AI automatizálás: n8n workflow vagy jól megírt skill

Az AI automatizálás ígérete csábító: egyszer megírjuk a folyamatot, és utána magától dolgozik. Az elmúlt napokban mi is felépítettünk egy több lépéses, szövegkészítő AI-folyamatot (AI: Artificial Intelligence, mesterséges intelligencia), előbb n8n-ben, ingyenes AI-szolgáltatásokkal, majd egy jól megírt skillel. Az út tanulságosabb volt, mint vártuk, ezért leírjuk, mit mértünk, és mit csinálnánk ma másképp.

Ingyenes AI automatizálás n8n-ben: a keret szabja meg a határt

Az n8n saját gépen is futtatható automatizáló eszköz, és elsőre kézenfekvő ingyenes AI-szolgáltatásokat kötni mögé. A gyakorlatban a keretek hamar szűk keresztmetszetté váltak:

• a Groq ingyenes kerete modellenként napi 200 000 tokent és percenként 8 000 tokent enged;
• a Gemini ingyenes kerete modellenként napi 20 kérés, és mivel több folyamatunk is ugyanabból fogyasztott, egy nap alatt mind az öt használt modell kerete elfogyott;
• csúcsidőben gyakori a túlterhelés: egy ellenőrző lépésnél két modell kilenc percen át csak hibaüzenetet adott.

A másik gond a magyar nyelv. Egy független európai mérésen (EuroEval) a nyelvtani helyesség felismerésében a legjobb ingyenesen is elérhető modell 78,8 pontot ért el, az általunk először választott modell csak 45,0-t. Saját gépen futtatott modellel sem jártunk jobban: a 16 GB-os memóriakeretben a jó minőségű modell kb. 2 token/másodperc sebességgel futott, egy hívás 7-8 percig tartott.

Minden javítási kör újabb token

Mivel az ingyenes modellek szövege ritkán volt elsőre jó, a folyamatba ellenőrző köröket építettünk: tényellenőrzés, nyelvi ellenőrzés, főszerkesztői értékelés, majd átdolgozás. A fő munkára fizetős modellt állítottunk be, az egyszerű részfeladatokat (hírek rangsorolása, tények kinyerése, képválasztás) pedig az ingyenes modellekre bíztuk.

Az eredmény egyetlen szövegre 146 480 token volt 12 hívásban. Ennek 73%-a az ellenőrző lépésekre ment el, és a nagy része a modell belső gondolkodása volt, nem a válasz. Az ingyenes modellek mindössze 15 873 tokent, a teljes felhasználás kb. 10%-át vállalták át.

A legtanulságosabb futásban elfogyott a fizetős előfizetés 5 órás kerete, és a folyamat átváltott az ingyenes tartalékokra. 74 perc és 6 javítási kör után sem lett közölhető szöveg, a legjobb értékelés 7/10 volt. A javítgatás tehát nemcsak lassú, hanem drága is, mert minden kör újra végigolvassa és újra ellenőrzi a teljes szöveget.

n8n workflow vagy jól megírt skill?

Ugyanezt a feladatot végül egy skillel oldottuk meg. A skill egy mappa, benne a feladat leírása, a szabályok és a gépies részeket végző szkriptek. A Claude Code ezt tölti be a feladat elején, a szkripteket pedig lefuttatja, így a letöltés, a számolás és a feltöltés nem fogyaszt tokent.

A mért különbség nagy: egyetlen futás 3 perc alatt, 14 249 kimeneti tokennel, első nekifutásra 8/10 értékelésű, közölhető szöveget adott.

Az n8n workflow-nak is megvan a helye. Minden lépése külön AI-hívás, a lépések között az adat kódban halad tovább, és ez jól működik ott, ahol a folyamat előre kiszámítható. Nálunk viszont a hibakezelést, a tartalék modelleket és a várakozást mind külön meg kellett írni, és ez sok munkát vitt el. A két megközelítés elvi különbségéről korábban a Workflow vagy agent? cikkben írtunk.

Mit érdemes ebből megfogadni?

• A gépies részeket (letöltés, számolás, formázás, küldés) bízzuk kódra, az AI-t csak oda tegyük, ahol gondolkodni kell.
• Az ingyenes AI-keretek kipróbálásra jók, egy rendszeresen futó, éles folyamatot viszont egy túlterhelt vagy kimerült keret bármikor megállíthat.
• Érdemes elsőre jól megírni a szabályokat: egy pontos leírás kevesebb javítási kört jelent, és minden megspórolt kör megspórolt token.
• Figyeljünk a munkamenet hosszára is. Egy hosszú beszélgetés közepén kézzel indított ugyanilyen munka 31 554 kimeneti tokent használt, de mellé 10,2 millió gyorsítótárból olvasott tokent, mert minden lépésnél a teljes addigi beszélgetés újra beolvasódott.

Ha egy cég most tervezi az első ilyen folyamatát, ezeket a döntéseket az AI-tanácsadás és bevezetés során érdemes még az építés előtt végiggondolni.

Kép: Code Coding, szerző: Negative Space, licenc: CC0, forrás: Stocksnap

Forrás: Saját mérések (IT Gazda, 2026. szeptember) (IT Gazda)