n8n AI Features อัปเดต: ความสามารถ AI ใหม่ล่าสุด

n8n เปลี่ยนตัวเองจากเครื่องมือ automation ธรรมดา มาเป็น platform สร้าง AI Agent ที่ใช้งานได้จริงในระดับ production ความสามารถ AI ของ n8n ในปี 2026 ก้าวหน้าไปมากจนหลายทีมเลือก n8n แทน framework อื่นอย่าง LangChain หรือ AutoGen สำหรับ use case ที่ต้องการ integrate กับ system ที่มีอยู่

AI Agent Node: หัวใจของ AI Workflow

AI Agent node คือ node ที่ให้ LLM ตัดสินใจว่าจะ “ทำอะไรต่อไป” โดยใช้ tools ที่กำหนดให้ ทำให้สร้าง multi-step AI task ได้โดยไม่ต้อง hard-code ทุก step

ฟีเจอร์ใหม่ใน AI Agent ปี 2026:

ReAct Agent ที่ปรับปรุงแล้ว

ReAct (Reasoning + Acting) คือ pattern ที่ AI วิเคราะห์สถานการณ์ก่อน แล้วค่อยเลือก action n8n 1.44+ ปรับปรุง ReAct ให้:

Chain of thought visible — ดูการ reasoning ของ AI ได้ใน execution log
Tool retry logic — ถ้า tool ล้มเหลว agent ลอง approach อื่นแทน
Parallel tool calling — เรียกหลาย tool พร้อมกันเมื่อ task เป็นอิสระจากกัน

Human-in-the-Loop

AI Agent สามารถหยุดรอ input หรือ approval จากมนุษย์ได้ในจุดที่กำหนด:

Trigger → AI Agent วิเคราะห์ → สร้าง draft action → รอ approval → ดำเนินการจริง

สร้างได้ด้วย Wait node ที่รับ webhook เมื่อมนุษย์ approve ผ่าน email link, Slack button, หรือ LINE ก็ได้

LLM Support ที่ครอบคลุม

n8n รองรับ LLM provider ทุกค่ายหลัก ผ่าน LangChain integration:

Provider	Models ที่รองรับ
OpenAI	GPT-4o, GPT-4o mini, o1, o3
Anthropic	Claude 3.5 Sonnet, Claude 3 Haiku
Google	Gemini 1.5 Pro, Gemini 1.5 Flash
Mistral	Mistral Large, Mistral Small
Ollama	ทุก model ที่รันบน local
AWS Bedrock	Claude, Llama ผ่าน Bedrock
Azure OpenAI	GPT models ผ่าน Azure

ใช้ Local LLM ด้วย Ollama

สำหรับ data ที่ sensitive หรือต้องการลดค่าใช้จ่าย สามารถใช้ Ollama รัน model บน server ตัวเองได้:

ติดตั้ง Ollama บน server หรือเครื่อง local
Pull model ที่ต้องการ: ollama pull llama3.2
ใน n8n เพิ่ม credential Ollama ใส่ URL: http://localhost:11434
เลือก Ollama เป็น model ใน AI Agent node

RAG (Retrieval-Augmented Generation)

n8n มี node ครบสำหรับสร้าง RAG pipeline:

Document Loaders

PDF — อ่าน PDF ด้วย built-in PDF node
Google Drive — ดึงเอกสารจาก Drive
URL — ดึง content จากเว็บ
Database — ดึงข้อมูลจาก MySQL, PostgreSQL

Text Splitters

แยก document ขนาดใหญ่ออกเป็น chunk เล็กๆ:

Character Text Splitter — แบ่งตามจำนวนตัวอักษร
Recursive Character Text Splitter — แบ่งตาม paragraph แล้วค่อยตัด
Token Text Splitter — แบ่งตาม token count

Vector Stores

เก็บและ search embedding:

Pinecone, Qdrant, Weaviate, Chroma
Supabase pgvector, PGVector (PostgreSQL)
In-memory (สำหรับ test เท่านั้น)

ดูตัวอย่าง RAG workflow ที่สมบูรณ์ได้ที่ สร้าง RAG Workflow ด้วย n8n

Memory Options สำหรับ AI Agent

AI Agent ใน n8n เลือก memory ได้หลายแบบตามความต้องการ:

Memory Type	เหมาะกับ	ข้อดี	ข้อเสีย
Buffer Memory	conversation สั้น	ง่าย, ไม่มี latency	context จำกัด
Window Buffer	conversation ยาว	ควบคุม context size	อาจ miss ข้อมูลเก่า
Summary Memory	conversation ยาวมาก	ลด token usage	อาจ lose detail
Vector Store Memory	knowledge base	ค้นหาข้อมูลได้	ต้องการ setup เพิ่ม

AI Tools ที่ใช้บ่อยใน n8n

นอกจาก custom workflow tools แล้ว n8n มี pre-built tools สำหรับ AI Agent:

Calculator — คำนวณตัวเลข
Wikipedia — ค้นหาข้อมูลจาก Wikipedia
SerpAPI — ค้น Google Search
Code Execution — รัน Python/JS snippet
HTTP Request — เรียก API ภายนอก
Workflow — เรียก n8n workflow อื่นเป็น tool

ตัวอย่าง Use Cases AI ที่พร้อมใช้งาน

Customer Support Bot ที่รู้ข้อมูลจริง

LINE Webhook → AI Agent (RAG จากฐานข้อมูลสินค้า) → Reply ลูกค้า

Email Triage อัตโนมัติ

Gmail Trigger → AI Agent (อ่าน email, จัดหมวดหมู่) → ส่งต่อทีมที่เหมาะสม

Report สรุปข้อมูล

Schedule → ดึงข้อมูลจาก Database → AI สรุปและวิเคราะห์ → ส่ง LINE Notify

ดูตัวอย่าง workflow เพิ่มเติมที่ สร้าง AI Agent ด้วย n8n และ n8n AI Workflow Guide

อยากเรียน n8n แบบเป็นระบบ ตั้งแต่เริ่มต้นจนสร้าง Workflow ใช้งานจริงได้ ลองดู คอร์สสอน n8n ที่ aiunlock.co