vom Experiment zum API: Webhooks und Human Fallback
Ein Webhook-Node stellt eine URL bereit, die beim Aufruf per HTTP den Workflow startet. Kombiniert mit einem Respond-to-Webhook-Node am Ende verhält sich der Workflow wie ein eigenes API: Anfrage rein, Verarbeitung in der Mitte, strukturierte Antwort raus.
Stell dir ein Restaurant mit einem Koch und einem Maître d' vor. Bestellungen (HTTP-Requests) kommen durch die Eingangstür (Webhook-URL). Der Koch (KI-Workflow) bereitet das Gericht zu (verarbeitet die Anfrage). Wenn das Gericht gut aussieht (hohe Konfidenz), serviert der Maître d' (Respond to Webhook) es direkt. Wenn der Koch bei einer Zutat unsicher ist (niedrige Konfidenz), bringt der Maître d' das Gericht nicht zum Gast, sondern zum Manager zur Kontrolle (Human Fallback).
Wichtig: Im Gegensatz zu einem Restaurant, das Bestellungen nacheinander bearbeitet, können Webhooks parallele Anfragen gleichzeitig verarbeiten.
Workflow-Beispiel: Support-Bot mit Human Fallback
1
Webhook empfängt Kundenfrage per HTTP
2
Retriever durchsucht die FAQ-Wissensbasis
3
LLM (Ollama) generiert eine Antwort
4
IF-Node prüft: Konfidenz über Schwellenwert?
5
Ja → Antwort zurücksenden. Nein → Support-Ticket erstellen und Mensch benachrichtigen.
Dieses Pattern — klare Fälle automatisieren, mehrdeutige an Menschen eskalieren — trennt eine Demo von einem produktionsreifen System. Fünf Nodes, kein Code, klare Trennung zwischen automatischer und menschlicher Bearbeitung.
Achtung: Webhooks sind keine komplizierte Server-Infrastruktur
In n8n ist ein Webhook-Node ein einzelnes Drag-and-Drop-Element, das automatisch eine URL generiert. Keine Server-Konfiguration, kein Routing-Code, kein Framework-Setup. Die Komplexität liegt im Design der Workflow-Logik, nicht im Erstellen des Endpunkts.
Vertiefung: Self-Hosting mit lokaler KI
Das n8n AI Starter Kit kombiniert n8n mit Ollama (lokales LLM) und Qdrant (Vector Store) zu einer vollständig lokalen KI-Pipeline. Daten verlassen nie deine Infrastruktur, es fallen keine API-Kosten an, und du behältst die volle Kontrolle.
Das ist besonders relevant bei sensiblen Daten, Compliance-Anforderungen oder wenn du mit begrenztem Budget experimentieren willst — keine API-Gebühren pro Token, sondern einmalige Hardware-Kosten.
Kernpunkte
Ein Workflow ist eine Kette kleiner, testbarer Schritte (Nodes), gestartet durch einen Trigger. Die visuelle Canvas macht den Datenfluss an jedem Punkt explizit sichtbar — anders als Skripte, in denen Transformationen in Variablen versteckt sind.
Der AI Agent Node von n8n ist Function Calling, sichtbar gemacht: Das LLM entscheidet, welches Tool aufgerufen wird, aber du kannst die Entscheidung, die Tool-Ausführung und das Ergebnis an jeder Node-Grenze sehen.
Webhook + Respond to Webhook verwandelt jeden Workflow in ein leichtgewichtiges API — füge einen Konfidenz-Check und Human Fallback hinzu, und du hast einen produktionsreifen KI-Service.
Du hast den Pfad "Agenten & Automatisierung" abgeschlossen. Als nächstes erfährst du, wie KI die Art verändert, wie Software selbst geschrieben wird — im Pfad "KI in der Softwareentwicklung".
Quiz: No-Code Workflows mit n8n
Frage 1 / 5
Noch offen
Was ist die Rolle eines Triggers in einem n8n-Workflow?
1. Was ist die Rolle eines Triggers in einem n8n-Workflow?
☐ A) Er verarbeitet Daten zwischen Nodes
☐ B) Er definiert das auslösende Ereignis, das den Workflow startet
☐ C) Er sendet die finale Antwort an den Nutzer
☐ D) Er speichert Daten in einer Vektordatenbank
2. Du willst einen Workflow bauen, der täglich Nachrichten zusammenfasst und die Zusammenfassung in einen Team-Chat postet. Welche Abfolge von n8n-Nodes verwendest du?
3. Ein AI Agent Node in n8n ist mit einem Rechner-Tool und einem Wetter-API-Tool verbunden. Ein Nutzer fragt: "Brauche ich morgen in Berlin einen Regenschirm?" Welches Tool ruft der Agent auf, und warum?
☐ A) Rechner, weil die Regenwahrscheinlichkeit berechnet werden muss
☐ B) Wetter-API, weil die Frage externe Echtzeitdaten erfordert, die das LLM nicht hat
☐ C) Beide Tools gleichzeitig, weil Agenten immer alle verfügbaren Tools nutzen
☐ D) Keines — das LLM kennt das Wetter von morgen bereits
4. Dein n8n-Support-Bot beantwortet Kundenfragen per Webhook. Beim Testen fällt dir auf, dass er manchmal selbstsicher klingende, aber falsche Antworten gibt. Welche architektonische Verbesserung löst dieses Problem, ohne die Automatisierung zu entfernen?
☐ A) Die KI komplett entfernen und alle Fragen an Menschen weiterleiten
☐ B) Einen Konfidenz-Schwellenwert nach der KI-Antwort hinzufügen — hochkonfidente Antworten an den Kunden, niedrigkonfidente an einen menschlichen Prüfer
☐ C) Die LLM-Temperatur erhöhen, um kreativere Antworten zu erzeugen
☐ D) Mehr Nodes hinzufügen, um den Workflow länger zu machen
5. Ein Kollege sagt: "n8n ist nur ein Spielzeug für einfache Automationen — echte KI-Systeme muss man von Grund auf programmieren." Welche Antwort bewertet diese Behauptung am besten?
☐ A) Richtig — No-Code-Tools können keine KI-Workloads bewältigen
☐ B) Teilweise richtig — n8n kann einfache Automationen, aber keine LLMs oder Vector Stores integrieren
☐ C) Falsch — n8n unterstützt AI Agent Nodes, RAG-Pipelines, lokale LLMs über Ollama und Self-Hosted-Deployments, erfordert aber weiterhin technisches Verständnis von APIs, JSON und KI-Konzepten