Master n8n Prompt Engineering zwiększający skuteczność AI agentów aż 10 razy

Zanim wszedłem głębiej w świat automatyzacji AI w n8n, byłem przekonany, że wystarczy połączyć odpowiednie narzędzia, ustawić model i już – agent sam zacznie działać zgodnie z intencją. Jednak życie szybko mnie sprowadziło na ziemię. Okazało się, że nawet przy najlepszych modelach, agent potrafi zachowywać się jak pies spuszczony ze smyczy – raz zrobi porządną robotę, ale często zaskoczy mnie nieprzewidywalną interpretacją polecenia. Dziś spojrzę z Tobą na ten problem z perspektywy praktyka i pokażę krok po kroku, jak dzięki masterowaniu prompt engineering w n8n można spokojnie spać, mając na koncie agentów, którzy działają nawet 10 razy skuteczniej.

W tekście dowiesz się:

• Jak myśleć o architekturze AI agenta w n8n i dlaczego cztery elementy są tu kluczowe.
• Jak precyzyjnie ustawiać user message i system message w n8n, by unikać typowych pułapek.
• Jak napisać pięciosekcyjny system prompt, który staje się realnym kontraktem z AI.
• Dlaczego markdown i pogrubienia mają dla AI realne znaczenie.
• Jak projektować multi-agent workflows, które robią robotę, a nie generują chaos.

Podzielę się swoim własnym doświadczeniem – tym, co działa i tym, na czym można się przejechać.

1. Jak zbudowany jest AI agent w n8n: praktyczna mapa do głowy

AI agent w n8n ma swoją „fizjonomię”, którą warto zapamiętać, bo pozwala lepiej zrozumieć, na co masz wpływ i gdzie możesz wzmocnić efektywność.

• Agent (AI Agent node): Twój „koordynator” – zbiera dane, decyduje, z czym je zestawić i jak odpowiedzieć.
• Mózg (LLM): Model językowy – tutaj naprawdę dzieje się magia myślenia. W praktyce to może być GPT-4, Claude czy inny duży model.
• Pamięć: Historia konwersacji – tu agent „trzyma w głowie”, co już się wydarzyło, żeby nie zgubić kontekstu rozmowy.
• Narzędzia (Tools): Zestaw integracji i operacji – Gmail, Google Calendar, HTTP requests, narzędzia wyszukujące… Słowem: zestaw akcji, które agent może wywołać na zewnątrz.

Schemat komunikacji wygląda z grubsza tak:

• Użytkownik (czyli Ty lub Twój klient) wysyła wiadomość do systemu.
• Ta wiadomość trafia do AI Agent node.
• Agent składa „prompt” z user message (Twoje polecenie), system message (instrukcja dla AI), a także dorzuca pamięć z wcześniejszych rozmów.
• Model językowy przetwarza komendę i zwraca odpowiedź.
• Agent, jeśli trzeba, uruchamia narzędzie z zestawu i wykonuje faktyczną operację.
• Ostateczna odpowiedź wraca do użytkownika.

Jeśli chcesz, żeby agent zachowywał się przewidywalnie i automaty robione w n8n nie robiły psikusów, najważniejsze jest to, **jak ułożysz prompt**. Do tego zaraz wrócimy.

2. User message vs System message – dwa filary skutecznego promptowania

Pierwszy moment, w którym się gubiłem, to rozdzielenie dwóch pojęć: user message i system message. Warto mieć to „w palcach”, bo one spełniają zupełnie inną funkcję.

2.1. User message – co użytkownik chce osiągnąć

User message to najzwyklejsza treść pytania lub polecenia, na które agent ma odpowiedzieć. Przykłady? Proszę bardzo:

• „Dodaj mi wydarzenie do kalendarza na jutro 18:00.”
• „Podaj najnowsze newsy o automatyzacji AI.”

To „żywe” polecenie – intencja osoby, która korzysta z agenta.

2.2. System message – instrukcja obsługi agenta

System message to dla AI coś na kształt instrukcji stanowiskowej. To tu definiujesz:

• jaką rolę pełni agent,
• jakiego tonu powinien używać,
• z jakich narzędzi korzystać i kiedy,
• na jakie szczególne ograniczenia musi zwracać uwagę,
• w jakim formacie odpowiadać.

Zaręczam, że rozdzielając te dwa poziomy – user (życzenie) i system (reguły) – zmniejszasz liczbę dziwnych wpadek o połowę.

2.3. Skąd właściwie brać user message w n8n?

Jest kilka trików, które warto mieć na podorędziu:

• Chat Trigger → AI Agent (domyślna opcja): Najczęściej AI Agent node automatycznie pobiera wiadomość z wcześniejszego węzła (np. chata) jako user message. To sprawia, że codzienna obsługa jest łatwa jak barszcz.
• Ustawienie „Define below”: Jeśli po drodze przetwarzasz dane (np. przechodziłeś przez rozpoznanie mowy lub transformację tekstu), możesz wyraźnie wskazać, która część wejścia ma trafić jako user message do AI. Wpisujesz wtedy wyrażenie typu {{ $json.text }} i masz pewność, że żadne śmieci nie namieszają w komunikacji.

Ja sam już kilka razy wpadłem w pułapkę, kiedy przez przeoczenie agent dostawał nie to polecenie, które chciałem, tylko całą strukturę JSON albo surowe dane systemowe.

3. 5‑sekcyjny system prompt – klucz do przemyślanego agenta

To, co zmieniło moje workflow w n8n na lepsze, to budowanie system promptu w ścisłej strukturze. Układ pięciosekcyjny – wypracowany na własnych błędach – daje agentowi stabilne ramy działania. Dzięki temu wręcz 10x wzrasta przewidywalność AI i unikasz wiecznych problemów z niejednoznacznością.

• Overview – stanowisko i zakres prac agenta
• Tools – spis narzędzi dostępnych agentowi i reguły ich używania
• Rules – zasady, których agent musi się trzymać
• Examples – przykłady rozmów i oczekiwanych odpowiedzi
• Output format (opcjonalnie) – jeśli zależy ci na typologii i strukturze odpowiedzi

3.1. Overview – szybka „umowa o pracę”

Tu w kilku zdaniach ustalasz, kim jest twój agent i czego się od niego oczekuje. Czysto, jasno, bez nadmuchanych ozdobników.

You are a professional research AI agent. Your role is to perform accurate, up-to-date research on any topic the user asks about. You must gather information using the Tavily search tool and then summarize the findings clearly, objectively, and professionally.

Czego nauczyłem się z praktyki? Że konkret (rola, zakres, styl) naprawdę daje modelowi punkt zaczepienia. Agent wie, gdzie są granice jego działania i jaka jest wartość nadrzędna (np. precyzja, aktualność).

3.2. Tools – jasno opisane instrumentarium

W tej sekcji rozpisujesz agentowi, jakimi narzędziami dysponuje i kiedy ma po nie sięgać. Agentowi trzeba to wyłożyć jak kawę na ławę, bo sam model nie wyczuje, że nowy tool jest lepszy niż jego domyślna wiedza.

• Tool: Tavily search
• Stosuj, gdy:
  • potrzebujesz aktualnych danych, newsów, trendów,
  • weryfikujesz fakty,
  • szukasz nowych źródeł.

Jeśli agent nie będzie miał tego czarno na białym, szybko zapomni o nowym narzędziu i zacznie polegać wyłącznie na tym, co „wie” z czasów trenowania modelu. Wtedy nici z automatyzacji newsowych czy trafnego researchu.

3.3. Rules – daj agentowi „ogrodzenie”, żeby nie brykał

Tutaj musisz precyzyjnie określić, czego agent NIE może zrobić, kiedy MUSI reagować, jakiego języka unikać i na jakiej argumentacji się opierać. Ja zwykle ustawiam:

• Narzędzia muszą być użyte przy newsach, bieżących pytaniach itp.
• Zabrania się opierania wyłącznie na wiedzy modelu, jeśli zapytanie dotyczy nowości.
• Obowiązek wskazania co najmniej dwóch źródeł (jeśli są dostępne).
• Styl: zawsze profesjonalny, neutralny, bez opinii czy domysłów.

Moim zdaniem te „płotki” robią różnicę między chaosem a agentem, na którym naprawdę możesz polegać.

3.4. Examples – sekcja o największym wpływie na skuteczność

Na własnej skórze przekonałem się, że to najważniejszy element całego promptu. Pokaż agentowi, jak wygląda prawidłowa interakcja! W praktyce wygląda to tak:

Input: Czy są nowe badania o microdosingu w leczeniu lęku w tym roku?
Proces: użyj Tavily, wyszukaj badania z ostatnich miesięcy, porównaj źródła, zacytuj publikacje oraz daty.
Output: 
- Summary: [krótkie podsumowanie w 2–3 zdaniach]
- Key insights: [lista najważniejszych wniosków, wypunktowana]
- Sources: [podaj publikacje, linki, daty]

Dodaj na koniec formułkę:


„Always use this output structure for all interactions.”


i masz gwarancję, że agent przestanie fundować niespodzianki.

• Przy prostych agentach – jeden dobry przykład często wystarczy.
• Przy bardziej rozgałęzionych – dwa, trzy, maksymalnie cztery pokazujące różne warianty.

Uważaj tylko, żeby nie przesadzić – za dużo przykładów i agent zaczyna się plątać, nie wiedząc, który z nich wybrać.

3.5. Output format – gdy ważna jest struktura odpowiedzi

Często spotykam się z potrzebą dalszego przetwarzania wyników AI w automatyzacji (np. wysyłka części odpowiedzi mailem, inna część idzie do bazy). Wtedy mistrzowsko sprawdza się wskazanie wymaganego formatu w system prompt.

• Np. „Return your answer in Markdown with three sections: Summary, Key insights, Sources.”

W n8n możesz też uruchomić Structured Output – definiujesz JSON, np.:

{
  "summary": "string",
  "keyInsights": "string[]",
  "sources": "string[]"
}

Dzięki temu agent zwraca dane już w poskładanych polach, nie w jednym bloku tekstu – i automatyzacja przebiega znacznie sprawniej.

4. Markdown i pogrubienia – jak wycisnąć z promptu maksimum

Początkowo wydawało mi się, że markdown w system prompt to już sztuka dla sztuki. Nic bardziej mylnego! Modele językowe naprawdę wyłapują strukturę dzięki nagłówkom i pogrubieniom.

4.1. Nagłówki – logiczny podział promptu

• # Overview
• # Tools
• # Rules
• ## Examples
• ## Output format

Jeden „hash” ( # ) oznacza główny segment; dwa hashe ( ## ) to podsekcje. Model widzi, gdzie są rozdziały, a gdzie szczegóły. Jeśli spróbujesz porównać logi z agenta przygotowanego z taką strukturą i bez niej – wierz mi, natychmiast zobaczysz różnicę w spójności wyników.

4.2. Pogrubienia – sygnały dotyczące zasad

Stosuję pogrubienia dla zasad, których agent ma absolutnie nie ignorować:

• always use the Tavily search tool when…
• do not invent sources or URLs
• respond in Polish unless the user requests another language

Dzięki temu nawet przy skomplikowanych poleceniach model nie pomija kluczowych reguł.

5. Przykład: agent kalendarzowy „na czysto” w n8n

Weźmy na warsztat prostego agenta do obsługi Google Calendar.

• Chat Trigger – odpala konwersację
• AI Agent – spięty z modelem (np. OpenAI), z pamięcią, z jednym toolem: tworzenie wydarzeń w Google Calendar

5.1. Przebieg działania

• Piszesz: „Dodaj kolację na jutro o 18:00”.
• Wiadomość trafia do AI Agent.
• Agent interpretuje datę („jutro” vs. konkretna data), uruchamia narzędzie do tworzenia wydarzenia, zapisuje je.
• Odsyła potwierdzenie: „Dodałem wydarzenie 'Kolacja’ na [data], godz. 18:00 do twojego kalendarza.”

Co w system prompt?

• Rola: twój asystent kalendarzowy, którego zadaniem jest automatyczne zarządzanie wydarzeniami kalendarza Google.
• Narzędzie: masz dostęp wyłącznie do Google Calendar.
• Reguły: zawsze używaj narzędzia do tworzenia wydarzeń, nigdy nie udawaj, że coś zrobiłeś. Zamieniaj zwroty typu „jutro”, „w poniedziałek” na konkretne daty.
• Przykład:

      Input: Zaplanuj spotkanie z Kasią w poniedziałek o 9:00.
      Output: Dodałem wydarzenie 'Spotkanie z Kasią' na [dzień tygodnia], [data], godz. 9:00.
      

To robi robotę!

6. Multi-agent w n8n – jak nie pogubić się w automatyzacji na większą skalę

Kto pracował z większą liczbą narzędzi w jednym agencie ten wie, że po jakimś czasie zaczyna się robić bałagan. System prompt puchnie od zasad, rośnie liczba warunków, agent potrafi zamienić Gmail z Google Sheets, a debugowanie zamienia się w bieg z przeszkodami…

6.1. Rozwiązanie: multi-agent architecture

Tutaj sprawdza się architektura routera i sub-agentów. Zamiast wrzucać everything do jednego agenta, rozbijasz zadania na mniejsze kawałki:

• Główny agent (router): dostaje polecenie użytkownika i klasyfikuje, czy dotyczy maili, arkuszy, czy czegoś innego.
• Sub-agenci (per aplikacja): obsługują konkretne narzędzia (np. jeden tylko Gmail, drugi tylko Sheets).

Dzięki temu:

• System prompt głównego agenta jest prosty: klasyfikuje i deleguje.
• Każdy sub-agent ma jasne instrukcje dla jednej aplikacji.

Możesz dobudowywać kolejne sub-agenty w razie nowych potrzeb, bez przerabiania całego workflow.

6.2. System prompt dla głównego agenta – routera

Tu wpisujesz w overview:

You are a routing AI agent. Your job is to classify the user’s request as either email-related or spreadsheet-related and then route the task to the appropriate AI agent.

W sekcji tools:

• Tool: Gmail Agent – handles all email-related tasks.
• Tool: Google Sheets Agent – handles all spreadsheet-related tasks.

W rules:

• Gdy polecenie dotyczy maili, kieruj do Gmail Agent.
• Gdy chodzi o arkusze, deleguj do Sheets Agent.

To porządkuje komunikację, zmniejsza liczbę reguł do nauczenia się przez jeden model i minimalizuje ilość gaf.

7. Podsumowanie metody na 10× skuteczniejsze AI agilety

Jeśli mam wskazać drogę na skróty – która realnie przynosi efekty, a nie jest kolejnym pustym sloganem – to:

• Zawsze rozdzielaj user i system message. Kontroluj, skąd model pobiera user message („Define below”, jeśli trzeba).
• Buduj system prompt wg pięciu sekcji: Overview – Tools – Rules – Examples – Output format (opcjonalnie).
• Dodaj chociaż jeden dobrze rozpisany przykład. Dzięki temu agent ma jasną instrukcję, jak „myśleć” i jak wygląda finalna odpowiedź.
• Stosuj markdown i pogrubienia:
  • # i ## do logicznej segmentacji promptu,
  • pogrubienia tylko dla kluczowych instrukcji, nie dla wszystkiego jak leci.
• Przy skomplikowanych workflowach rozważ architekturę multi-agent:
  • główny agent pełni rolę routera,
  • sub-agenci specjalizują się w jednej aplikacji.