Curso completo de n8n — projete automações de IA escaláveis do zero

Ver no idioma original →

Autoria: freeCodeCamp.org · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: n8n Full Course – Architect Scalable AI Automations from Scratch · Canal: freeCodeCamp.org · 42:35 · Assistir no YouTube

Tópicos: Agentes de IA, Automação de tarefas e workflows, Engenharia de software com IA, Ferramentas de desenvolvimento com IA

Resumo

Rahul Jooshi apresenta o n8n como uma plataforma de orquestração para criar automações e sistemas de IA, desde workflows básicos até configurações autogerenciadas. O curso demonstra integrações com APIs, Google Sheets, Telegram, Slack e modelos de IA, além de agentes, memória e sistemas multiagente. Também aborda automações orientadas a eventos, aprovação humana, tratamento de erros e monitoramento em produção. Ao longo do vídeo, os exemplos mostram como transformar dados, tomar decisões e executar ações de forma confiável e escalável.

Pontos-chave

• O n8n pode ser usado para orquestrar sistemas de automação, integrar APIs e criar workflows com lógica e ramificações.
• Um workflow típico recebe dados por um gatilho, transforma os dados, aplica regras e executa uma ação.
• Agentes podem escolher ferramentas para buscar informações; as etapas seguintes do workflow também podem ser ações comuns, sem serem ferramentas do agente.
• Google Sheets pode servir como uma base de conhecimento simples e como armazenamento para memória persistente.
• Dividir tarefas entre agentes especializados pode organizar a produção de conteúdo em etapas de pesquisa, análise, redação e publicação.
• Gatilhos orientados a eventos permitem reagir a formulários e atualizações sem depender de consultas periódicas.
• A aprovação humana é útil quando uma ação gerada por IA precisa ser revisada antes de chegar ao cliente.
• Tratamento de erros, respostas alternativas e alertas evitam que falhas de serviços externos deixem o usuário sem resposta.
• Monitorar duração das execuções, taxa de falhas e uso de tokens ajuda a acompanhar confiabilidade e custos.

Capítulos

Início	Capítulo	Resumo
00:00	Apresentação do n8n e da automação	O curso apresenta o n8n como uma plataforma para criar sistemas de automação e explica opções de uso e hospedagem.
04:40	Workflow de formulário para e-mail personalizado	Um webhook recebe dados que são organizados, avaliados por uma condição, enviados à IA e usados para compor um e-mail.
07:49	Chatbot de vendas conectado ao CRM	Um agente consulta dados de leads e oportunidades no Google Sheets, mantém contexto da conversa e registra interações.
10:24	Requisições HTTP e integração com APIs	O exemplo busca dados de empresas por API, transforma os resultados e os salva no Google Sheets.
13:02	Extração de dados e decisões com IA	Um workflow extrai campos de um documento de transporte, verifica informações obrigatórias e sinaliza casos que precisam de revisão.
15:40	Agentes de IA e uso de ferramentas	O curso diferencia um LLM de um agente e demonstra um agente que pesquisa na web e envia um resumo por e-mail.
18:46	Google Sheets como base de conhecimento e memória	Um chatbot consulta políticas em uma planilha e outro exemplo recupera o histórico de conversas para criar memória persistente.
24:29	Sistema multiagente para produção de conteúdo	Quatro agentes especializados pesquisam, estruturam, escrevem e preparam um artigo para publicação.
27:37	Automação orientada a eventos e qualificação de leads	Um formulário aciona a análise de leads, o registro no CRM e um alerta no Slack apenas para os contatos mais promissores.
32:16	Aprovação humana no workflow	Uma mensagem gerada por IA é enviada ao Slack para aprovação ou rejeição antes de ser enviada ao lead.
34:50	Tratamento de erros e respostas alternativas	O workflow de chat recebe tentativas de repetição, uma resposta alternativa ao usuário e alertas para o responsável.
38:27	Monitoramento e observabilidade em produção	O exemplo registra métricas de execuções e uso de tokens e envia alertas quando a taxa de falhas ultrapassa o limite definido.

Citações

O n8n é uma infraestrutura de automação e um mecanismo de orquestração. — 01:02

Um LLM é apenas um gerador de texto. Um agente é um sistema de decisão. — 16:10

Sistemas de produção não ficam consultando; eles reagem. — 27:37

A IA faz o trabalho. Uma pessoa aprova, e então a ação acontece. — 32:16

Um workflow em produção sem visibilidade é um workflow às cegas. — 39:28

Conceitos e entidades

• n8n (ferramenta): Plataforma de automação e orquestração usada no curso para criar workflows com integrações e recursos de IA.
• Rahul Jooshi (pessoa): Apresentador do curso e cofundador e CEO da TechDome, conforme informado na transcrição.
• TechDome (empresa): Empresa mencionada pelo apresentador, que se identifica como seu cofundador e CEO.
• Google Sheets (ferramenta): Serviço usado nos exemplos para consultar e registrar dados, armazenar conhecimento e guardar histórico de conversas.
• Telegram (ferramenta): Plataforma usada como interface de chat e para enviar respostas e alertas dos workflows.
• OpenAI (empresa): Provedora do modelo de chat usado nos exemplos com agentes e geração de respostas.
• SERP API (ferramenta): Serviço de busca usado nos exemplos para obter resultados da web por meio de uma API.
• Zapier (ferramenta): Ferramenta de automação citada como comparação para explicar o escopo do n8n.
• AWS (ferramenta): Plataforma de nuvem citada como uma opção para hospedar uma instalação autogerenciada do n8n.

Tradução completa (pt-BR)

00:00 Aprenda automação com IA usando n8n. Este curso de Rahul Joshi vai levar você dos fundamentos do n8n à criação de workflows reais de automação com IA, como agents, integrações e hospedagem própria. O curso é voltado a desenvolvedores e criadores sem código que querem adquirir habilidades prontas para produção. >> Imagine se toda a sua empresa pudesse funcionar no piloto automático. Geração de leads, criação de conteúdo, suporte ao cliente, tudo automatizado. É exatamente isso que ferramentas como o n8n tornam possível. Mas

00:31 aqui está a questão: o n8n não é apenas mais uma ferramenta de automação como o Zapier. É muito maior. Olá, pessoal, aqui é Rahul, cofundador e CEO da TechDome e também o criador número um de conteúdo sobre n8n. Ajudei a transformar mais de 1.200 empresas usando frameworks de automação e workflows inteligentes. Neste vídeo, vou apresentar a jornada completa: o que o n8n realmente é, como funciona e como você pode criar sistemas de automação reais do zero. A maioria das pessoas acha que o n8n é apenas mais uma ferramenta de automação, mas essa é a maneira errada de encará-lo. O n8n é uma infraestrutura de automação

01:02 e um mecanismo de orquestração, um backend para workflows inteligentes. O Zapier é apenas um pequeno subconjunto do que o n8n pode fazer. Com o n8n, você pode automatizar sistemas empresariais inteiros, como pipelines de geração de leads, workflows de pesquisa com IA, suporte ao cliente totalmente automatizado, pipelines de dados e operações internas. Isto não é apenas automação. É a criação de uma arquitetura de automação. Ao final deste vídeo, você entenderá o design avançado de workflows, a orquestração de API, agents de IA dentro do n8n, bancos de dados vetoriais,

01:34 sistemas orientados a eventos, implantação em produção, configuração de hospedagem própria e, o mais importante, como projetar sistemas escaláveis. Agora, vou mostrar como o n8n funciona fora do editor de workflows. Esta é a página de criadores do n8n, onde você encontra templates prontos que pode usar para começar rapidamente. Se estiver começando agora, você pode baixar o n8n diretamente do GitHub, executá-lo localmente e testar seus workflows. Também há uma versão com preços. Se você espera cerca de 2.000 a 2.500 execuções de workflows,

02:05 pode começar pelo plano inicial. Mas o verdadeiro poder do n8n vem com a hospedagem própria. Você pode implantá-lo na sua própria infraestrutura, seja nos sistemas internos da sua empresa ou na configuração da sua própria nuvem. Pode usar plataformas como AWS, Azure ou qualquer ambiente de nuvem personalizado. Neste vídeo, vamos usar uma configuração com hospedagem própria na nuvem Civo, e vou mostrar como ela funciona de ponta a ponta. Agora, vamos entender como o n8n se apresenta e funciona. Depois que a configuração estiver pronta, é assim que seu ambiente do n8n se parece. Você tem seu espaço de trabalho pessoal e, se estiver trabalhando

02:36 em equipe, pode gerenciar vários usuários. Você também tem controles de acesso, integração com o GitHub e visibilidade total dos seus workflows. Esta é a sua tela de criação, onde toda a automação acontece. Você pode criar workflows, conectar nodes e projetar sistemas visualmente. Também pode acompanhar as execuções, ver quais workflows foram concluídos com sucesso, quais falharam e analisar o desempenho ao longo do tempo. Todo workflow no n8n começa com um gatilho. É ele que inicia a automação. Você pode acionar workflows de várias maneiras: manualmente, com base em eventos de aplicativos, em uma

03:08 programação, usando webhooks ou até por meio de interações de chat. Por exemplo, quando um usuário envia um formulário, isso pode acionar automaticamente um workflow inteiro. Depois que o workflow começa, é aí que entra o verdadeiro poder. Você pode conectar APIs, transformar dados e criar lógicas complexas. Pode criar loops, executar processos em paralelo e até introduzir sistemas de aprovação. Por exemplo, você pode criar um sistema de criação de conteúdo em que o conteúdo é gerado, imagens e vídeos são criados, o sistema aguarda aprovação e, então, publica tudo automaticamente. Isto não é apenas

03:39 automação, é design de sistemas. O n8n também permite integrar IA diretamente aos seus workflows. Você pode conectar ferramentas como OpenAI, Gemini ou qualquer LLM. Isso permite criar agents de IA, automatizar a tomada de decisões e criar sistemas inteligentes capazes de pensar e agir com base em dados. Uma das maiores vantagens do n8n é a flexibilidade. Você pode executá-lo localmente, hospedá-lo por conta própria ou implantá-lo em qualquer infraestrutura de nuvem. Isso dá a você controle total sobre seus dados, seus workflows e a arquitetura do seu sistema. O n8n também oferece visibilidade total

04:10 da sua automação. Você pode monitorar as execuções dos workflows, as taxas de sucesso e falha e o desempenho ao longo do tempo. Isso ajuda a otimizar e escalar seus sistemas com confiabilidade. Portanto, o n8n não é apenas uma ferramenta de automação. É um sistema completo para criar operações empresariais inteligentes e escaláveis. Se você leva a sério automação, IA e criação de sistemas, precisa dominar essa ferramenta. No próximo vídeo, vamos criar um workflow real, passo a passo. Inscreva-se para ver mais análises detalhadas sobre automação, sistemas de IA e workflows reais. E

04:40 se quiser acessar workflows prontos, deixe um comentário abaixo. Você já se perguntou como o envio de um formulário simples pode acionar automaticamente a IA, tomar decisões e enviar um e-mail personalizado, tudo sem nenhuma intervenção humana? Olá, sou Rahul Joshi. Este workflow demonstra uma arquitetura central do n8n. Os dados chegam por um webhook, são limpos, passam por uma verificação lógica, são enviados à IA e, por fim, geram um e-mail personalizado. Vamos analisar cada node. Etapa um: gatilho de webhook. É aqui que tudo

05:11 começa. O webhook está configurado para usar o método POST e aguarda solicitações no caminho architecture-demo. No momento em que uma fonte externa — um formulário, um aplicativo ou uma chamada de API — envia dados para essa URL, o workflow é acionado. Fixamos dados de teste neste node: um objeto JSON com três campos. É isso que usamos para testar sem precisar de uma chamada externa ativa. Clique em testar workflow e os dados seguirão adiante automaticamente. Etapa dois: processamento de campos com o node Set. Ele recebe o JSON de entrada e mapeia

05:42 os dados para campos organizados. Extrai diretamente do payload recebido o nome, o e-mail e a empresa usando expressões do n8n. Também adiciona um campo definido manualmente, que não está nos dados de entrada, mas é incluído em todos os registros aqui. Abra este node e verá o JSON de entrada à esquerda e a saída organizada à direita, lado a lado. Etapa três: lógica ou ramificação «se tem empresa». Este é o ponto de decisão. O node If verifica uma condição: o campo da empresa não está vazio? Se sim, segue pelo

06:14 ramo verdadeiro. A execução continua até o node de IA. Se não, segue pelo ramo falso. Nada acontece depois nesse caminho. Nos nossos dados de teste, a empresa é Acme, então sempre seguirá pelo ramo verdadeiro. Mas, em uma situação real, você poderia direcionar o ramo falso para outro template de e-mail, um alerta no Slack ou uma atualização no CRM para leads incompletos. Etapa quatro: node de IA OpenAI para gerar e-mail. É aqui que a IA entra. O node chama o GPT-4 Mini com um prompt dinâmico: «Crie uma mensagem educada de

06:45 acompanhamento para a pessoa $name». O nome é obtido em tempo real da saída do node anterior. Assim, cada execução recebe um prompt personalizado. O principal a mostrar aqui é o campo do prompt. Observe como a expressão do n8n insere dados em tempo real diretamente na chamada à IA. A resposta retorna como message.content dentro do JSON, e o próximo node a obtém. Etapa cinco: envio do e-mail pelo Gmail. Na etapa final, o node do Gmail envia o e-mail gerado pela IA. O corpo da mensagem é obtido diretamente da saída do node da OpenAI.

07:17 Abra o registro de execução depois de uma execução e verá todo o percurso do JSON, desde o webhook até o que o Gmail realmente enviou. E esse é o ciclo completo: entrada pelo webhook, dados limpos, lógica verificada, processamento pela IA e envio de um e-mail personalizado. Essa arquitetura é a base da maioria dos pipelines de automação que você vai criar no n8n. Se achou isso útil, inscreva-se. Toda semana explico mais projetos com n8n. Deixe um comentário se quiser que eu aborde um workflow específico na próxima vez. Até a próxima. Imagine um chatbot de CRM de vendas que realmente pensa,

07:49 lembra das conversas, busca dados atualizados no Google Sheets e nunca inventa informações. Olá, pessoal, sou Rahul Joshi e, neste vídeo, vou mostrar como criar um chatbot de CRM de vendas poderoso com IA usando GPT-4o Mini, n8n, Google Sheets e memória: um sistema capaz de responder a perguntas reais de vendas em tempo real. Etapa um: gatilho de recebimento de mensagem no chat. [música] Este node inicia o workflow sempre que um usuário envia uma mensagem na interface de chat do n8n. Ele captura a consulta do usuário junto com o ID da sessão, permitindo

08:21 interações em tempo real. Etapa dois: modelo de chat da OpenAI, LLM. Este node fornece a inteligência conversacional central. Ele viabiliza o raciocínio, a compreensão da intenção e a geração de respostas do chatbot. Etapa três: agent de cadeia LangChain para roteamento do CRM de vendas com IA. Este é o cérebro do workflow. Ele entende a pergunta do usuário e decide se deve consultar o Google Sheets para obter dados sobre leads, prospecção ou oportunidades. Ele nunca chuta: sempre consulta os dados primeiro. Etapa quatro: planilha de prospecção. Ferramenta do Google Sheets. Este

08:52 Esse node permite que a IA pesquise a planilha de automação de prospecção. Ele é usado para verificar o status dos leads, o progresso da prospecção e os links de propostas quando solicitado pelo usuário. Etapa cinco: planilha de oportunidades, ferramenta do Google Sheets. Esse node permite que a IA busque detalhes de oportunidades e negócios no CRM. Ele é usado para perguntas relacionadas a empresas ou ao pipeline feitas pelo chat. Etapa seis: buffer de memória da conversa. Janela de memória. Esse node armazena as últimas interações da conversa. Isso permite conversas com várias interações, para que o

09:23 bot lembre do contexto recente dentro da mesma sessão. Etapa sete: node If para validar a saída da IA. Esse node verifica se a IA produziu uma resposta válida. Se houver uma saída, o workflow continua. Caso contrário, a interação é registrada para depuração. Etapa oito: registrar no Google Sheets os registros inválidos do chat. Google Sheets. Esse node captura respostas da IA com falhas ou malformadas. Ele ajuda a identificar problemas com tool calling ou dados sem interromper o chatbot. Etapa nove: registrar a memória do chat no Google Sheets,

09:54 Google Sheets. [música] Esse node registra cada interação da conversa. Ele armazena o carimbo de data e hora, o ID da sessão, a mensagem do usuário e a resposta da IA para acompanhamento e análise. Etapa 10: enviar resposta do chat, node de resposta do chat. Esse node envia a resposta final gerada pela IA de volta ao usuário. Ele conclui o ciclo do chat com uma resposta instantânea. Se você achou este workflow útil, curta o vídeo, inscreva-se para ver mais tutoriais de automação com IA e nos vemos no próximo. Boas-vindas de volta. Eu sou Rahul Jooshi. Neste

10:24 vídeo, vamos nos aprofundar no node de requisição HTTP. O node mais poderoso do n8n. Se você quiser se conectar a um CRM, uma plataforma de pagamentos, uma ferramenta de IA ou literalmente qualquer produto SaaS com uma API, este node é a sua porta de entrada. Ao final, você terá um workflow ativo que busca dados de empresas na web e os salva diretamente no Google Sheets. Vamos lá. Etapa um: o que é o node de requisição HTTP? O node de requisição HTTP permite que você se comunique com qualquer API REST. GET para buscar, POST para enviar, PUT para atualizar, DELETE para

10:55 remover. Autenticação: chave de API no cabeçalho ou como parâmetro de consulta. Bearer token no cabeçalho de autorização ou OAuth para Google ou Salesforce. Basic Auth para APIs com nome de usuário e senha. Para a API da SERP, estamos usando um parâmetro de consulta. A chave de API vai diretamente na URL por meio de uma credencial do n8n. Nunca insira chaves diretamente no canvas. URL: serapi.com/arch. Parâmetros de consulta: engine igual a Google. q igual à nossa consulta de pesquisa. num igual a 10. A chave de API é obtida da credencial armazenada

11:26 . Clique em executar. O JSON bruto aparece no painel de saída. A maioria das APIs usa paginação. A SERP API retorna um token next_page quando há mais resultados. Verifique se ele existe. Volte ao início do loop. Faça outra requisição. Repita até que não haja mais. Etapa dois: transformação de dados. As APIs retornam dados desorganizados. A SERP API nos fornece um enorme objeto JSON com resultados orgânicos, anúncios e painéis de conhecimento. Só queremos os dados organizados. É isso que este node de código faz. Pegamos o array organic_results e percorremos seus elementos. Extraímos o nome da empresa do título, o site

11:58 de displayed_link, a descrição de snippet e a URL de origem de link. Também adicionamos um timestamp scraped_at a cada registro. A saída é um array simples e organizado, exatamente o que o Google Sheets espera. Etapa três: salvar no Google Sheets. A última etapa é o Google Sheets. O node está configurado no modo de anexação, então adiciona novas linhas a cada execução sem sobrescrever nada. Os mapeamentos de colunas conectam cada campo do node de código diretamente à coluna correta. Clique em executar e veja sua planilha sendo preenchida em tempo real. E este node pode ser totalmente

12:29 substituído. Airtable, Notion, um CRM, um webhook, um e-mail — seja qual for a sua stack, basta conectar aqui no lugar. E esse é o node de requisição HTTP: de uma chamada bruta à API a dados estruturados e organizados no Google Sheets em menos de cinco minutos. Baixe o JSON do workflow pelo link na descrição. Importe-o para o n8n. Insira sua chave da SERP API e pronto. Se isso foi útil, vou disponibilizar um workflow gratuito como este toda semana na comunidade da minha escola. O arquivo JSON está incluído, assim como o guia de configuração, tudo totalmente grátis. Mais de 130

13:02 pessoas já estão usando esses workflows. Link na descrição. Venha participar. É aqui que a automação se torna inteligente. Oi, sou Rahul Jooshi. Hoje quero mostrar como os sistemas de IA realmente funcionam dentro do n8n usando um exemplo real. Uma IA que lê um documento de embarque e decide por conta própria se ele está pronto para ser processado ou se precisa da intervenção de uma pessoa. Todo workflow de IA, por mais complexo que pareça, se divide em quatro etapas: entrada, análise da IA, decisão e ação. Quando você consegue identificar esse padrão, vai

13:33 reconhecê-lo em quase toda automação com IA, incluindo esta. Etapa um: entrada. A entrada aqui é um conhecimento de embarque, um documento de transporte marítimo. Em uma configuração real, esse texto viria de uma etapa de OCR ou do envio de um documento. Aqui, fixei um documento de exemplo diretamente neste node de webhook, para que o workflow seja executado na hora para a demonstração. Etapa dois: engenharia de prompt. Esta é uma das coisas que diferencia um sistema de IA funcional de um quebrado: a engenharia de prompt. Se você simplesmente disser: «Leia este documento», receberá um parágrafo. E parágrafos não automatizam nada. Em vez disso, nós

14:05 dizemos ao modelo exatamente quais campos extrair: número do conhecimento de embarque, embarcador, consignatário, navio e portos. E forçamos a resposta a vir em JSON. Etapa três: saída estruturada da IA. É isso que produz uma saída estruturada: um objeto organizado com cada campo encontrado pela IA, em vez de um bloco de texto que uma pessoa precisa ler de novo. Este node de código pega essa resposta estruturada e a transforma em um conjunto previsível de campos que o restante do workflow pode usar. Etapa quatro: decisão. Agora, o workflow toma uma decisão. Ele verifica se os

14:35 campos obrigatórios — número do conhecimento de embarque, embarcador e consignatário — foram preenchidos. Se algum deles estiver faltando, isso representa um risco de conformidade. E uma pessoa precisa analisar o documento. Se todos estiverem preenchidos, ele é simplesmente registrado e o workflow continua. Etapa cinco: ação. Quando falta alguma informação, o workflow não simplesmente falha sem avisar. Ele envia um e-mail imediatamente, indicando exatamente qual documento e qual campo precisam de atenção. Esse é o resultado esperado: a decisão da IA realmente aciona algo no mundo real, em vez de ficar registrada em um log que ninguém lê. Então, recapitulando: entrada, análise da IA,

15:07 decisão e ação. Essa é a estrutura por trás de todo sistema de IA no n8n. Usamos aqui um conhecimento de embarque porque conformidade é um ótimo exemplo de uma situação em que a IA realmente precisa tomar uma decisão. Mas esse mesmo padrão funciona para faturas, tickets de suporte, contratos e qualquer coisa que contenha informações estruturadas escondidas em texto não estruturado. Se quiser continuar criando sistemas de IA como este, participe da comunidade gratuita da escola pelos links abaixo. Compartilho workflows e automações gratuitos do n8n, guias de configuração passo a passo e o arquivo JSON de cada workflow sobre o qual

15:40 publico um vídeo, incluindo este. Então, se você quiser apenas importar este workflow e começar a personalizá-lo, ele já está esperando por você lá. Agents são o próximo passo depois de um workflow de IA comum. Em vez de apenas analisar algo e parar, um agent pode decidir o que fazer, escolher uma ferramenta e buscar uma resposta real por conta própria. Oi, sou Rahul Jooshi. Hoje vou mostrar um exemplo simples: um agent que pesquisa na web e envia por e-mail o que encontrou. LLM versus agent. Primeiro, uma distinção rápida. Um LLM é apenas um gerador de texto. Você

16:10 dá palavras para ele e ele devolve palavras. Um agent é um sistema de decisão. Ele pode escolher ferramentas e recuperar dados reais, em vez de apenas responder com um parágrafo. Neste workflow, o agent é este node aqui, e o LLM está conectado a ele — não o contrário. Arquitetura de agent: a estrutura é sempre a mesma. Solicitação do usuário, agent, seleção de uma ferramenta, execução da ação e retorno de um resultado. Aqui, a solicitação chega por um gatilho de chat. O agent decide pesquisar na web e, quando termina, o resultado é enviado por e-mail. Etapa um: o gatilho. Começamos com um

16:42 gatilho de chat. Essa é a etapa da solicitação do usuário. Aqui temos uma mensagem de exemplo: «Encontre leads de alto valor que fecharam neste trimestre, com negócios acima de US$ 50.000». Assim, você pode clicar em executar e acompanhar a execução sem digitar nada. Etapa dois: o agent e o LLM. Este é o agent. Ele precisa de um modelo de linguagem para raciocinar de fato. Esse é o modelo de chat da OpenAI conectado abaixo dele. A mensagem de sistema informa exatamente qual é a função dele: pesquisar informações relevantes e resumi-las com clareza, porque esse resumo será enviado automaticamente por e-mail. Etapa

17:12 Três: a ferramenta Google Search pela SER API. A única ferramenta que este agent tem é uma pesquisa no Google pela SER API. Quando decide que precisa de informações atuais, ele a aciona, recebe resultados de pesquisa reais e os incorpora à resposta. Uma ferramenta, uma função clara. Muitas vezes, isso é melhor do que dar a um agent cinco ferramentas que ele mal usa. Etapa quatro: depois do agent, enviar um e-mail. Agora, aqui vai uma distinção importante. Este nó de envio de e-mail não é uma ferramenta que o agent aciona. É apenas a próxima etapa do workflow. Quando

17:43 o agent termina e produz a resposta final, ela segue direto para este nó e é enviada por e-mail. O agent não decide enviar um e-mail. O workflow faz isso automaticamente todas as vezes. Vamos executar. O gatilho do chat é acionado com nosso pedido sobre o pin. O agent lê, decide pesquisar, busca resultados na SER API, escreve um resumo, e esse resumo vai direto para um e-mail. Então: solicitação do usuário, agent, uma ferramenta, um resultado e, em seguida, uma etapa simples de automação para enviar tudo por e-mail. Essa

18:14 última parte vale a pena lembrar. Nem tudo que vem depois do agent precisa ser outra ferramenta. Às vezes, é apenas o próximo nó da sequência. Se quiser continuar criando sistemas de IA como este, participe da comunidade gratuita da escola. Os links estão abaixo. Compartilho automações gratuitas de n8n, guias de configuração passo a passo e o arquivo JSON real de cada workflow sobre o qual publico um vídeo, inclusive este. Até o próximo vídeo. Oi, sou Rahul Jooshi. Neste vídeo, vou mostrar como usar o Google Sheets como um banco de dados simples para um agent de IA dentro do n8n.

18:46 Isso é útil quando você não precisa configurar um banco de dados vetorial completo, mas ainda quer que seu agent de IA responda com base em dados reais da empresa, como políticas de reembolso, regras de envio, condições de cancelamento, perguntas frequentes ou conhecimento interno. Ao final deste workflow, você terá um chatbot no Telegram que recebe uma pergunta do usuário, pesquisa a linha certa no Google Sheets, envia essas informações para um modelo da OpenAI e responde com uma resposta precisa. Etapa um: gatilho do Telegram. O workflow começa com o nó de gatilho do Telegram. Esse nó fica atento às mensagens recebidas no Telegram

19:17 Quando um usuário envia uma pergunta como: “Qual é a nossa política de reembolso?”, o workflow captura o texto da mensagem e o passa para o agent de IA. Assim, o Telegram se torna a interface de chat do usuário no frontend. Etapa dois: agent de IA. Em seguida, a mensagem vai para o nó do agent de IA. Esse é o cérebro principal do workflow. O agent recebe a pergunta do usuário pelo Telegram e decide como respondê-la. Em vez de adivinhar com base na memória do modelo, o agent é instruído a usar a ferramenta conectada do Google Sheets sempre que o usuário perguntar sobre políticas da empresa

19:49 reembolsos, envio, cancelamentos, garantia ou informações da empresa. É isso que faz o Google Sheets funcionar como uma base de conhecimento leve. Etapa três: modelo de chat da OpenAI. O modelo de chat da OpenAI está conectado ao agent de IA como modelo de linguagem. Ele ajuda o agent a entender a pergunta do usuário, decidir quando usar a planilha, ler os dados de retorno e gerar uma resposta clara em linguagem natural. Neste workflow, o modelo é usado para raciocinar e gerar respostas, enquanto

20:20 o conhecimento real sobre a empresa vem do Google Sheets. Etapa quatro: planilha de base de conhecimento. O nó da planilha de base de conhecimento está conectado ao agent de IA como uma ferramenta. Esse nó pesquisa a planilha do Google e retorna as linhas correspondentes à pergunta do usuário. Por exemplo, se o usuário perguntar sobre a política de reembolso, a ferramenta procura a linha correspondente na planilha e retorna campos como pergunta, resposta e categoria. Essa é a ideia principal do workflow. A planilha funciona como banco de dados, e o agent de IA a usa apenas

20:50 quando necessário. Etapa cinco: enviar resposta pelo Telegram. Depois que o agent de IA cria a resposta final, o workflow a envia de volta pelo nó de envio de resposta do Telegram. O usuário recebe uma resposta clara diretamente no Telegram, com base na linha correspondente do Google Sheets. Por exemplo, se a planilha contiver a política de reembolso, o bot poderá responder com o prazo exato para reembolso, o tempo de processamento e os detalhes sobre a forma de pagamento. Esse é o workflow completo que usa o Google Sheets como banco de dados no n8n. Ele recebe uma pergunta do usuário pelo Telegram,

21:21 envia-a para um agent de IA, usa a OpenAI para raciocinar, pesquisa no Google Sheets como base de conhecimento e responde ao usuário com precisão. Esta é uma alternativa simples a um banco de dados vetorial para bases de conhecimento pequenas e médias, perguntas frequentes, quadros de políticas, agents de suporte interno, MVPs, demonstrações e projetos para clientes. Você não precisa de Pinecone, Supabase, Weaviate ou embeddings para todos os casos de uso. Às vezes, uma planilha organizada do Google é suficiente. Se quiser continuar criando sistemas de IA como este, participe da comunidade gratuita da escola. Os links estão abaixo. Eu

21:53 compartilho automações gratuitas de n8n, guias de configuração passo a passo e o arquivo JSON real de cada workflow sobre o qual publico um vídeo, inclusive este. Até o próximo vídeo. Oi, sou Rahul Jooshi. Neste vídeo, vou mostrar como os sistemas de memória de IA funcionam dentro do n8n. A memória é o que diferencia um assistente de IA de verdade de um chatbot que se esquece de você assim que você fecha o chat. Hoje, vou explicar os dois tipos de memória de IA: curto prazo e longo prazo, e criar um assistente de IA persistente que realmente se lembra das suas conversas anteriores, mesmo depois que o n8n reinicia.

22:24 Há dois tipos de memória que você precisa conhecer. A memória de curto prazo é a memória da conversa. Ela mantém o contexto apenas durante a sessão atual. No n8n, esse é o nó Simple Memory Buffer Window. Ótimo para perguntas de acompanhamento, mas, quando a sessão termina, o conteúdo desaparece. A memória de longo prazo é diferente. Ela é persistente e fica armazenada em um banco de dados de verdade. Assim, a IA pode recuperar coisas de dias, semanas e até meses atrás, mesmo após reinicializações e em sessões diferentes. Para criar uma memória de longo prazo, armazenamos cada turno da conversa em um banco de dados. Estou usando uma planilha do Google para deixar isso simples e visual. O esquema tem apenas

22:55 quatro colunas: ID do usuário, mensagem, resposta e marca temporal. Você pode ver isso aqui mesmo no nó. Sempre que o usuário envia uma mensagem e a IA responde, registramos esse turno como uma nova linha. Com o tempo, isso se torna o banco de memória da IA. Aqui está o workflow completo. O gatilho do Telegram recebe a mensagem do usuário. Antes mesmo de o agent de IA ser executado, usamos a função de obter histórico da conversa. Ela busca todas as linhas anteriores da planilha que correspondem a esse ID de usuário. Você pode ver as linhas recuperadas aqui mesmo na saída. Um nó de código formata tudo em um bloco de texto organizado

23:26 que é inserido diretamente na system message do agent. Assim, o modelo literalmente lê o histórico do usuário antes de responder. O agent também tem o modelo de chat da OpenAI como cérebro, além de memória simples para manter o contexto de curto prazo durante a sessão. Depois de responder, registramos esse novo turno na planilha e, em seguida, enviamos a resposta de volta pelo Telegram. Esse é o ciclo: recuperar o histórico, responder, salvar o histórico. Vamos testar. Já registrei uma conversa anterior para meu usuário de teste. Pedi para encomendar uma camiseta vermelha tamanho M, e a IA confirmou. Agora, em uma sessão totalmente nova, vou perguntar algo que só faz sentido se a IA se lembrar disso. Ela consulta meu histórico, encontra o pedido da camiseta vermelha e responde corretamente. Embora esta seja uma sessão de chat totalmente nova, isso é a memória de longo prazo em funcionamento.

23:58 Esse padrão é ótimo para bots de suporte, assistentes pessoais ou qualquer caso de uso em que os usuários voltem dias depois esperando que a IA se lembre deles. E, como nos bastidores há apenas uma planilha, você pode inspecionar, editar ou até corrigir manualmente a memória da IA a qualquer momento. Baixe o workflow completo. O arquivo JSON está no link abaixo.

24:29 E, se quiser se aprofundar na criação de agents de IA como este, participe do clube de automação de IA pelo link na descrição. Até o próximo vídeo. A maioria das pessoas cria um agent de IA e para por aí. Mas os sistemas de automação reais, aqueles que as empresas realmente usam, não usam apenas um agent. Eles usam uma equipe de agents. Oi, sou Rahul Jooshi. Hoje vou mostrar como criar um sistema de conteúdo multiagente no n8n. Quatro agents de IA, cada um com uma função, trabalhando juntos para pegar um único tema e transformá-lo automaticamente em um artigo publicado por completo.

25:01 Aqui está o problema de um único agent de IA fazer tudo: o prompt fica inchado, o modelo se confunde sobre o que deveria estar fazendo naquele momento e a qualidade cai. A solução é simples: dividir o trabalho. Pense nisso como uma equipe pequena. Uma pessoa pesquisa, outra planeja, outra escreve e outra publica. Cada pessoa é boa em apenas uma coisa, mas, juntas, elas produzem algo que nenhuma conseguiria fazer sozinha. É exatamente isso que estamos criando. Aqui está o fluxo: um agent de pesquisa, um agent de análise, um agent de redação e um agent de publicação. A saída de um

25:33 torna-se a entrada da próxima etapa. O agente de pesquisa só pesquisa. Ele não tem permissão para escrever nada. O agente de análise apenas transforma essa pesquisa em um esboço estruturado. O agente de redação apenas escreve o artigo com base nesse esboço. E o agente de publicação apenas prepara o material final: título para SEO, meta description, tags e status de pronto para publicação. Vamos montar isso. Primeiro, um gatilho de webhook. É ele que inicia todo o sistema quando chega um tema. Vou fixar alguns dados de teste aqui para poder executar o workflow inteiro na hora, sem

26:03 esperar uma chamada real de webhook. Em seguida, o agente de pesquisa. Repare no system prompt. Estou dizendo explicitamente: “Seu único trabalho é pesquisar. Entregue anotações organizadas. Não escreva o artigo.” Depois, o agente de análise recebe essas anotações e as transforma em um esboço JSON, com título, gancho e títulos das seções. Estou exigindo JSON estruturado aqui para que o próximo agente tenha algo organizado para usar. O agente de redação recebe esse esboço e escreve o artigo completo em Markdown: introdução, cada seção e uma conclusão com uma chamada para ação. Por fim, o agente de publicação. Ele

26:35 prepara tudo: título para SEO, meta description, tags e define o status como publicado. Depois disso, adicionei um pequeno nó de código, só para analisar esse pacote de publicação e interpretar o JSON com segurança, caso o modelo o envolva em blocos de código Markdown. Vamos executar ao vivo. Vou clicar em executar e acompanhar. O agente de pesquisa começa primeiro. Agora, a análise está estruturando o esboço. O agente de redação está preparando o texto completo. E pronto. O agente de publicação preparou o material e marcou como publicado. Entra um tema, sai um artigo pronto,

27:06 sem nenhuma intervenção manual. Isso é um sistema multiagente de verdade, não apenas um nome sofisticado. É um pipeline real em que cada agente tem uma função especializada. Se quiser o JSON pronto para importar desse workflow exato, comente “agents” e eu envio para você. E, se você costuma criar automações como essa, participe da comunidade da escola. Os links estão na descrição. Até a próxima. Oi, eu sou Rahul Jooshi. Neste vídeo, vou mostrar como criar um agente de IA para qualificação de leads no n8n. A maioria das pessoas que cria automações começa com um

27:37 cron job. A cada 15 minutos, verifica se algo mudou. A cada hora, consulta a API. E isso funciona até você estar executando o processo 96 vezes por dia só para detectar o único momento em que algo realmente aconteceu. Sistemas de produção não ficam consultando: eles reagem. Algo acontece, um formulário é enviado, um pagamento é confirmado, uma linha é atualizada, e a automação é acionada no instante em que isso ocorre, não na próxima verificação agendada. Essa é a ideia central dos sistemas orientados a eventos, e é isso que vamos criar nesta seção. Uma fonte de eventos é qualquer coisa que possa avisar sua automação de que algo acabou de acontecer.

28:09 Há três que você vai usar o tempo todo. Um: webhooks. São a fonte de eventos mais universal que existe. Qualquer ferramenta que possa enviar uma solicitação HTTP — basicamente, todas as ferramentas modernas — pode acionar seu workflow no instante em que algo acontece. Formulários de sites, processadores de pagamento, plataformas de chat. Se tiver uma opção de webhook, você nunca precisa consultá-la periodicamente. Dois: gatilhos de aplicativos. São a versão pré-configurada e específica de cada aplicativo de um webhook. Em vez de configurar uma URL de webhook bruta, o próprio nó do aplicativo fica ouvindo por você. Um novo envio de formulário do Typeform, uma nova reserva no Calendly, uma nova cobrança no Stripe. Três: atualizações de banco de dados. Quando o evento não é alguém enviando um formulário, mas uma linha sendo alterada, um status mudando ou um novo registro sendo inserido, você monitora a camada do banco de dados. Airtable, Postgres e Google Sheets têm nós de gatilho que monitoram alterações em linhas e são acionados no instante em que elas acontecem.

28:40 Uma nova reserva no Calendly, uma nova cobrança no Stripe. A ideia básica é a mesma, com menos configuração. Há algo que quero que você entenda: todas essas três opções podem ser usadas de forma intercambiável no início do seu pipeline. Seja qual for a fonte que acione o evento, todo o restante do processo — o processamento, a lógica e os alertas — continua exatamente igual. Você não precisa reconstruir sua automação para cada nova fonte de eventos. Basta conectar um gatilho diferente ao mesmo pipeline.

29:10 Vamos concretizar isso com o pipeline que estamos criando hoje: formulário do site, webhook, análise de IA, registro no CRM e alerta no Slack. Acompanhe comigo. Alguém preenche um formulário no seu site. Esse envio aciona um webhook, a fonte do evento. A IA analisa a mensagem, atribui uma pontuação ao lead e detecta a intenção e a urgência. Em seguida, registra tudo no seu CRM. E

29:42 só se o lead for quente é que sua equipe recebe um alerta. Nada de conferir planilhas, nada de consultar a cada 10 minutos. O envio de um formulário aciona todo o pipeline em segundos. E repare na filtragem no final. Nem todo evento merece uma notificação. Todos os leads são registrados. Só os quentes interrompem uma pessoa. Essa distinção é o que separa uma automação realmente útil de uma que só gera ruído. Vamos montar isso ao vivo. Já deixei o JSON pronto para importar. Você também vai recebê-lo. Então, vamos ver o que está acontecendo, nó por nó. O webhook. Esta é a nossa

30:12 fonte de eventos: o webhook do formulário de leads do site. Ele está ouvindo em um endpoint POST. Copie esta URL de produção. É para ela que você direcionaria o formulário real do seu site. Assim que um envio chega aqui, o workflow é iniciado. Para esta demonstração, fixei dois envios de exemplo neste nó, um lead quente e outro frio, para podermos ver os dois resultados sem esperar um formulário real. O nó “AI analyze lead” recebe o nome, o e-mail, a empresa e a mensagem, e retorna uma avaliação estruturada: uma pontuação de lead de 0 a 10, a intenção por trás da mensagem, a urgência e

30:44 um resumo de uma linha que um vendedor consegue ler rapidamente em 2 segundos. Essa saída bruta da IA é organizada no nó de código “parse lead analysis”, que recupera os campos originais do formulário e normaliza tudo em um único objeto simples. Data e hora, nome, e-mail, empresa, mensagem, pontuação do lead, intenção, urgência e resumo. Vou iniciar uma execução de teste agora e mostrar a saída real ao vivo. Registro no CRM. Todos os leads, quentes ou não, são registrados no Google Sheets pelo nó “Sheets - Add CRM entry”. Esse é o nosso

31:14 sistema de registro. Nada se perde, nem mesmo os leads que não dão em nada. O filtro “if hot lead” verifica se a pontuação deste lead é 7 ou mais. Se sim, ele segue para o Slack, no nó “Hot lead alert”. É um alerta em tempo real no canal “all n8n automations”, com o nome e a empresa do lead, além do resumo escrito pela IA. Se não, nada acontece. Nenhuma mensagem no Slack, nenhuma interrupção. O lead já está registrado com segurança na planilha do CRM, para quando alguém puder analisá-lo. Vale notar uma coisa sobre o nó do Slack: em vez de buscar o nome, a empresa, o resumo e a

31:45 urgência na saída do Sheets, ele volta ao nó “code parse lead analysis” e lê esses dados diretamente de lá. Esse é um padrão útil. Sempre que a saída de um nó posterior não incluir todos os campos de que você precisa, você não fica preso ao que o último nó retornou. Sempre pode voltar a um nó anterior pelo nome. Isso é automação orientada a eventos: uma fonte de eventos, um pipeline organizado e um filtro no final. Assim, só o que importa realmente chega a uma pessoa. Se quiser continuar criando sistemas de IA como este, participe da comunidade gratuita da escola. Os links estão abaixo. Compartilho automações gratuitas de n8n,

32:16 guias de configuração passo a passo e o arquivo JSON real de cada workflow sobre o qual publico um vídeo, incluindo este. Até a próxima. Oi, eu sou Rahul Jooshi. Até agora, criamos workflows de IA totalmente automáticos, sem envolvimento humano. Mas a verdade é que nem tudo deve funcionar no piloto automático. Algumas coisas precisam que uma pessoa de verdade diga sim: envie antes de seguir. Isso se chama human in the loop. E hoje vou mostrar como criar um no n8n. A ideia em uma linha é esta: a IA faz o trabalho. Uma pessoa dá o aval e, então, a ação acontece.

32:48 Por que isso importa? Porque a IA pode escrever algo um pouco errado, fora da identidade da marca ou simplesmente estranho. E, se isso for direto para um cliente de verdade, é um problema. Então, em vez de enviar automaticamente, pausamos o workflow e pedimos a aprovação de uma pessoa. Aqui está o nosso exemplo. A IA escreve um e-mail de vendas para um novo lead. Em vez de enviá-lo na hora, mandamos o rascunho para o Slack com dois botões: aprovar e rejeitar. O workflow literalmente pausa e espera. Nada acontece até uma pessoa clicar em um desses botões. Se ela clicar em aprovar, o e-mail é enviado de verdade. Se ela

33:19 Clique em rejeitar; nada é enviado. Vamos construir isso passo a passo. Primeiro, um gatilho de webhook. É ele que inicia o workflow quando chega um novo lead. Fixei aqui alguns dados de exemplo de lead para podermos testar isso na hora, sem esperar por uma solicitação real. Em seguida, o redator de e-mails de vendas. É só um agent de IA com uma única tarefa: analisar o nome e o contexto do lead e escrever um e-mail de vendas curto e simpático. Nada sofisticado, apenas um bom primeiro rascunho. Agora, aqui está a parte importante: o nó do Slack. Configurei-o para enviar e aguardar uma resposta, o que significa que ele publica o rascunho no

33:49 Slack com botões para aprovar e rejeitar, e o workflow literalmente para ali. Ele não avança até alguém clicar em alguma coisa. Depois disso, um nó if verifica se foi aprovado. Se sim, seguimos por um caminho. Se não, seguimos por outro. No caminho de rejeição, nada acontece. Só adicionei um nó simples de nenhuma operação. Assim, o workflow termina de forma organizada. No caminho de aprovação, um nó do Gmail realmente envia o e-mail para o lead. Agora, vamos ver o workflow em ação. A IA cria primeiro o rascunho do e-mail de vendas e, em seguida, envia-o ao Slack para aprovação.

34:19 Quando o revisor humano clica em aprovar, o workflow continua e envia o e-mail de verdade. Se o revisor clicar em rejeitar, o workflow para de forma organizada e nada é enviado. Isso é human in the loop. Um padrão simples, mas poderoso, sempre que a IA estiver fazendo algo em que um erro realmente possa custar caro. Se quiser esse workflow exato, comente “aprovar” e eu enviarei o JSON. E, se estiver criando automações assim, venha participar da comunidade da escola. Os links estão abaixo. Até a próxima. Oi, sou Rahu Jooshi. Em um vídeo anterior, criamos um assistente de chat com IA persistente

34:50 no n8n. Ele usava Telegram, Google Sheets, um agent de IA e memória para lembrar conversas anteriores, mesmo depois que o workflow era reiniciado. Mas há um problema. Se a chamada ao Google Sheets falhar, se o agent de IA atingir o tempo limite ou se o registro da conversa não for salvo, o workflow pode falhar silenciosamente. O usuário envia uma mensagem e não recebe nada de volta. Então, neste vídeo, vamos corrigir isso adicionando um tratamento de erros adequado ao mesmo workflow. Vamos adicionar novas tentativas, respostas alternativas para o usuário e um alerta separado no Telegram para o responsável pelo workflow. Antes de adicionarmos o tratamento de erros, veja

35:21 o que o workflow original faz. Uma mensagem chega pelo Telegram. Depois, buscamos o histórico de conversas anteriores do usuário no Google Sheets. Em seguida, formatamos o histórico e o enviamos ao agent de IA. O agent de IA usa o histórico anterior junto com a memória para gerar a resposta. Depois, registramos a nova conversa no Google Sheets. Por fim, a resposta é enviada de volta ao usuário pelo Telegram. O importante é isto: três partes deste workflow dependem de serviços externos: Google Sheets, o agent de IA e, novamente, Google Sheets. Qualquer uma delas pode falhar. Etapa um: gatilho do Telegram.

35:53 Começamos com o gatilho do Telegram. Esse nó fica atento a novas mensagens no Telegram. Sempre que um usuário envia uma mensagem, este workflow é iniciado. Etapa dois: obter o histórico da conversa. Em seguida, clique em “obter histórico da conversa”. Esse nó lê o histórico de conversas anteriores do usuário no Google Sheets. Como depende de um serviço externo, este é um dos pontos em que pode ocorrer uma falha. Etapa três: formatar o histórico. Em seguida, clique em “formatar histórico”. Isso prepara as mensagens anteriores no formato correto para o agent de IA. Não vamos alterar esse nó porque ele é uma etapa interna de

36:24 formatação. Etapa quatro: agent de IA. Agora, clique em “agent de IA”. Esse nó gera a resposta do chatbot. Como as chamadas de IA podem atingir o tempo limite ou falhar, também precisamos tratar erros aqui. Etapa cinco: modelo de chat da OpenAI. Abaixo do agent de IA, temos o modelo de chat da OpenAI. Esse é o provedor do modelo conectado ao agent de IA. Não vamos alterá-lo diretamente neste vídeo. Etapa seis: memória simples. Em seguida, temos a memória simples. Ela dá ao agent de IA memória de curto prazo durante a conversa. Esse nó também permanece

36:54 igual. Etapa sete: registrar a conversa. Agora, clique em “registrar conversa”. Isso salva a mensagem mais recente do usuário e a resposta da IA no Google Sheets. Como esta é outra chamada a um serviço externo, ela também precisa de tratamento de erros. Etapa oito: enviar resposta pelo Telegram. Em seguida, temos “enviar resposta pelo Telegram”. Esse é o caminho normal de sucesso. Se tudo funcionar, a resposta da IA volta para o usuário por aqui. Etapa nove: notificar o usuário sobre o erro. Agora, adicione “notificar usuário sobre o erro”. Conecte a esse nó os caminhos de erro de “obter histórico da conversa”, do agent de IA e de “registrar conversa”.

37:26 Se algo falhar, isso envia ao usuário uma mensagem simples de fallback pelo Telegram. Essa é a diferença entre um workflow de demonstração e um workflow pronto para produção. O chatbot continua usando o mesmo gatilho do Telegram, o histórico do Google Sheets, o agent de IA, a memória e o fluxo de resposta, mas agora lida com falhas de forma controlada. Se um serviço externo falhar, o workflow tenta novamente primeiro. Se continuar falhando, o usuário recebe uma mensagem alternativa. E, se o próprio workflow parar de funcionar, o responsável recebe um alerta pelo Telegram com os detalhes do erro.

37:56 Assim, em vez de uma falha silenciosa, você tem visibilidade, confiabilidade e uma experiência muito melhor para o usuário. Comente “erros” e eu enviarei este workflow atualizado. E, se estiver criando automações que precisam funcionar no mundo real, venha participar da comunidade da escola. O link está abaixo. Até a próxima. Oi, sou Rahul Jooshi. Neste vídeo, vou mostrar como monitorar workflows do n8n automaticamente antes que falhem. Uma pergunta rápida: se uma das suas automações começasse a falhar agora mesmo, você saberia? Não só mais tarde, quando um cliente mandasse uma mensagem perguntando por que

38:27 nunca recebeu o e-mail ou por que o bot parou de responder. Agora, hoje, para a maioria das pessoas que criam com o n8n, a resposta honesta é não. E isso é completamente normal, porque, quando você está começando a aprender automação, seu foco é simplesmente fazer o workflow funcionar. Ninguém ensina o que acontece depois disso. Mas é o seguinte: criar o workflow é, na verdade, a parte fácil. Mantê-lo saudável depois de estar no ar é uma habilidade completamente diferente. E é essa habilidade que diferencia alguém que cria automações por hobby de alguém que realmente consegue

38:57 operá-las para clientes de verdade ou no próprio negócio, sem precisar ficar cuidando delas o tempo todo. Então, hoje quero mostrar algo que muitos tutoriais deixam completamente de lado: monitoramento e observabilidade. Parece um termo técnico enorme, coisa de DevOps, mas, sinceramente, o que vamos construir hoje é simples. Nada de ferramentas sofisticadas, nenhum software caro. Apenas três coisas para acompanhar, usando ferramentas que você provavelmente já tem aí na sua configuração do n8n: Google Sheets e Telegram. Ao final deste vídeo, você terá um sistema funcionando que avisa no momento em que algo dá errado, em vez de você

39:28 descobrir isso da pior maneira. Esta é a ideia: um workflow em produção sem visibilidade é como pilotar às cegas. Você não precisa de nada sofisticado. Só precisa acompanhar três coisas. Tempo de execução: quanto tempo cada execução leva, porque um aumento repentino geralmente significa que algo está lento ou travado. Taxa de falhas: qual porcentagem das execuções está falhando, porque uma falha é normal, mas uma tendência de alta não é. E uso de tokens de IA: quantos tokens cada chamada de IA consome, porque isso afeta diretamente a sua conta. Para acompanhar isso, você precisa de três

40:00 ferramentas trabalhando juntas. Logs, um registro do que aconteceu e quando; alertas, uma notificação no momento em que algo ultrapassa um limite que importa para você; e um painel de métricas, um lugar para ver tendências ao longo do tempo, não apenas um número isolado. Vamos construir os três hoje usando ferramentas que você já tem: Google Sheets e Telegram. Vamos criar a primeira parte: o registrador de métricas. Ele começa com um gatilho de agendamento configurado para executar a cada hora, que chama “obter execuções recentes”, acessando a própria API do n8n para buscar o histórico recente de execuções. Fixei aqui dados de exemplo para podermos testar isso na hora.

40:32 Esses dados vão para “calcular métricas”, um pequeno nó de código que faz as contas: total de execuções, quantas falharam, a taxa de falhas em porcentagem e o tempo médio de execução em segundos. Esses números são registrados como uma nova linha em uma planilha do Google Sheets. Assim, temos nossos logs e nosso painel em um só lugar. Como uma planilha cheia de linhas com dados horários já mostra as tendências ao longo do tempo, um nó if verifica se a taxa de falhas é de 10% ou mais. Se sim, uma mensagem no Telegram é enviada imediatamente, explicando exatamente o que está acontecendo. Se estiver tudo bem, nada

41:03 acontece. Sem ruído, apenas silêncio quando as coisas estão realmente bem. Agora, a segunda parte: rastreamento de uso de tokens, completamente separado. Sempre que você usa um nó de agent de IA, a resposta inclui, na verdade, um objeto de uso de tokens. Tokens de prompt, tokens de conclusão, total de tokens. A maioria das pessoas nunca olha para isso. Aqui, tenho uma resposta de IA de exemplo fixada. Assim, você consegue ver o formato dos dados que chegam ao nó de extração do uso de tokens. Um pequeno nó de código que simplesmente extrai esses números e os registra diretamente em uma aba própria da planilha. O objetivo deste bloco não é que

41:34 você o execute sozinho. É que copie exatamente esse padrão para qualquer nó de agent de IA que já tenha e, de repente, todas as chamadas de IA que fizer passarão a ser rastreadas para calcular os custos. Vamos executar primeiro os dois registradores de métricas. Execute e pronto. Total de execuções, taxa de falhas e tempo médio, tudo registrado. E, como uma das nossas execuções de exemplo falhou, veja o alerta disparar imediatamente no Telegram. Agora, execute o rastreador de tokens e você verá os tokens de prompt, de conclusão e o total de tokens

42:04 registrados corretamente, prontos para serem somados ao longo do tempo. E é basicamente isso. Esse é o sistema completo. Sem plataforma de monitoramento cara, sem configuração complicada, apenas uma verificação agendada, uma planilha funcionando como seus registros e painel, e um alerta no Telegram como sistema de aviso antecipado. Sinceramente, é uma daquelas coisas que levam 20 minutos para configurar uma vez e depois evitam silenciosamente que você passe por um desastre mais adiante. Daqueles em que um workflow fica falhando em silêncio por 2 dias e você só descobre porque um cliente pergunta para onde foi a automação dele. Se você leva a sério a criação de automações que

42:35 realmente se mantenham a longo prazo — não apenas workflows com qualidade de demonstração, mas aqueles em que você pode confiar em produção —, essa camada de monitoramento é indispensável. Configure-a uma vez nos seus workflows mais importantes e simplesmente esqueça que ela existe até receber um alerta. Comente “monitor” abaixo e eu vou enviar este modelo exato de workflow e planilha, para você poder integrá-lo hoje mesmo. E, se quiser ver mais construções como esta, do tipo que deixam suas automações prontas para produção, e não apenas para demonstração, venha fazer parte da comunidade da escola. Os links estão logo abaixo deste vídeo. Até o próximo.

Transcrição original

[00:00] Learn AI automation with NAN. This course from Rahul Jooshi will take you from NAN fundamentals to building real AI powered automation workflows like agents, integrations, and self-hosting. This course is aimed at developers and no code builders who want productionready skills. >> Imagine if your entire business could run on autopilot. Lead generation, content creation, customer support, everything automated. That’s exactly what tools like NAT make possible. But

[00:31] here’s the thing. NAT is not just another automation tool like Zapier. It’s much bigger. Hi everyone, this is Rahul, co-founder and CEO of TechDome and also the number one creator on NAN. I’ve helped transform over 1200 plus businesses using automation frameworks and intelligent workflows. In this video, I’ll take you through the complete journey what NAT actually is, how it works, and how you can build real world automation systems from scratch. Most people think NAT is just another automation tool, but that’s the wrong way to look at it. NAT is an automation

[01:02] infrastructure and orchestration engine, a backend for intelligent workflows. Zapier is just a small subset of what NAT can actually do. With NAT, you can automate entire business systems like lead generation pipelines, AI powered research workflows, fully automated customer support, data pipelines, internal operations. This isn’t just automation. This is building automation architecture. By the end of this video, you’ll understand advanced workflow design, API orchestration, AI agents inside NAT, vector databases,

[01:34] event-driven systems, production deployment, self-hosting setup, and most importantly, how to design scalable systems. Now, let me walk you through how NAT actually looks outside the workflow builder. This is the NAT creator page where you’ll find readymade templates that you can use to get started quickly. If you’re just starting, you can download N8 directly from GitHub, run it locally, and test your workflows. There’s also a pricing version available. If you’re expecting around 2,00 to 2500 workflow executions,

[02:05] you can start with the starter plan. But the real power of NAT comes with self-hosting. You can deploy it on your own infrastructure, whether that’s your company’s internal systems or your own cloud setup. You can use platforms like AWS, Azure, or any custom cloud environment. In this video, we’ll go ahead with a self-hosted setup using CBO cloud and I’ll show you how that works end to end. Now, let’s understand how NAN actually looks and works. So, once your setup is ready, this is how your N8 environment looks. You have your personal workspace and if you’re working

[02:36] in a team, you can manage multiple users. You also have access controls, GitHub integration, and full visibility into your workflows. This is your canvas where all the automation happens. You can create workflows, connect nodes, and design systems visually. You can also track executions, see which workflows succeeded, which failed, and analyze performance over time. Every workflow in NA10 starts with a trigger. This is what initiates the automation. You can trigger workflows in multiple ways. Manually based on app events, on a

[03:08] schedule, using web hooks, or even through chat interactions. For example, when a user submits a form, that can trigger an entire workflow automatically. Once the workflow starts, this is where the real power comes in. You can connect APs, transform data, and build complex logic. You can create loops, run parallel processes, and even introduce approval systems. For example, you can build a content creation system where content is generated, images and videos are created, the system waits for approval, and then publishes automatically. This is not just

[03:39] automation, this is system design. N8 also allows you to integrate AI directly into your workflows. You can connect tools like OpenAI, Gemini or any LLM. This allows you to build AI agents, automate decision-m and create intelligent systems that can think and act based on data. One of the biggest advantages of NA10 is flexibility. You can run it locally, self-hosted, deploy it on any cloud infrastructure. This gives you complete control over your data, your workflows, and your system architecture. NATN also provides full

[04:10] visibility into your automation. You can monitor workflow executions, success and failure rates, performance over time. This helps you optimize and scale your systems reliably. So, NAT is not just an automation tool. It’s a complete system to build scalable, intelligent business operations. If you’re serious about automation, AI, and building systems, this is something you need to master. In the next video, we’ll build a real world workflow step by step. Subscribe for more deep dives on automation, AI systems, and real world workflows. And

[04:40] if you want access to ready-made workflows, drop a comment below. Have you ever wondered how a simple form submission can automatically trigger AI, make decisions, and send a personalized email, all without any human intervention? Hello, I’m Rahu Jooshi. This workflow demonstrates a core NA10 architecture. Data comes in via a web hook, gets cleaned, goes through a logic check, gets sent to AI, and finally delivers a personalized email. Let’s walk through each node. Step one, web hook trigger. This is where everything

[05:11] starts. The web hook is set to a post method listening on the path architecture- demo. The moment an external source, a form, an app, or an API call sends data to this URL, the workflow fires. We have pinned test data on this node, a JSON object with three fields. This is what we use to test without needing a live external call. Hit test workflow and this data flows forward automatically. Step two, set map fields processing. This is a set node. It takes the row incoming JSON and maps

[05:42] it into clean structured fields. It extracts name, email, and company directly from the incoming payload using enan expressions. It also adds a hard-coded field which isn’t in the incoming data but gets stamped on every record here. Open this node and you’ll see the input JSON on the left and the clean output on the right side by side. Step three, if has company logic or branching. This is the decision point. The if node checks one condition. Is the company field not empty? If yes, true

[06:14] branch. Execution continues forward to the AI node. If no, false branch. Nothing happens downstream on that path. In our test data, company is acme, so it’ll always go true. But in a real scenario, you might route the false branch to a different email template, a Slack alert, or a CRM update for incomplete leads. Step four, open AI. Generate email AI node. This is where AI comes in. The node calls GPT4 mini with a dynamic prompt. Create a polite

[06:45] follow-up for the person dollar.name. The name is pulled live from the previous node’s output. So, every execution gets a personalized prompt. The key thing to show here is the prompt field. Notice how the N8N expression injects live data directly into the AI call. The response comes back as message.content inside the JS which the next node picks up. Step five, Gmail send email output. Final step, the Gmail node sends the AI generated email. The body pulls directly from the open AI

[07:17] nodes output. Open the execution log after a run and you’ll see the full JSON trail from web hook. all the way through to what Gmail actually sent. And that’s the full loop. Web hook in, data cleaned, logic checked, AI processed, personalized email out. This architecture is the backbone of most automation pipelines you’ll build in NAN. If you found this useful, subscribe. I break down more NAN builds every week. Drop a comment if you want me to cover a specific workflow next. See you in the next one. Imagine a sales CRM chatbot that actually thinks it

[07:49] remembers conversations, pulls live data from Google Sheets, and never makes things up. Hey everyone, I’m Rahul Jooshi, and in this video, I’ll show you how to build a powerful AI powered sales CRM chatbot using GPT40 Mini, N8N, Google Sheets, and Memory, a system that can answer real sales questions in real time. Step one, when chat message received, chat [music] trigger. This node starts the workflow whenever a user sends a message in the N8N chat interface. It captures the user’s query along with the session ID enabling

[08:21] real-time interaction. Step two, open AI chat model LLM. This node provides the core conversational intelligence. It powers reasoning, intent understanding, and response generation for the chatbot. Step three, AI [music] sales CRM router lang chain agent. This is the brain of the workflow. It understands the user’s question and decides whether to query Google Sheets for lead, outreach, or opportunity data. It never guesses and always looks up data first. Step four, outreach sheet. Google Sheets tool. This

[08:52] node allows the AI to search the outreach automation sheet. It’s used for checking lead status, outreach progress, and proposal links when requested by the user. Step five, opportunity sheet, Google Sheets tool. This node lets the AI fetch opportunity and CRM deal details. It’s used for company level or pipeline related questions coming from the chat. Step six, conversation memory buffer. Memory window. This note stores the last few conversation turns. It enables multi-turn conversations so the

[09:23] bot remembers recent context within the same session. Step seven, validate AI output payload if node. This node checks whether the AI produced a valid response. If output exists, the workflow continues. If not, the interaction is logged for debugging. Step eight, log invalid chat records to Google Sheets. Google Sheets. This node captures failed or malformed AI responses. It helps identify tool call or data issues without breaking the chatbot. Step nine, write chat memory to Google Sheets,

[09:54] Google Sheets. [music] This node logs each conversation turn. It stores timestamp, session ID, user message, and AI response for tracking and analysis. Step 10, send chat response, chat response node. This node sends the final AI generated reply back to the user. It completes the chat loop with an instant response. If you found this workflow useful, hit like, subscribe for more AI automation tutorials, and I’ll see you in the next one. Welcome back. I Rahul Jooshi. In

[10:24] this video, we are diving deep into the HTTP request node. The single most powerful node in NAT. Whether you want to connect to a CRM, a payment platform, an AI tool, or literally any SAS product with an API, this node is your gateway. By the end, you’ll have a live workflow that pulls company data from the web and saves it straight into Google Sheets. Let’s go. Step one. What is the HTTP request node? The HTTP request node lets you talk to any REST API. Get to fetch, post to send, put to update, delete to

[10:55] remove. Authentication API key in the header or query param. Bearer token in the authorization header or two for Google or Salesforce. Basic O for username password APIs. For SER API, we’re using a query parameter. API key goes directly in the URL through an NAN credential. Never hardcode keys on the canvas. URL is serapi.com/arch. Query parameters engine equals Google. Q equals our search query. Num equals 10. API key pulls from the stored

[11:26] credential. Hit execute. Raw JSON appears in the output panel. Most APIs pagenate. SER API returns a next underscore page token when there’s more. Check if it exists. Loop back. Fire another request. Repeat until it’s gone. Step two, data transformation. APIs return messy data. SER API gives us a huge JSON object with organic results, ads, knowledge panels. We only want the clean stuff. That’s what this code node does. We grab the organic underscore results array and map over it. Pulling out company name from title, website

[11:58] from displayed underscore link, description from snippet, and source URL from link. We also stamp a scraped underscore at timestamp on every record. The output is a clean flat array, exactly what Google Sheets expects. Step three, saving to Google Sheets. Last stop, Google Sheets. The node is set to append mode, so it adds new rows every run without overwriting anything. Our column mappings connect each field from the code node straight to the right column. Hit execute and watch your sheet fill up live. And this node is totally

[12:29] swappable. Air table, notion, a CRM, web hook, an email, whatever your stack looks like, just plug it in here instead. And that’s the HTTP request node from raw API call to clean structured data in Google Sheets in under 5 minutes. Grab the workflow JSON from the link in the description. Import it into your NAT. Drop in your SER API key and you’re live. If this was useful, I’ll drop one free workflow like this every week inside my school community. JSON file included, setup guide included, completely free. Over 130

[13:02] people are already using these. Link in the description. Come join us. This is where automation becomes intelligent. Hi, I’m Rahul Jooshi. Today I want to show you how AI systems actually work inside NA10 using a real example. An AI that reads a shipping document and decides on its own whether it’s ready to process or needs a human to step in. Every AI workflow, no matter how complex it looks, breaks down into four steps. Input, AI analysis, decision, action. Once you can see this pattern, you’ll

[13:33] recognize it in almost every AI automation out there, including this one. Step one, input. The input here is a bill of leading, a shipping document. In a real setup, this text would come from an OCR step or a document upload. Here, I’ve pinned a sample document directly onto this web hook node, so the workflow runs instantly for the demo. Step two, prompt engineering. Here’s a part that separates a working AI system from a broken one. Prompt engineering. If you just say, “Read this document,” you’ll get back a paragraph. And paragraphs don’t automate. Instead, we

[14:05] tell the model exactly which fields to pull out. B number, shipper, consigne, vessel, ports, and we force the response into JSON. Step three, AI structured output. That’s what gives a structured output, a clean object with every field the AI found instead of a block of text a human has to reread. This code node takes that structured response and turns it into a predictable set of fields the rest of the workflow can actually use. Step four, decision. Now the workflow makes a decision. It checks whether the

[14:35] required fields B number, shipper, consigne actually came back filled in. If any of them are missing, that’s a compliance risk. And the document needs a human to look at it. If everything’s present, it just gets logged and moves on. Step five, action. When something’s missing, the workflow doesn’t just fail quietly. It sends an email immediately, flagging exactly which document and which field needs attention. That’s the payoff. the AI’s decision actually triggers something in the real world instead of sitting in a log nobody reads. So to recap, input, AI analysis,

[15:07] decision, action. That’s the shape behind every AI system in NAT. We used a bill of leading here because compliance is a great example of the AI needs to actually decide something. But this exact pattern works for invoices, support tickets, contracts, anything with structured information buried in unstructured text. If you want to keep building AI systems like this one, come join the free school community links below. I share free NAT and automations, step-by-step setup guides, and the actual JSON file for every workflow I

[15:40] post a video on, including this one. So, if you want to just import this and start customizing it yourself, it’s already waiting for you there. Agents are the next step up from a normal AI workflow. Instead of just analyzing something and stopping, an agent can decide what to do, pick a tool, and go get a real answer on its own. Hi, I’m Rahul Jooshi. Today, I’ll show you a simple one. An agent that searches the web and emails you what it found. LLM versus agent. Quick distinction first. An LLM is just a text generator. You

[16:10] give it words, it gives you words back. An agent is a decision system. It can choose tools and retrieve real data instead of just replying with a paragraph. In this workflow, the agent is this node here and the LLM is plugged into it, not the other way around. Agent architecture, the shape is always the same. User request, agent, select a tool, execute the action, return a result. Here, the request comes in through a chat trigger. The agent decides to search the web, and once it’s done, the result flows out to an email. Step one, the trigger. We start with a

[16:42] chat trigger. That’s the user request step. A sample message here. Find highv value leads that closed this quarter with deal sizes over $50,000. So you can hit execute and watch it run without typing anything. Step two, the agent plus LLM. This is the agent. It needs a language model to actually reason. That’s this OpenAI chat model connected underneath it. The system message tells it exactly what its job is. Search for relevant information and summarize it clearly because that summary is about to get emailed out automatically. Step

[17:12] three, the tool Google search via SER API. The only tool this agent has is a Google search through SER API. When it decides it needs current information, it calls this, gets real search results back, and folds them into its answer. One tool, one clear job. That’s often better than giving an agent five tools it barely uses. Step four, after the agent, send email. Now, here’s an important distinction. This send email node is not a tool the agent calls. It’s just the next step in the workflow. Once

[17:43] the agent finishes and produces its final answer, that answer flows straight into this node and gets emailed out. The agent doesn’t decide to send an email. The workflow does that automatically every time. Let’s run it. The chat trigger fires with our pin request. The agent reads it, decides to search, pulls back results from SER API, writes a summary, and that summary lands straight in an email. So, user request, agent, one tool, a result, and then a plain old automation step to email it out. That

[18:14] last part is worth remembering. Not everything after the agent needs to be another tool. Sometimes it’s just the next node in the chain. If you want to keep building AI systems like this one, come join the free school community. Links below. I share free NAT automations, step-by-step setup guides, and the actual JSON file for every workflow I post a video on, including this. See you in the next one. Hi, I’m Rahul Jooshi. In this video, I’ll show you how to use Google Sheets as a simple database for an AI agent inside NAT.

[18:46] This is useful when you don’t need a full vector database setup, but still want your AI agent to answer from real company data like refund policies, shipping rules, cancellation terms, FAQs, or internal knowledge. By the end of this workflow, you’ll have a Telegram chatbot that receives a user question, searches the right row inside Google Sheets, sends that information to an OpenAI model, and replies back with an accurate answer. Step one, Telegram trigger. The workflow starts with the Telegram trigger node. This node listens for incoming Telegram

[19:17] messages. When a user sends a question like, “What is our refund policy?” The workflow captures the message text and passes it into the AI agent. So, Telegram becomes the front-end chat interface for the user. Step two, AI agent. Next, the message goes into the AI agent node. This is the main brain of the workflow. The agent receives the user’s question from Telegram and decides how to answer it. Instead of guessing from the model’s memory, the agent is instructed to use the connected Google Sheets tool whenever the user asks about company

[19:49] policies, refunds, shipping, cancellations, warranty, or company information. This is what makes Google Sheets work like a lightweight knowledge base. Step three, open AAI chat model. The OpenAI chat model is connected to the AI agent as the language model. This model helps the agent understand the user’s question, decide when to use the sheet, read the return data, and generate a clean natural language answer. In this workflow, the model is used for reasoning and response generation, while

[20:20] the actual company knowledge comes from Google Sheets. Step four, knowledgebased sheet. The knowledgebased sheet node is connected to the AI agent as a tool. This node searches the Google sheet and returns matching rows based on the user’s question. For example, if the user asks about the refund policy, the tool looks for the matching row in the sheet and returns fields like question, answer, and category. This is the key idea of the workflow. The sheet acts as the database and the AI agent uses it only

[20:50] when needed. Step five, telegram send answer. After the AI agent creates the final response, the workflow sends it back through the Telegram send answer node. The user receives a clear answer directly inside Telegram based on the matching row from Google Sheets. For example, if the sheet contains the refund policy, the bot can reply with the exact refund window, processing time, and payment method details. That’s the complete Google Sheets as a database workflow in NAT. It takes a user question from Telegram,

[21:21] sends it to an AI agent, uses Open AI for reasoning, searches Google Sheets as the knowledge base, and replies back to the user with an accurate answer. This is a simple no vector DB br alternative for small and medium knowledge bases, FAQs, policy boards, internal support agents, MVPs, demos, and client projects. You don’t need Pine Cone, Superbase, VV8, or embeddings for every use case. Sometimes a clean Google sheet is enough. If you want to keep building AI systems like this one, come join the free school community links below. I

[21:53] share free innate and automations, step-by-step setup guides, and the actual JSON file for every workflow I post a video on, including this. See you in the next one. Hi, I’m Rahul Jooshi. In this video, I’ll show you how AI memory systems work inside NA10. Memory is what separates a real AI assistant from a chatbot that forgets you the second you close the chat. Today, I’m breaking down the two types of AI memory. short-term and long-term and building a persistent AI assistant that actually remembers your past conversations even after N8N restarts.

[22:24] There are two types of memory you need to know. Short-term memory is your conversation memory. It holds context only for the current session. In N8, that’s this node simple memory buffer window. Great for follow-up questions, but the moment the session ends, it’s gone. Long-term memory is different. It’s persistent. It’s stored in an actual database. So the AI can recall things from days, weeks, even months ago across restarts and different sessions. To build long-term memory, we store every conversation turn in a database. I’m using a Google sheet to keep this simple and visual. The schema is just

[22:55] four columns. User ID, message, response, and time stamp. You can see it right here in the node. Every time the user sends a message and the AI replies, we log that turn as a new row. Over time, this becomes the AI’s memory bank. Here’s the full workflow. Telegram trigger brings in the user’s message. Before the AI agent even runs, we hit get conversation history. This pulls every past row from the sheet that matches this user ID. You can see the retrieved rows right here in the output. A code node formats that into a clean

[23:26] text block which gets injected straight into the agent system message. So, the model literally reads the user’s history before it ever responds. The agent also has the OpenAI chat model as its brain plus simple memory for short-term insession context. After it replies, we log this new turn back into the sheet, then send the answer back on Telegram. That’s the loop. Retrieve history, respond, save history. Let’s test it. I’ve already got a past conversation logged for my test user. I asked to order a red t-shirt in size M, and the

[23:58] AI confirmed it. Now, in a brand new session, I’ll ask something that only makes sense if the AI remembers that. It pulls my history, finds the red t-shirt order, and answers correctly. Even though this is a completely fresh chat session, that’s long-term memory working. This pattern is huge for support BS, personal assistants, or any use case where users come back days later expecting the AI to remember them. And because it’s just a sheet behind the scenes, you can inspect, edit, or even manually correct the AI’s memory anytime. Grab the full workflow. to JSON

[24:29] from the link below. And if you want to go deeper on building AI agents like this, join the AI automation club link in the description. See you in the next one. Most people build one AI agent and stop there. But real automation systems, the ones companies actually run on, don’t use one agent. They use a team of agents. Hi, I’m Rahul Jooshi. Today I’m going to show you how to build a multi-agent content system in NAT. Four AI agents, each with one job, working together to take a single topic and turn it into a fully published article

[25:01] automatically. Here’s a problem with a single AI agent doing everything. The prompt gets bloated, the model gets confused about what it’s supposed to be doing right now, and quality drops. The fix is simple. Split the job. Think of it like a small team. One person researches, one plans, one writes, one publishes. Each person is only good at one thing, but together they produce something none of them could do alone. That’s exactly what we are building. Here’s the pipeline. A research agent, an analysis agent, a writing agent, and a publishing agent. The output of one

[25:33] becomes the input of the next. The research agent only researches. It’s not allowed to write anything. The analysis agent only turns that research into a structured outline. The writing agent only writes the article from that outline. and the publishing agent only packages the final piece. SEO title, meta description, tags, and marks it ready to go. Let’s build it. First, a web hook trigger. This is what kicks off the whole system when a topic comes in. I’m pinning some test data here so I can run the whole workflow instantly without

[26:03] waiting on a real web hook call. Next, the research agent. Notice the system prompt. I’m explicitly telling it, “Your only job is research. Hand off clean notes. Don’t write the article.” Then the analysis agent picks up those notes and turns them into a JSON outline, title, hook, and section headings. I’m forcing structured JSON here. So the next agent has something clean to work with. The writing agent takes that outline and writes the full article in markdown. Intro, each section, a conclusion with a call to action. Finally, the publishing agent. This one

[26:35] packages everything. SEO title, meta description, tags, and marks the status as published. I added one small code node after that parse publish package just to safely parse that JSON in case the model wraps it in markdown fences. Let’s run it live. I’ll hit execute and watch. Research agent kicks in first. Now analysis is structuring the outline. Writing agent is drafting the full piece. And there it is. Publishing agent packaged it and marked it published. One topic in, one finished article out

[27:06] completely handsoff. That’s a real multi-agent system, not just a fancy name. an actual pipeline where each agent has a specialized role. If you want the ready to import JSON for this exact workflow, comment agents and I’ll send it your way. And if you’re building automations like this regularly, join the school community links in the description. See you in the next one. Hi, I’m Rahul Jooshi. In this video, I’ll show you how to build an AI agent for lead qualification in NA10. Most people building automation start with a

[27:37] chron job. Every 15 minutes, check if something changed. every hour pull the API and it works until you’re running it 96 times a day just to catch the one moment something actually happened. Production systems don’t poll, they react. Something happens, a form gets submitted, a payment clears, a row gets updated, and the automation fires the instant it happens, not on the next schedule check. That’s the whole idea behind event-driven systems, and it’s what we’re building in this section. An event source is anything that can tell your automation something just happened.

[28:09] There are three you’ll use constantly. One, web hooks. The most universal event source there is. Any tool that can send an HTTP request, which is basically every modern tool, can ping your workflow the second something happens. Website forms, payment processors, chat platforms. If it has a web hook option, you don’t need to poll it ever. Two, app triggers. These are the pre-built appspecific version of a web hook. Instead of you configuring a raw web hook URL, the app node itself listens for you. A new type form submission, a

[28:40] new calendarly booking, a new stripe charge. Same underlying idea, less setup. Three, database updates. When the event isn’t someone submitted a form, but a row changed, a status flipped, a new record got inserted, you listen at the database layer. Air Table, Postgres, Google Sheets all have trigger nodes that watch for rowle changes and fire the moment they happen. Here’s the thing I want you to take away. All three of these are interchangeable at the front of your pipeline. Whatever fires the event, everything downstream, the

[29:10] processing, the logic, the alerts stays exactly the same. You’re not rebuilding your automation for every new event source. You’re just plugging a different trigger into the same pipe. Let’s make this concrete with the pipeline we are building today. Website form to web hook to AI analysis to CRM entry to Slack alert. Walk through it with me. Someone fills out a form on your website. That submission fires a web hook, the event source. AI analyzes the message, scores the lead, detects intent and urgency, then logs everything into your CRM. And

[29:42] only if the lead is hot, your team gets alerted. No spreadsheet checking, no polling every 10 minutes. One form submission triggers the whole pipeline in seconds. And notice the filtering at the end. Not every event deserves a notification. Every lead gets logged. Only the hot ones interrupt a human. That distinction is what separates a genuinely useful automation from one that just adds noise. Let’s build this live. I’ve already got the JSON ready to import. You’ll have it too. So, let’s walk through what’s actually happening node by node. The web hook. This is our

[30:12] event source web hook- website lead form. It’s listening on a post endpoint. Copy this production URL. And that’s what you’d point your actual website form at. The moment a submission lands here, the workflow wakes up. For this demo, I’ve pinned two sample submissions on this node, a hot lead and a cold one, so we can see both outcomes without waiting on a real form. AI analyze lead takes the name, email, company, and message, and returns a structured judgment, a lead score out of 10, the intent behind the message, urgency, and

[30:44] a oneline summary a salesperson can skim in 2 seconds. That raw AI output gets cleaned up in code- parse lead analysis which pulls the original form fields back in and normalizes everything into one flat object. Timestamp, name, email, company, message, lead score, intent, urgency, summary. I’ll trigger a test run now and show you the actual output live. CRM entry. Every single lead, hot or not, gets logged to Google Sheets in Sheets. Add CRM entry. This is our

[31:14] system of record. Nothing gets lost. Even the leads that don’t go anywhere. The filter if hot lead checks is this lead score seven or higher. If yes, it goes to Slack. Hot lead alert. Realtime ping to the all NA10 automations channel with the lead’s name, company, and that AI written summary. If no, nothing happens. No Slack message, no interruption. It’s already sitting safely in the CRM sheet for whenever someone gets to it. One thing worth pointing out in the Slack node, instead of pulling name, company, summary, and

[31:45] urgency off the sheets output, it reaches back and reads them straight from code parse lead analysis. That’s a handy pattern. Anytime a downstream node’s output doesn’t carry every field you need forward, you’re not stuck with whatever the last node returned, you can always reach back to an earlier node by name. That’s event- driven automation. one event source, a clean pipeline, and a filter at the end. So only what matters actually reaches a human. If you want to keep building AI systems like this one, come join the free school community links below. I share free NAT

[32:16] automations, step-by-step setup guides, and the actual JSON file for every workflow I post a video on, including this. See you in the next one. Hi, I’m Rahul Jooshi. So far, we’ve been building fully automatic AI workflows. No humans involved. But here’s the truth. Not everything should run on autopilot. Some things need a real person to say yes, send it before it goes out. This is called human in the loop. And today I’ll show you how to build one in NA10. Here’s the idea in one line. AI does the work. A human gives the okay, then the action happens.

[32:48] Why does this matter? Because AI can write something that’s slightly wrong, off-brand, or just weird. And if that goes straight to a real customer, that’s a problem. So instead of sending automatically, we pause the workflow and ask a human first. Here’s our example. The AI writes a sales email for a new lead. Instead of sending it right away, we send that draft to Slack with two buttons, approve and reject. The workflow literally pauses and waits. Nothing happens until a human clicks one of those buttons. If they click approve, the email goes out for real. If they

[33:19] click reject, nothing is sent at all. Let’s build it step by step. First, a web hook trigger. This is what starts the workflow when a new lead comes in. I have pinned some sample lead data here so we can test this instantly without waiting on a real request. Next, the sales email writer. This is just an AI agent with one job. Look at the lead’s name and context and write a short, friendly sales email. Nothing fancy, just a good first draft. Now, here’s the important part, the Slack node. I’ve set this to send and wait for response, which means it posts the draft into

[33:49] Slack with approve and reject buttons, and the workflow literally stops right there. It won’t move forward until someone clicks something. After that, an if node checks was it approved? If yes, we go one way. If no, we go another. On the reject path, nothing happens. I just added a simple no operation node. So, the workflow ends cleanly. On the approved path, a Gmail node actually sends the email to the lead. Now, let’s see the workflow in action. The AI creates the sales email draft first, then sends it to Slack for approval.

[34:19] Once the human reviewer clicks approve, the workflow continues and sends the email for real. If the reviewer clicks reject, the workflow stops cleanly and nothing gets sent. That’s human in the loop. A simple but powerful pattern. Anytime AI is doing something that a mistake would actually cost you. If you want this exact workflow, comment approve and I’ll send you the JSON. And if you’re building automations like this, come join the school community links below. See you in the next one. Hi, I’m Rahu Jooshi. In an earlier video, we built a persistent AI chat

[34:50] assistant in NA10. It used telegram, Google Sheets, AI agent and memory to remember past conversations even after the workflow restarted. But there’s one problem. If the Google Sheets call fails or the AI agent times out or the conversation log does not save, the workflow can fail silently. The user sends a message and gets nothing back. So in this video, we’ll fix that by adding proper error handling to the same workflow. We’ll add retries, fallback responses for the user, and a separate Telegram alert for the workflow owner. Before we add error handling, here’s

[35:21] what the original workflow does. A message comes in from Telegram. Then we pull the user’s past conversation history from Google Sheets. After that, we format the history and send it into the AI agent. The AI agent uses the previous history along with memory to generate the reply. Then we log the new conversation turned back into Google Sheets. Finally, the response is sent back to the user on Telegram. The important thing is this. Three parts of this workflow depend on outside services. Google Sheets, the AI agent and Google Sheets again and any one of them can fail. Step one, Telegram

[35:53] trigger. We start with Telegram trigger. This node listens for new Telegram messages. Whenever a user sends a message, this workflow starts. Step two, get conversation history. Next, click get conversation history. This node reads the user’s past chat history from Google Sheets. Since it depends on an external service, this is one of the places where failure can happen. Step three, format history. Next, click format history. This prepares the previous messages in the right format for the AI agent. We are not changing this node because it is an internal

[36:24] formatting step. Step four, AI agent. Now click AI agent. This node generates the chatbots reply because AI calls can time out or fail. We need error handling here too. Step five, open AI chat model. Under the AI agent, we have open AI chat model. This is the model provider connected to the AI agent. We are not changing it directly in this video. Step six, simple memory. Next is simple memory. This gives the AI agent short-term memory during the conversation. This node also stays the

[36:54] same. Step seven, lock conversation turn. Now click lock conversation turn. This saves the latest user message and AI response back into Google Sheets. Since this is another external service call, it also needs error handling. Step eight, Telegram send answer. Next is Telegram send answer. This is the normal success path. If everything works, the AI response goes back to the user here. Step nine, notify error to user. Now add notify error to user. Connect the error paths from get conversation history AI

[37:26] agent and log conversation turn into this node. If anything fails, this sends the user a simple fallback telegram message. That’s the difference between a demo workflow and a production ready workflow. The chatbot still uses the same Telegram trigger, Google Sheets history, AI agent, memory, and response flow, but now it fails gracefully. If an external service fails, the workflow retries first. If it still fails, the user receives a fallback message. And if the workflow itself breaks, the owner gets a telegram alert with the error

[37:56] details. So instead of silent failure, you get visibility, reliability, and a much better user experience. Comment errors and I’ll send you this updated workflow. And if you’re building automations that need to work in the real world, come join the school community. Link is below. See you in the next one. Hi, I’m Rahul Jooshi. In this video, I will show how to monitor N8 workflows automatically before they fail. Quick question. If one of your automations started failing right now, would you know? Not eventually when a customer messages you asking why they

[38:27] never got their email or why the bot went quiet. Right now, today, for most people building with N8, the honest answer is no. And that’s actually completely normal because when you’re first learning automation, you’re focused on just getting the workflow to work at all. Nobody teaches you what happens after that. But here’s the thing, building the workflow is actually the easy part. Keeping it healthy once it’s live, that’s a completely different skill. And it’s the one skill that separates someone who builds automations as a hobby from someone who can actually

[38:57] run them for real clients or for their own business without constantly babysitting them. So today I want to walk you through something a lot of tutorials skip completely. Monitoring and observability. It sounds like a big technical DevOps kind of term, but honestly what we’re building today is simple. No fancy tools, no expensive software. Just three things you track using tools you probably already have sitting right there in your NAT setup. Google Sheets and Telegram. By the end of this video, you’ll have a working system that tells you the moment something goes wrong instead of you

[39:28] finding out the hard way. Here’s the mindset. A workflow running in production with zero visibility is a workflow you’re flying blind on. You don’t need anything fancy. You just need to track three things. Execution time, how long each run takes, because a sudden spike usually means something slow or stuck. Failure rate, what percentage of runs are erroring out, because one failure is normal, but a rising trend isn’t. And AI token usage, how many tokens each AI call is burning, because that’s directly tied to your bill. To track that, you need three

[40:00] tools working together. Logs, a record of what happened and when, alerts, a ping the moment something crosses a line you care about, and a metrics dashboard, a place to see trends over time, not just one number in isolation. We’re building all three today using tools you already have, Google Sheets and Telegram. Let’s build the first piece, the metrics logger. It starts with a schedule trigger set to run every hour that calls get recent executions which hits NA10’s own API to pull your recent execution history. I’ve pinned sample data here so we can test it instantly.

[40:32] That data goes into calculate metrics, a small code node that does the math, total executions, how many failed, the failure rate as a percentage, and the average execution time in seconds. Those numbers get logged as a new row in a Google sheet. That’s our logs and our dashboard in one place. Since a sheet full of hourly rows already shows you trends over time, then an if note checks, is the failure rate 10% or higher? If yes, a telegram message fires immediately telling you exactly what’s going on. If everything’s fine, nothing

[41:03] happens. No noise, just silence when things are actually okay. Now, the second piece, completely separate token usage tracking. Anytime you use an AI agent node, its response actually includes a token usage object. Prompt tokens, completion tokens, total tokens. Most people never look at this. Here I’ve got a sample AI response pin. So you can see the shape of it feeding into extract token usage. A tiny code node that just pulls those numbers out and then it logs straight into its own sheet tab. The point of this block isn’t that

[41:34] you run it on its own. It’s that you copy this exact pattern into any AI agent node you already have and suddenly every AI call you make is tracked for cost. Let’s run both metrics logger first. Execute and there it is. Total runs, failure rate, average time all logged. And since one of our sample executions failed, watch the alert fires on Telegram immediately. Now the token tracker execute and you can see the prompt completion and total tokens

[42:04] logged cleanly. ready to add up over time. And that’s really it. That’s the whole system. No expensive monitoring platform, no complicated setup, just a schedule check, a sheet acting as your logs and your dashboard, and a telegram alert as your early warning system. It’s genuinely one of those things that takes 20 minutes to set up once and then quietly saves you from a disaster down the line. The kind where a workflow’s been silently failing for 2 days and you only find out because a client asks where their automation went. If you’re serious about running automations that

[42:35] actually hold up long-term, not just demo quality workflows, but ones you can trust in production, this monitoring layer is non-negotiable. Set it up once on your most important workflows and just forget about it until it actually pings you. Comment monitor below and I’ll send you this exact workflow sheet template included so you can plug it in today. And if you want more builds like this, the kind that make your automations production ready, not just demo ready, come join the school community. Links right below this video. See you in the next one.