n8nのAI機能は、LangChainフレームワークをベースに構築されています。AI Agentノード、Chat Modelノード、Vector Storeノードなど、普段使っているAIノードの背後にはLangChainの機能が動いています。
この記事では、n8nにおけるLangChain統合の仕組みを理解し、約70種類以上のAI関連ノードを使いこなすための技術的な詳細を解説します。
この記事でわかること
- n8nのAIノードとLangChainの関係
- Root NodesとSub-Nodesのアーキテクチャ
- AI Agent、Chain、Memory、Toolsの使い分け
- LangChain Code Nodeによる高度なカスタマイズ
- Multi-Agent構成とオーケストレーション
n8nのLangChain統合アーキテクチャ
n8nは@n8n/n8n-nodes-langchainパッケージを通じて、LangChain JavaScript/TypeScriptライブラリと統合しています。この統合により、LangChainの主要な概念をノードとして利用できます。
LangChainの主要概念とn8nノードの対応
| LangChain概念 | n8nノードカテゴリ | 役割 |
|---|---|---|
| Language Models | Chat Models / LLMs | テキスト生成の中核エンジン |
| Agents | AI Agent | ツール選択と実行の自律的判断 |
| Chains | Chain Nodes | 処理の連鎖的実行 |
| Memory | Memory Nodes | 会話履歴の保持 |
| Tools | Tool Nodes | 外部システムとの連携 |
| Vector Stores | Vector Store Nodes | 埋め込みデータの格納・検索 |
| Embeddings | Embeddings Nodes | テキストのベクトル化 |
| Document Loaders | Data Loader Nodes | ドキュメントの読み込み |
| Text Splitters | Text Splitter Nodes | テキストのチャンク分割 |
| Output Parsers | Output Parser Nodes | LLM出力の構造化 |
Root NodesとSub-Nodesの関係
n8nのLangChainノードは、Root Nodes（ルートノード）とSub-Nodes（サブノード）の2種類に分類されます。
Root Nodes（ルートノード）
ワークフローのメインの処理を担当し、execute()メソッドを実装します。
- AI Agent
- Basic LLM Chain
- Question and Answer Chain
- Summarization Chain
- Information Extractor
- Text Classifier
- Sentiment Analysis
Sub-Nodes（サブノード）
Root Nodesにアタッチして機能を提供し、supplyData()メソッドを実装します。
- Chat Models（OpenAI、Anthropic、Gemini、Ollama等）
- Memory（Window Buffer Memory、Postgres Chat Memory等）
- Tools（HTTP Request Tool、Calculator、Code Tool等）
- Vector Stores（Pinecone、Qdrant、Supabase等）
- Embeddings（OpenAI、Gemini等）
- Document Loaders
- Text Splitters
- Output Parsers
ノード接続の仕組み
Sub-NodesはRoot Nodesの特定のコネクタに接続します。AI Agentノードの場合：
- Chat Model：必須。GPT-4o、Claude、Gemini等のLLMを接続
- Memory：オプション。会話履歴を保持
- Tools：オプション。エージェントが使用できるツール群
- Output Parser：オプション。出力を構造化
AI Agentノードの詳細
AI Agentノードは、n8nのLangChain統合で最も重要なノードです。LLMを使って自律的に判断し、ツールを選択・実行します。
AI Agentの種類
| Agent Type | 特徴 | 用途 |
|---|---|---|
| Tools Agent | OpenAI Function Callingベース | 最も汎用的、推奨 |
| Conversational Agent | 会話に最適化 | チャットボット |
| OpenAI Functions Agent | OpenAI専用 | OpenAIモデル使用時 |
| ReAct Agent | Reasoning + Acting | 複雑な推論タスク |
| Plan and Execute Agent | 計画→実行 | 複数ステップのタスク |
Tools Agentの設定
基本パラメータ
- Agent Type：Tools Agent（推奨）
- Prompt：Take from previous node automatically または Define below
- System Message：エージェントの役割と制約を定義
- Max Iterations：ツール実行の最大回数（デフォルト: 10）
- Return Intermediate Steps：推論過程を出力に含めるか
System Messageの設計例
あなたは社内ナレッジベースを検索して質問に回答するアシスタントです。
【役割】
- ユーザーの質問に対して、まずナレッジベース検索ツールで関連情報を取得
- 取得した情報に基づいて回答を生成
- 情報が見つからない場合は正直に「該当する情報がありません」と回答
【制約】
- 推測や一般知識での回答は禁止
- 必ずツールで取得した情報に基づいて回答
- 回答には必ず出典（ドキュメント名）を含める
【利用可能なツール】
{tools}
【ユーザーの質問】
{input}
Agentの実行フロー
- ユーザーからの入力を受け取る
- System MessageとToolsの情報をLLMに渡す
- LLMがどのツールを使うか判断
- 選択されたツールを実行
- ツールの結果をLLMに渡す
- さらにツールが必要か判断（Max Iterationsまで繰り返し）
- 最終回答を生成
Chainノードの使い方
Chainノードは、より構造化された処理フローを提供します。Agentほど自律的ではありませんが、予測可能な動作が必要な場合に適しています。
主要なChainノード
Basic LLM Chain
シンプルなプロンプト→レスポンスの処理。
- 用途：テキスト生成、翻訳、要約など
- 接続：Chat Model（必須）、Memory（オプション）
Question and Answer Chain
ドキュメントに基づく質問応答。
- 用途：RAGシステムの回答生成部分
- 接続：Chat Model、Retriever（Vector Store経由）
Summarization Chain
長文の要約。
- 用途：ドキュメント要約、議事録要約
- 接続：Chat Model、Document Loader
- 戦略：Map Reduce、Refine、Stuff
ChainとAgentの使い分け
| 要件 | 推奨 | 理由 |
|---|---|---|
| 決まった処理フロー | Chain | 予測可能な動作 |
| 外部ツールの動的選択 | Agent | 自律的判断が必要 |
| 単純なQ&A | Chain（Q&A） | オーバーヘッドが少ない |
| 複雑なマルチステップタスク | Agent | 柔軟な対応が可能 |
| コスト最適化重視 | Chain | トークン消費が少ない |
Memoryノードの活用
Memoryノードは、会話の履歴を保持してコンテキストを維持します。
Memory Nodeの種類
| Memory Type | 保存先 | 特徴 |
|---|---|---|
| Window Buffer Memory | インメモリ | 直近N件の会話を保持、セッション間で消失 |
| Postgres Chat Memory | PostgreSQL | 永続化、複数セッション対応 |
| Redis Chat Memory | Redis | 高速、TTL設定可能 |
| Motorhead Memory | Motorhead | 長期記憶の管理 |
| Xata Memory | Xata | サーバーレス対応 |
| Zep Memory | Zep | 要約機能付き |
Window Buffer Memoryの設定
- Context Window Length：保持するメッセージ数（デフォルト: 5）
- Session ID Key：セッション識別子のキー
Session IDの設計
ユーザーごと、または会話ごとに一意のセッションIDを設定します。
// ユーザーIDベース
{{ $json.userId }}
// 会話IDベース
{{ $json.conversationId }}
// Webhook経由の場合
{{ $json.headers['x-session-id'] }}
Postgres Chat Memoryの設定
永続的な会話履歴が必要な場合に使用します。
必要なテーブル
CREATE TABLE IF NOT EXISTS n8n_chat_histories (
id SERIAL PRIMARY KEY,
session_id VARCHAR(255) NOT NULL,
message JSONB NOT NULL,
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);
CREATE INDEX idx_session_id ON n8n_chat_histories(session_id);
パラメータ
- Session ID：セッション識別子
- Table Name：履歴を保存するテーブル名
- Context Window Length：コンテキストに含めるメッセージ数
Toolsの設計と実装
Toolsは、AI Agentが外部システムと連携するためのインターフェースです。
標準Tool Nodes
| Tool | 用途 | 設定のポイント |
|---|---|---|
| HTTP Request Tool | 任意のAPIを呼び出し | URLとパラメータを動的に設定 |
| Calculator | 数値計算 | 設定不要 |
| Code Tool | JavaScript実行 | カスタムロジック |
| Vector Store Tool | ベクトル検索 | RAG用途 |
| Wikipedia | Wikipedia検索 | 設定不要 |
| SerpAPI | Google検索 | APIキー必要 |
| Workflow Tool | サブワークフロー呼び出し | モジュール化に有効 |
Tool設計のベストプラクティス
1. 明確なName と Description
LLMがツールを選択する際の判断材料になります。
Name: search_company_policies
Description: 社内規定や就業規則を検索します。
有給休暇、勤務時間、福利厚生などに関する質問に使用してください。
2. 入力スキーマの定義
ツールが受け取るパラメータを明確に定義します。
{
"type": "object",
"properties": {
"query": {
"type": "string",
"description": "検索クエリ"
},
"category": {
"type": "string",
"enum": ["人事", "経理", "IT"],
"description": "検索カテゴリ"
}
},
"required": ["query"]
}
3. Workflow Toolによるモジュール化
複雑な処理は別ワークフローとして切り出し、Workflow Toolで呼び出します。
- メインワークフロー：AI Agent + Workflow Tool
- サブワークフロー：データ取得、加工、外部API連携など
LangChain Code Nodeによる高度なカスタマイズ
標準ノードでは実現できない機能は、LangChain Code Nodeで直接LangChainのコードを書くことで実装できます。
LangChain Code Nodeの特徴
- 制限：セルフホスト版のn8nでのみ利用可能（Cloud版では不可）
- 入力：Language Model、Memory、Tools、Document Loaderなど
- 出力：カスタム処理の結果
入力の追加方法
- LangChain Code Nodeを追加
- 「Add Input」をクリック
- 必要な入力タイプを選択（Language Model、Memory、Tool等）
- 対応するSub-Nodeを接続
コード実装例：カスタムプロンプトテンプレート
const { ChatPromptTemplate } = require("@langchain/core/prompts");
const { RunnableSequence } = require("@langchain/core/runnables");
// 入力からLanguage Modelを取得
const model = await this.getInputConnectionData('ai_languageModel', 0);
// カスタムプロンプトテンプレート
const prompt = ChatPromptTemplate.fromMessages([
["system", あなたは{role}です。],
以下のガイドラインに従って回答してください：
{guidelines}
["human", "{input}"]
]);
// チェーンの構築
const chain = RunnableSequence.from([
prompt,
model
]);
// 実行
const result = await chain.invoke({
role: "技術サポートエンジニア",
guidelines: "専門用語は避け、わかりやすく説明してください",
input: $input.first().json.question
});
return [{ json: { response: result.content } }];
コード実装例：カスタムエージェント
const { AgentExecutor, createToolCallingAgent } = require("langchain/agents");
const { ChatPromptTemplate, MessagesPlaceholder } = require("@langchain/core/prompts");
// 入力の取得
const model = await this.getInputConnectionData('ai_languageModel', 0);
const tools = await this.getInputConnectionData('ai_tool', 0);
const memory = await this.getInputConnectionData('ai_memory', 0);
// プロンプトテンプレート
const prompt = ChatPromptTemplate.fromMessages([
["system", "あなたは有能なアシスタントです。"],
new MessagesPlaceholder("chat_history"),
["human", "{input}"],
new MessagesPlaceholder("agent_scratchpad")
]);
// エージェントの作成
const agent = await createToolCallingAgent({
llm: model,
tools: tools,
prompt: prompt
});
// エグゼキューターの作成
const executor = new AgentExecutor({
agent,
tools,
memory,
maxIterations: 10,
verbose: true
});
// 実行
const result = await executor.invoke({
input: $input.first().json.question
});
return [{ json: result }];
Multi-Agent構成
複数のエージェントを協調させる構成は、複雑なタスクを処理する際に有効です。
AI Agent Tool によるオーケストレーション
AI Agent ToolノードをSub-Nodeとして使用することで、あるエージェントが別のエージェントを呼び出す階層構造を作れます。
構成例：専門エージェントの委譲
[メインAgent]
├── Tool: search_agent (検索専門Agent)
├── Tool: calculation_agent (計算専門Agent)
└── Tool: writing_agent (文章作成専門Agent)
設定のポイント
- 各専門エージェントは独立したワークフローとして構築
- メインエージェントのToolsにAI Agent Toolとして接続
- AI Agent Toolの「Description」で専門分野を明確に記述
Workflow Toolによるモジュール構成
より柔軟な構成として、Workflow Toolを使ったアプローチもあります。
構成例
[Main Workflow]
├── AI Agent
│ ├── Tool: HR_Workflow (人事関連処理)
│ ├── Tool: Finance_Workflow (経理関連処理)
│ └── Tool: IT_Workflow (IT関連処理)
[HR_Workflow]
├── Trigger: Execute Workflow
├── AI Agent (HR専門)
└── Response
[Finance_Workflow]
├── Trigger: Execute Workflow
├── AI Agent (経理専門)
└── Response
Output Parserによる出力の構造化
LLMの出力を構造化されたデータとして取得するためにOutput Parserを使用します。
Structured Output Parser
JSON形式で出力を構造化します。
スキーマ定義例
{
"type": "object",
"properties": {
"summary": {
"type": "string",
"description": "内容の要約"
},
"sentiment": {
"type": "string",
"enum": ["positive", "negative", "neutral"],
"description": "感情分析結果"
},
"keywords": {
"type": "array",
"items": { "type": "string" },
"description": "キーワードリスト"
},
"score": {
"type": "number",
"description": "重要度スコア（1-10）"
}
},
"required": ["summary", "sentiment"]
}
Auto-fixing Output Parser
LLMの出力がスキーマに合わない場合、自動的に修正を試みます。
- 内部でLLMを再度呼び出して修正
- コストが増加する可能性あり
- 重要なタスクでは有効
デバッグとモニタリング
n8n内でのデバッグ
Intermediate Stepsの確認
AI AgentノードのReturn Intermediate Stepsをオンにすると、エージェントの思考過程と各ツール呼び出しの結果を確認できます。
実行履歴の確認
n8nの実行履歴から、各ノードの入出力データを確認できます。
Langsmith連携（セルフホスト版）
LangChainの公式モニタリングツールLangsmithと連携することで、より詳細なトレースが可能になります。
環境変数の設定
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=your-langsmith-api-key
LANGCHAIN_PROJECT=n8n-production
Langsmithで確認できる情報
- トークン使用量とコスト
- 各ステップのレイテンシ
- エラーの詳細
- プロンプトと出力の履歴
パフォーマンス最適化
トークン消費の削減
- System Messageを簡潔に
- 不要なツールの説明を削除
- Max Iterationsを適切に設定
- 必要に応じてgpt-4o-miniなど軽量モデルを使用
レイテンシの改善
- ストリーミング出力の活用
- 並列実行可能な処理の分離
- キャッシュの活用（頻出クエリ）
エラーハンドリング
- Error Triggerでエラーをキャッチ
- リトライロジックの実装
- フォールバック処理の設計
よくある質問（FAQ）
Q. LangChain Code Nodeはn8n Cloudで使えますか？
A. いいえ、LangChain Code Nodeはセルフホスト版のn8nでのみ利用可能です。Cloud版では標準のAIノードを組み合わせて実装してください。
Q. AI AgentとBasic LLM Chainはどちらを使うべきですか？
A. 外部ツールを使った動的な処理が必要な場合はAI Agent、シンプルなプロンプト→レスポンスの処理ならBasic LLM Chainを使用してください。Chainの方がトークン消費が少なく、動作も予測しやすいです。
Q. Memoryはセッション間で保持されますか？
A. Window Buffer Memoryはインメモリのため、ワークフロー実行間で消失します。永続化が必要な場合はPostgres Chat MemoryやRedis Chat Memoryを使用してください。
Q. Multi-Agent構成のコストを抑えるには？
A. 専門エージェントにはgpt-4o-miniなどコスト効率の良いモデルを使用し、メインエージェントのみgpt-4oを使用する構成が有効です。また、必要な場合のみ専門エージェントを呼び出すよう、ToolのDescriptionを適切に設計してください。
Q. ToolのDescriptionはどの程度詳細に書くべきですか？
A. LLMがツールを正しく選択できるよう、具体的なユースケースや使用条件を記述してください。短すぎると誤選択の原因になり、長すぎるとトークン消費が増加します。1-3文程度が目安です。
まとめ
この記事では、n8nのLangChain統合について技術的な詳細を解説しました。
アーキテクチャの要点
- n8nのAIノードはLangChainをベースに構築
- Root Nodes（Agent、Chain）とSub-Nodes（Model、Memory、Tools）の階層構造
- 約70種類以上のAI関連ノードが利用可能
主要コンポーネント
- AI Agent：自律的なツール選択と実行
- Chain：構造化された処理フロー
- Memory：会話履歴の保持
- Tools：外部システム連携
- Output Parser：出力の構造化
高度なテクニック
- LangChain Code Nodeによるカスタム実装（セルフホスト版）
- AI Agent ToolによるMulti-Agent構成
- Workflow Toolによるモジュール化
- Langsmith連携によるモニタリング
次のステップ
- 基本的なAI Agent + Tools構成を構築
- Memoryを追加して会話コンテキストを保持
- Output Parserで出力を構造化
- Workflow Toolでモジュール化
- （セルフホスト版）LangChain Code Nodeで高度なカスタマイズ
n8nのLangChain統合を理解することで、より柔軟で高度なAIワークフローを構築できます。標準ノードの組み合わせで解決できない要件は、LangChain Code Nodeでの直接実装を検討してください。