Kod yazmadan, ama kod mantığıyla

n8n, iş akışlarını görsel bir tuvalde, kutuları birbirine bağlayarak kurduğunuz düşük kodlu bir otomasyon platformu. “Şu tetiklendiğinde şunu yap” mantığıyla çalışır: bir form doldurulduğunda, bir e-posta geldiğinde, belirli bir saatte — bir “düğüm” (node) tetiklenir ve iş akışı bir sonraki düğüme geçer. Klasik kullanımı, farklı uygulamalar arasında veri taşımaktır: bir CRM’e yeni müşteri eklendiğinde otomatik hoş geldin e-postası göndermek gibi.

Son birkaç yılda bu resme yeni bir düğüm türü eklendi: büyük dil modeli düğümleri. Artık akışın bir noktasında veri sadece taşınmıyor, bir model tarafından yorumlanıyor, sınıflandırılıyor, yanıtlanıyor. Bu, otomasyonu “sabit kurallı” olmaktan çıkarıp “bağlama duyarlı” hale getiren fark.

Dört aşamalı omurga: webhook → işle → AI → aksiyon

Bir n8n tabanlı AI otomasyonunun tipik iskeleti dört aşamadan oluşur.

1. Tetikleyici (webhook/trigger). Akış bir olayla başlar: bir form gönderimi, gelen bir e-posta, bir zamanlayıcı, bir mesajlaşma platformundan gelen webhook. n8n bu tetikleyicilerin geniş bir kütüphanesini hazır sunar.

2. İşleme. Ham veri, AI’a gitmeden önce temizlenir, biçimlendirilir, gerekiyorsa başka bir sistemden ek bilgiyle zenginleştirilir. Bu aşama genelde kod içermez — n8n’in hazır düğümleriyle filtreleme, dönüştürme, birleştirme yapılır.

3. AI düğümü. İşte burada model devreye girer. n8n’in resmî dokümantasyonu bunu şöyle özetliyor: “n8n, OpenAI, Anthropic ve Google gibi farklı LLM sağlayıcılarını birbirine bağlayan, araç ve hafıza ekleyen, tek bir iş akışında birden fazla modeli birleştiren AI iş akışları kurmanıza imkân tanır.” Bu düğüm basit bir metin sınıflandırması yapabilir (“bu e-posta şikayet mi, soru mu?”) ya da çok daha karmaşık bir ajan olarak davranıp kendi araçlarını çağırabilir.

4. Aksiyon. Modelin ürettiği sonuç bir sonraki adımı tetikler: bir Slack mesajı gönderilir, bir CRM kaydı güncellenir, bir bilet açılır, bir e-posta yazılır. Otomasyonun asıl değeri burada ortaya çıkar — AI’ın yorumu, gerçek dünyada bir sonuca dönüşür.

Perde arkasında: LangChain ve “chain” mantığı

n8n’in AI düğümlerinin altyapısı tesadüfen seçilmemiş. Resmî dokümantasyona göre n8n’in AI düğümleri, LangChain’in JavaScript çerçevesini uyguluyor; her düğüm bu çerçevenin kavramlarını “küme düğümler” (cluster nodes) olarak temsil ediyor — bir kök düğüm temel işlevi yürütüyor, ona bağlı alt düğümler modeli, hafızayı ve diğer bileşenleri genişletiyor. Bunun pratik faydası şu: LangChain’i bilmenize gerek kalmadan, LangChain’in kanıtlanmış desenlerinden (zincirler, ajanlar, hafıza, araçlar) faydalanabiliyorsunuz.

Burada iki temel yapı öne çıkıyor. Chain (zincir), önceden belirlenmiş bir sırayı takip eder — girdi gelir, sabit bir dizi adımdan geçer, çıktı üretilir. Agent (ajan) ise n8n’in kendi tanımıyla “karar vermeyi bilen bir zincir”dir: hangi aracı ne zaman kullanacağına modelin kendisi karar verir, sorguya göre davranışını uyarlar. Bir iş akışı çalıştığında ajan düğümü birden çok kez devreye girer — önce kurulum, sonra araç çağırma, sonra sonucu değerlendirme aşamalarından geçer. Bu, ajan mimarisi yazısında anlattığım algıla-planla-araç kullan-gözlemle döngüsünün, görsel bir otomasyon platformunda somutlaşmış hali.

Önemli bir pratik ayrım: n8n’in standart zincir düğümleri hafızayı desteklemez, yani önceki mesajları hatırlayamaz. Konuşma geçmişine referans vermesi gereken akışlarda ajan düğümü kullanmak gerekiyor.

Hangi işler otomatikleşir?

Soyut mimariyi somutlaştırmak için e-ticaret bağlamında birkaç örnek:

  • Müşteri destek triyajı. Gelen bir destek talebi webhook ile n8n’e düşer; AI düğümü talebi “iade”, “kargo sorunu”, “ürün sorusu” gibi kategorilere ayırır; her kategori farklı bir aksiyon tetikler — bazıları otomatik yanıtlanır, bazıları insan temsilciye yönlendirilir.
  • Ürün açıklaması üretimi. Yeni bir ürün stoğa eklendiğinde, ürün verisi AI düğümüne gider, marka tonuna uygun bir açıklama üretilir, e-ticaret platformuna otomatik yazılır.
  • Sipariş anomali tespiti. Sipariş verisi periyodik olarak çekilir, AI düğümü olağandışı örüntüleri (ani iptal artışı, şüpheli sipariş deseni) tespit eder, eşik aşıldığında Slack’e uyarı gönderir.
  • İçerik moderasyonu. Kullanıcı yorumları geldikçe AI düğümü uygunsuz içeriği işaretler, otomatik olarak gizler ya da insan incelemesine kuyruğa alır.

Bu örneklerin ortak paydası: AI, akışın tamamını değil, akışın karar gerektiren tek bir noktasını üstleniyor. Geri kalan her şey — veri çekme, biçimlendirme, sisteme yazma — hâlâ klasik, deterministik otomasyon.

RAG ve harici bilgi n8n içinde

n8n’in AI bileşenleri arasında RAG mantığı da yerleşik olarak destekleniyor: belgeler bir vektör deposunda saklanabiliyor, kullanıcı sorgusuna en yakın parçalar aranıp modele bağlam olarak sunulabiliyor. Bu, örneğin bir şirketin kendi destek dokümanlarına dayanan bir chatbot’u, kod yazmadan, sürükle-bırak düğümlerle kurmayı mümkün kılıyor. Aynı akışa bir MCP sunucusu bağlayarak harici araçlara erişim de eklenebiliyor — n8n dokümantasyonu bunu AI iş akışı kurulumunun doğal bir parçası olarak listeliyor.

Neden kod yazmaktan daha hızlı

Aynı dört aşamalı akışı (tetikleyici, işleme, AI, aksiyon) sıfırdan kodla kurmak da mümkün elbette — birçok ekip zaten bunu yapıyor. n8n’in kattığı fark hız ve bakım kolaylığıdır: yeni bir tetikleyici eklemek bir kutu sürüklemek kadar basitken, kodda yeni bir webhook dinleyicisi yazıp deploy etmek gerekir. Bir düğümün ara çıktısını görmek, akışı çalıştırıp ekrandan izlemek kadar kolaydır; kodda bu genelde log satırları eklemeyi gerektirir. Bu, n8n’i özellikle hızlı prototipleme ve az sayıda mühendisle çok sayıda otomasyonu ayakta tutmak zorunda olan ekipler için cazip kılıyor — büyük ölçekte, çok yüksek performans gerektiren akışlarda ise saf kod hâlâ daha esnek kalabiliyor.

Nerede durmalı

n8n’in gücü, AI’ı büyük bir sistemin bir parçası olarak konumlandırmasında. Her kararı modele bırakmak yerine, hangi adımın gerçekten yargı gerektirdiğini belirleyip sadece o noktada AI düğümü kullanmak, hem maliyeti düşürür hem de öngörülebilirliği artırır. Basit bir kural yeterliyse (örneğin “tutarı 1000 TL üzerindeyse onay iste”), o kuralı klasik bir koşul düğümüyle yazmak, bir AI çağrısından hem daha ucuz hem daha güvenilirdir. AI düğümü, gerçekten dil anlama ya da yargı gerektiren noktalarda değerini gösterir.

Aklınızda kalsın

  1. Tipik bir n8n AI otomasyonu dört aşamalıdır: tetikleyici, işleme, AI düğümü, aksiyon — AI, akışın tamamını değil kararı gereken tek noktayı üstlenir.
  2. Altyapı LangChain’e dayanır; chain sabit bir sırayı izler, agent ise hangi aracı ne zaman kullanacağına kendisi karar verir.
  3. Her adımı AI’a bırakmak gerekmez — basit kurallar klasik düğümlerle, yargı gerektiren noktalar AI düğümüyle çözülür; bu ayrım hem maliyeti hem güvenilirliği belirler.

Kaynaklar

  • n8n (2026). Integrate AI into your workflows. Resmî dokümantasyon. n8n’de LLM sağlayıcıları, araçlar, hafıza ve MCP sunucularıyla AI iş akışı kurma rehberi. docs.n8n.io/build/integrate-ai
  • n8n (2026). What agents do. Resmî dokümantasyon. Agent ve chain düğümleri arasındaki fark, ajanın karar verme ve araç çağırma mekaniği. docs.n8n.io/…/what-agents-do
  • n8n (2026). LangChain in n8n. Resmî dokümantasyon. AI düğümlerinin LangChain’in JavaScript çerçevesi üzerine nasıl kurulduğunun teknik açıklaması. docs.n8n.io/…/langchain-in-n8n