n8n का AI Agent नोड ऐसा असिस्टेंट बनाना आसान कर देता है जो ईमेल पढ़े, रिकॉर्ड खोजे और जवाब दे। साथ ही योजना से ज़्यादा ख़र्च करना भी आसान कर देता है, क्योंकि हर रन मॉडल को दस बार तक कॉल कर सकता है, और हर बार पूरा प्रॉम्प्ट दोबारा भेजता है। यह पोस्ट दिखाती है कि AI Agent वर्कफ़्लो को कम लागत वाले OpenAI-कम्पैटिबल मॉडल पर कैसे चलाएँ, टूल उपयोग के लिए कौन-सा मॉडल चुनें, कौन-सी सेटिंग टोकन घटाती हैं, और एक रन कितने का पड़ता है। क्रेडेंशियल और नोड के सेटअप के लिए हमारा n8n सेटअप गाइड देखें।
AI Agent को सस्ते मॉडल से कैसे जोड़ें?
- अपने प्रोवाइडर की key और उसके Base URL के साथ एक OpenAI क्रेडेंशियल बनाएँ, जैसे
https://inference.broadnet.ai/v1। - एक AI Agent नोड जोड़ें और उस क्रेडेंशियल के साथ एक OpenAI Chat Model सब-नोड लगाएँ।
- मॉडल को ID से डालें, सूची से नहीं, जैसे
broadnet/qwen3.8-27b। - अगर आपका प्रोवाइडर चैट कम्प्लीशन सर्व करता है, जैसा BroadNet करता है, तो Use Responses API बंद करें।
- कम से कम एक टूल लगाएँ। n8n के डॉक्स कहते हैं कि AI Agent से कम से कम एक टूल सब-नोड जोड़ना ज़रूरी है।
जब आप OpenAI से अलग कोई Base URL सेट करते हैं, तो n8n एक सूचना दिखाता है कि हर मॉडल टूल या JSON रिस्पॉन्स फ़ॉर्मैट सपोर्ट नहीं करता। इसे गंभीरता से लें: यही आपका मॉडल चुनाव तय करती है।
कौन-सा सस्ता मॉडल n8n टूल संभाल सकता है?
n8n के डॉक्स कहते हैं कि सभी AI Agent नोड अब Tools Agent के रूप में काम करते हैं। मॉडल को भरोसेमंद ढंग से टूल कॉल भेजने आने चाहिए, वरना एजेंट लूप में घूमता है या आपके टूल इस्तेमाल किए बिना जवाब दे देता है।
| BroadNet पर मॉडल | टूल सूचीबद्ध | कॉन्टेक्स्ट | n8n में सबसे अच्छा उपयोग |
|---|---|---|---|
| Qwen3.8 27B | हाँ | 262,144 | AI Agent के लिए डिफ़ॉल्ट; इमेज इनपुट, अरबी पर परखा गया |
| GLM 5.3 | हाँ | 1,048,576 | लंबे दस्तावेज़ों पर एजेंट |
| Gemma 4 VL 26B | सूचीबद्ध नहीं | 32,768 | Basic LLM Chain: वर्गीकरण, निकालना, रूटिंग |
| DeepSeek V4.1 Flash | सूचीबद्ध नहीं | 1,048,576 | लंबे दस्तावेज़ों वाली chain, इमेज इनपुट; एजेंट में इस्तेमाल से पहले परखें |
टूल-सक्षम दोनों मॉडल में Qwen3.8 27B इनपुट पर सस्ता है, और n8n एजेंट इनपुट-भारी होते हैं। वहीं से शुरू करें और अगर आपके टेस्ट दिखाएँ कि GLM 5.3 आपके टूल बेहतर संभालता है, तो उस पर जाएँ; GLM 5.3 बनाम Qwen3.8 27B दोनों की तुलना करता है।
n8n एजेंट टोकन कहाँ ख़र्च करता है?
हर iteration एक अलग मॉडल कॉल है, जिसमें होता है:
- आपका लिखा System Message,
- हर जुड़े हुए टूल की परिभाषा, जिसमें All पर सेट MCP Client Tool नोड के सभी टूल शामिल हैं,
- Simple Memory की मेमरी विंडो,
- यूज़र का इनपुट, साथ में इस रन की पिछली टूल कॉल और नतीजे।
आउटपुट आम तौर पर छोटा होता है। इसलिए बिल इनपुट के आकार गुणा iteration से तय होता है। हमारी एजेंट टोकन बजट पोस्ट हर हिस्से को मापने का तरीक़ा दिखाती है।
कौन-सी सेटिंग लागत सबसे ज़्यादा घटाती हैं?
- Max Iterations। डिफ़ॉल्ट 10 है। ज़्यादातर सपोर्ट जैसे एजेंट 2 से 4 में पूरा कर लेते हैं। इसे 4 या 5 पर सेट करें ताकि उलझा हुआ रन जल्दी रुक जाए।
- Simple Memory की Context Window Length। यह तय करती है कि कितनी पिछली बातचीत रखी जाए। हर एक हर iteration पर दोबारा भेजी जाती है। इसे छोटा रखें, जैसे 5।
- कम टूल। MCP Client Tool नोड पर All के बजाय Selected या All Except इस्तेमाल करें।
- छोटा टूल आउटपुट। HTTP Request टूल से पूरे API जवाब नहीं, सिर्फ़ वे फ़ील्ड लौटवाएँ जो एजेंट को चाहिए।
- Maximum Number of Tokens। Qwen3.8 27B और GLM 5.3 पहले रीज़निंग करते हैं, और रीज़निंग इस सीमा में गिनी जाती है। इसे डिफ़ॉल्ट पर छोड़ें या कुछ हज़ार पर सेट करें। बहुत छोटी सीमा ख़ाली आउटपुट देती है।
- एजेंट से पहले रूट करें। अनुरोधों का वर्गीकरण करने के लिए आगे Gemma 4 VL 26B पर एक Basic LLM Chain लगाएँ। सिर्फ़ वे अनुरोध एजेंट तक पहुँचें जिन्हें टूल चाहिए।
तय आउटपुट आकार के लिए Require Specific Output Format चालू करें और एक Structured Output Parser लगाएँ। यह एजेंट से दोबारा फ़ॉर्मैट करवाने से सस्ता है। ज़्यादा जानकारी स्ट्रक्चर्ड आउटपुट में।
n8n एजेंट के एक रन की लागत कितनी है?
एक सपोर्ट एजेंट लें: हर रन में 3 iteration, हर iteration में लगभग 4,000 इनपुट टोकन और 300 आउटपुट टोकन। यानी हर रन में 12,000 इनपुट और 900 आउटपुट टोकन। महीने में 10,000 रन पर:
| मासिक टोकन | Qwen3.8 27B | GLM 5.3 |
|---|---|---|
| 120M इनपुट | प्रति 1M $0.175 | प्रति 1M $0.78 |
| 9M आउटपुट | प्रति 1M $2.17 | प्रति 1M $3.46 |
गुणा करें और जोड़ें। 2026-11-14 को सिंक हुई कीमतों पर इस वर्कफ़्लो के लिए GLM 5.3, Qwen3.8 27B से लगभग 3 गुना महँगा पड़ता है, किसी भी कैश छूट से पहले। iteration आधे करने से दोनों मॉडल पर इनपुट की पंक्ति मोटे तौर पर आधी हो जाती है; छोटी मेमरी विंडो उसे उतना घटाती है जितना हर प्रॉम्प्ट में मेमरी का हिस्सा है।
Gemma 4 VL 26B वाला रूटिंग स्टेप बहुत कम जोड़ता है: 800 इनपुट और 20 आउटपुट टोकन पर 10,000 वर्गीकरण का मतलब है प्रति 1M $0.10 पर 8M इनपुट और प्रति 1M $0.22 पर 0.2M आउटपुट। अगर 40% अनुरोध एजेंट तक पहुँचते ही नहीं, तो इससे एजेंट वाली पंक्ति का 40% बचता है। Gemma पर स्थिर ऊँचे वॉल्यूम के लिए BroadNet $0.50 प्रति घंटा की फ़्लैट घंटे वाली key भी बेचता है: प्रति मिनट 120 अनुरोध, एक स्ट्रीम, प्रति मिनट 300,000 टोकन।
अपने आँकड़े LLM API कॉस्ट कैलकुलेटर में चलाएँ, और रेट लिमिट कैलकुलेटर से जाँचें कि प्रति मिनट 30 अनुरोध कितनी दूर तक चलते हैं।
n8n में सस्ते मॉडल के साथ क्या टूटता है?
- एजेंट टूल को अनदेखा करता है। मॉडल टूल सपोर्ट के साथ सूचीबद्ध नहीं है। Qwen3.8 27B या GLM 5.3 पर जाएँ।
- “Bad request”। आम तौर पर Responses API वाला टॉगल। सेटअप गाइड में इसके हल हैं।
- बैच में 429। उपयोग के अनुसार भुगतान वाली key प्रति मिनट 30 अनुरोध और एक साथ 4 की अनुमति देती है। Wait नोड के साथ Loop Over Items इस्तेमाल करें। देखें एरर और रीट्राई।
- MCP टूल। MCP Client Tool नोड एजेंट को किसी बाहरी MCP सर्वर को कॉल करने देता है। पहले OpenAI-कम्पैटिबल मॉडल के साथ MCP पढ़ें।
BroadNet Inference कहाँ फ़िट होता है
BroadNet Inference n8n को एक ही OpenAI-कम्पैटिबल क्रेडेंशियल देता है: टूल के साथ Qwen3.8 27B और GLM 5.3, सस्ती रूटिंग के लिए Gemma 4 VL 26B, और स्थिर बैच के लिए $0.50 की घंटे वाली Gemma key। नए अकाउंट को $5 का क्रेडिट मिलता है, जो Gemma 4 VL 26B को कवर करता है; टूल-सक्षम मॉडल के लिए टॉप-अप चाहिए। यह उन वर्कफ़्लो के लिए ठीक नहीं जिन्हें सिर्फ़ OpenAI वाले फ़ीचर चाहिए, जैसे Responses API के बिल्ट-इन टूल। key inference.broadnet.ai पर बनाएँ।
