Každý, kdo zkoušel automatizovat práci přes Zapier nebo Make, narazil na stejnou zeď: platíš za každý task, nevidíš, co se uvnitř děje, a když potřebuješ vlastní logiku, nástroj tě pustí jen do omezeného JavaScriptu. Přesně ten problém řeší n8n — open-source platforma, kterou si nasadíš na vlastní server, platíš nula korun za exekuce a máš plnou kontrolu nad daty i AI agentem.
V létě 2026 je n8n 2.x stabilní volba pro týmy, které chtějí kombinovat vizuální návrh workflow s reálným kódem a nativními AI agenty. Tenhle článek je průvodce, jak ho uvést do produkce — od Docker Compose přes AI Agent node až po guardraily, které zabrání tomu, aby ti jeden špatně nastavený workflow prožral API kredit.
Proč n8n a ne Zapier nebo Make
Rozdíl není v tom, že by n8n uměl „více integrací" (má jich přes 400, Zapier přes 7000). Rozdíl je v kontrole. Tři konkrétní věci, které n8n nabídne a SaaS konkurence ne:
- Self-hosting. Workflow běží na tvém serveru, přihlašovací údaje k API nikdy neopustí tvou infrastrukturu. Pro firmy s NDA, GDPR nebo regulovaná data (finance, zdravotnictví) je to tvrdý požadavek, ne příjemný bonus.
- Neomezené exekuce. U Zapieru platíš $29.99 měsíčně za 750 tasků. U n8n self-hosted běží 10 000 exekucí denně za stejnou cenu jako 100 — tedy za cenu serveru. Škáluje to od startupu po enterprise.
- Native AI Agent node. n8n má v základu node, který kombinuje LLM (OpenAI, Anthropic, lokální modely přes Ollama), paměť (Postgres, Redis), tools (HTTP, databáze, vlastní funkce) a guardraily. Nepotřebuješ externí orchestraci typu LangChain — všechno je na jednom plátně.
Když si k tomu přičteš možnost psát v Code node JavaScript i Python, verzovat workflow přes Git a mít audit log, dostáváš platformu, která je pro vývojáře a tech-savvy operátory mnohem zajímavější než cokoliv closed-source.
Architektura produkčního nasazení
Než začneš stavět workflow, musíš mít spolehlivý základ. Produkční setup má tři komponenty:
- n8n (kontejner) — aplikace a editor
- PostgreSQL 16 — perzistentní úložiště workflow, exekucí a zašifrovaných credentials
- Reverse proxy (Caddy nebo Traefik) — TLS, doména, přesměrování webhooků
Minimální hardwarové požadavky jsou 2 CPU a 2 GB RAM, ale pro produkci s AI agenty doporučuji 4 CPU a 4–8 GB RAM. AI node si drží kontext v paměti a u složitějších workflow se to projeví.
docker-compose.yml, který nefunguje jen na localhostu
version: "3.8"
services:
postgres:
image: postgres:16-alpine
restart: always
environment:
POSTGRES_USER: n8n
POSTGRES_PASSWORD: ${POSTGRES_PASSWORD}
POSTGRES_DB: n8n
volumes:
- postgres_data:/var/lib/postgresql/data
healthcheck:
test: ["CMD-SHELL", "pg_isready -U n8n"]
interval: 10s
timeout: 5s
retries: 5
n8n:
image: n8nio/n8n:1.62.4
restart: always
ports:
- "5678:5678"
environment:
DB_TYPE: postgresdb
DB_POSTGRESDB_HOST: postgres
DB_POSTGRESDB_PORT: 5432
DB_POSTGRESDB_DATABASE: n8n
DB_POSTGRESDB_USER: n8n
DB_POSTGRESDB_PASSWORD: ${POSTGRES_PASSWORD}
N8N_ENCRYPTION_KEY: ${N8N_ENCRYPTION_KEY}
N8N_HOST: ${N8N_HOST}
N8N_PROTOCOL: https
WEBHOOK_URL: https://${N8N_HOST}/
GENERIC_TIMEZONE: Europe/Prague
N8N_DIAGNOSTICS_ENABLED: false
volumes:
- n8n_data:/home/node/.n8n
depends_on:
postgres:
condition: service_healthy
volumes:
postgres_data:
n8n_data:
Pozor na dvě věci, které Češi v nasazení nejčastěji poděláme. Za prvé: N8N_ENCRYPTION_KEY musíš nastavit explicitně. Pokud ho nenastavíš, n8n si vygeneruje náhodný, ale při znovuvytvoření kontejneru (např. aktualizace) se klíč změní a všechny uložené credentials se stanou nečitelnými. Vygeneruj ho přes openssl rand -hex 32 a ulož do .env nebo secret manageru. Za druhé: vždy přiřazuj konkrétní verzi image (n8nio/n8n:1.62.4), nikdy ne latest. Tag latest ti při upgrade přepíše major verzi a workflow může přestat fungovat.
Tři workflow, které se vyplatí postavit jako první
Nespouštěj se složitými multi-agent systémy. Zkus tři konkrétní automatizace, které mají rychlou návratnost a naučí tě vzorce, které pak použiješ všude.
1. Webhook → transformace → Slack notifikace
Nejjednodušší case, ale ukazuje základní flow. Přijmeš POST request (např. z GitLab CI když selhne build), v Code node přeformátuješ payload a pošleš do Slacku. Klíčové je, že u production webhooku URL obsahuje /webhook/, nikoli /webhook-test/ — ten druhý funguje jen během testování a je nejčastější důvod, proč „n8n nic nedělá" po nasazení.
2. AI klasifikace příchozích emailů
Tady se dostáváš k AI Agent node. Trigger je IMAP node (nový email). AI Agent node dostane jako input tělo emailu a jako system prompt pravidla klasifikace („support", „fakturace", „spam", „VIP klient"). Output jde do Switch node, který email nasměruje do správného Slack kanálu nebo vytvoří ticket v Jira.
Pro tento případ používej Anthropic Claude Haiku nebo OpenAI GPT-4o-mini — jsou levné a pro klasifikaci bohatě stačí. Nepoužívej Opus ani GPT-4o, to je zbytečné plýtvání. Pamatuj: při 1000 emailech denně se rozdíl mezi $0.25 a $2.50 na 1000 tokenů projeví jako stovky dolarů měsíčně.
3. Scheduled RAG pipeline
Trigger je Cron node (např. každou hodinu). Workflow stáhne nové články z RSS feedů, vygeneruje embeddings přes OpenAI nebo lokální Ollama, uloží do Postgres + pgvector. Tvoje aplikace se pak dotazuje přes HTTP node a dostává relevantní kontext. Tohle je základ pro interní znalostní bázi firmy, která nestojí Perplexity Enterprise licence.
AI Agent node: jak ho nastavit, aby neutřel kredit
AI Agent node je nejvýkonnější, ale i nejnebezpečnější komponenta n8n. Bez guardrails dokáže jeden špatně nastavený agent zavolat LLM stovkykrát za jednu exekuci. Pět pravidel, která se vyplatí dodržovat:
1. Vždy nastav maxIterations. Defaultně AI Agent opakuje reasoning loop, dokud nedosáhne cíle nebo nespadne token limit. Nastav maxIterations: 5 — ve většině případů stačí. Pokud agent potřebuje víc iterací, workflow je pravděpodobně špatně navržený.
2. Používej window buffer memory, ne celou historii. n8n nabízí Postgres Chat Memory a Window Buffer Memory. Druhá drží jen posledních N zpráv, což drží tokeny pod kontrolou. U Postgres memory explicitně nastav sessionId, jinak ti kažká exekuce vytvoří novou session a paměť ti nabobtná.
3. CacheEmbeddings. Pokud používáš embeddings node (pro RAG), zapni cache. Opakované volání embedding API za stejné texty tě stojí peníze a čas. n8n 2.x má Redis cache v základu.
4. Rate limiting na HTTP node. Když AI agent volá externí API (OpenAI, databáze), nastav Retry On Fail s maxTries: 3 a waitBetweenTries: 2000 ms. Bez toho ti jeden 429 error může vyvolat kaskádové selhání celého workflow.
5. Monitoruj exekuce v reálném čase. n8n má v základu execution log s vizualizací dat v každém node. Pokud vidíš, že jeden workflow generuje 80 % tvých tokenů, je čas ho refaktorovat nebo přidat podmínku.
Verzování a týmová spolupráce
Když máš jeden workflow, stačí ho exportovat do JSON. Když jich máš dvacet a pracuje na nich tým, potřebuješ Git. n8n podporuje n8n export:workflow --all --output=./workflows, což ti vygeneruje soubory, které dáš do repa. Na CI spusť n8n import:workflow v test instanci a ověř, že import projde.
Pro týmové nasazení zapni role-based access control (RBAC) — v self-hosted verzi je od 1.0 v základu. Místo jednoho owner účtu máš projekty, role (viewer, editor, admin) a audit log. To je nutnost pro jakýkoliv tým nad tři lidi.
Co si odnést
n8n není „levnější Zapier". Je to platforma, která ti umožní postavit AI-driven workflow, které by tě stály stovky dolarů měsíčně u SaaS konkurence, a máš nad nimi plnou kontrolu. Cesta k produkci vede přes Docker Compose s Postgresem, explicitně nastavený encryption key a pining verze image. AI Agent node je game-changer, ale jen pokud mu dáš guardraily — maxIterations, window memory a rate limiting nejsou volitelné.
Začni jednoduše: webhook do Slacku, klasifikace emailů, scheduled RAG. Až ti to bude běžet týden, uvidíš, co dál automatizovat. Největší chyba, kterou vidím u českých firem, je, že si n8n nasadí a pak ho používají jen jako „levnější Zapier" — přitom AI Agent node sice stojí trochu konfigurace, ale vrací desetinásobek v ušetřených hodinách.
Pokud chceš začít, máš dva týdny na to postavit první workflow. Pak ti jednoho dne přijde notifikace na Slack, že tvůj agent zpracoval 47 emailů za 12 korun, a pochopíš, proč self-hosted automation dává smysl.
