Magari devi preparare un report per un cliente, confrontare prodotti e competitor, oppure tenere aggiornato un database interno. Il problema non è “trovare le informazioni”: è trasformarle in qualcosa di utile, ordinato e ritrovabile. E farlo senza impazzire ogni volta.
Qui entra in gioco un agente IA con n8n: un’automazione “intelligente” che non si limita a risponderti come una chat, ma fa azioni concrete al posto tuo. Tipo: apre una pagina web, ne estrae il contenuto, lo riassume, crea una scheda in Notion e poi ti avvisa su Discord o Slack quando ha finito.

In questa guida ti porto passo passo a costruire un agente di ricerca pratico e pronto all’uso: gli dai un URL, lui legge la pagina (con scraping), la riassume, archivia tutto in Notion e ti manda una notifica su Discord. È particolarmente utile per freelance, piccole agenzie e PMI che devono trasformare contenuti sparsi (pagine web, documenti, schede prodotto) in dati ordinati e riutilizzabili.

Nota importante: la parte “delicata” non è far ragionare l’IA. È farla agire in modo affidabile: chiamare strumenti, leggere siti, aggiornare database, creare pagine e inviare notifiche senza saltare pezzi. Qui i workflow (cioè i flussi di lavoro che costruisci in n8n) fanno tutta la differenza.

In generale, per costruire agenti IA ci sono tre strade solide:

• Da zero (se vuoi controllo totale e non ti spaventa scrivere codice),
• Con framework come LangChain e CrewAI (se vuoi flessibilità senza reinventare tutto),
• Con strumenti visuali come n8n (se preferisci un approccio a blocchi e vuoi arrivare in produzione più in fretta).

Qui vediamo come farlo con n8n: alla fine avrai un agente IA che fa davvero operazioni concrete, non solo risposte “da chat”.

Capire le basi per costruire agenti IA

Prima di costruire, conviene chiarire come funziona un agente IA.

In sostanza, un agente IA è un sistema che agisce al posto tuo (o di un software) per ottenere un risultato: osserva il contesto, decide cosa fare e compie azioni. Può essere un semplice assistente in chat o un sistema più autonomo, ma quasi sempre ha questi componenti:

Percezione

È la capacità di raccogliere informazioni dall’ambiente: una chat, un database, una pagina web, o persino sensori fisici. Gli input possono includere:

• Comandi testuali dell’utente (cioè un messaggio o un prompt).
• Eventi generati da altri sistemi, come webhook (cioè URL che ricevono eventi) o messaggi.
• Informazioni recuperate da siti o API (cioè interfacce che ti permettono di “parlare” con un servizio in modo strutturato).
• Contenuti presi da documenti o database.

Presa di decisione

È il “cervello” dell’agente. In base a ciò che ha percepito e ai suoi obiettivi, decide il prossimo passo. La logica può includere:

• Modelli linguistici di grandi dimensioni (LLM): molti agenti moderni usano un LLM (come GPT, Gemini, Claude, ecc.) come motore di ragionamento per capire richieste, pianificare e generare testo.
• Sistemi basati su regole: istruzioni tipo “se il cliente chiede un rimborso, avvia il workflow di rimborso (cioè la procedura automatizzata)”.
• Modelli di apprendimento automatico: algoritmi addestrati per prevedere risultati o classificare informazioni e guidare le decisioni.

Pianificazione: scomporre un obiettivo complesso (es. “organizza un viaggio a Roma”) in passi più piccoli (cerca voli, trova hotel, controlla documenti).

Azione

Dopo aver deciso, l’agente deve agire. Questo significa interagire con l’ambiente per eseguire i passi scelti. Le azioni possono essere diverse, per esempio:

• Inviare un messaggio all’utente.
• Chiamare un’API (per esempio cercare sul web o pubblicare su un canale Discord).
• Eseguire un workflow (cioè un flusso di lavoro automatizzato, come un workflow in n8n).
• Aggiornare dati in un database.
• Controllare un dispositivo fisico.

In pratica, le azioni sono il modo in cui l’agente “sposta” il mondo verso l’obiettivo. Per questo la capacità di usare strumenti (API, workflow, integrazioni) è centrale.

Quando un agente usa un LLM per decidere, l’LLM ha bisogno di un modo strutturato per capire quali azioni può fare e come farle. Questo di solito si ottiene definendo gli strumenti oppure abilitando la chiamata di funzioni (cioè un meccanismo che permette al modello di “richiedere” un’azione con parametri precisi, ad esempio chiamare un’API o avviare un workflow in n8n).

Memoria

Spesso l’agente deve ricordare interazioni passate o informazioni apprese per avere contesto nelle decisioni future. La memoria serve a:

• Richiamare parti precedenti di una conversazione.
• Salvare preferenze utente (es. “usa sempre unità metriche”).
• Accedere a basi di conoscenza esterne (documenti o database) per rispondere in modo accurato, spesso con tecniche come la Generazione aumentata dal recupero (RAG) (cioè: prima recuperi informazioni da fonti affidabili, poi l’IA genera la risposta usando quei contenuti).
• Imparare dall’esperienza per migliorare nel tempo.

Questi componenti lavorano in ciclo: percezione → decisione → azione → nuovo contesto → e si riparte.

Ora che i mattoni sono chiari, passiamo ai modi pratici per costruire agenti IA.

Come creare agenti IA: 3 approcci pratici

Costruire un agente IA si può fare in modi diversi. Cambiano flessibilità, complessità e velocità.

Ecco tre metodi comuni:

Costruire agenti IA da zero

Vuol dire sviluppare a codice tutti i componenti (spesso con Python) e usare librerie specifiche per IA/apprendimento automatico.

Hai il massimo controllo, ma serve competenza tecnica su ingegneria del software, integrazioni API e spesso anche su concetti di IA. Inoltre richiede tempo per costruire, testare e mantenere tutto.

Di solito è anche l’approccio più costoso: paghi il tempo di sviluppo e le competenze necessarie. Ha senso per progetti molto specializzati o di ricerca, dove gli strumenti pronti non bastano.

Usare framework già pronti per agenti IA

Framework come LangChain, LlamaIndex, Semantic Kernel o Autogen offrono componenti già pronti per creare agenti: gestione prompt, connessione agli LLM, memoria, strumenti (azioni) e orchestrazione dei passi.

Rispetto al “da zero” accelerano molto, ma richiedono comunque capacità di programmazione e comprensione dell’architettura del framework scelto.

È un compromesso buono per team che vogliono struttura e personalizzazione, senza riscrivere tutto.

Usare strumenti di automazione a workflow

Piattaforme come n8n ti danno un ambiente visuale a nodi: colleghi servizi (LLM, API, database) come blocchi e definisci la logica mettendoli in sequenza dentro un workflow (cioè il flusso di lavoro).

Questo abbassa molto la barriera d’ingresso e velocizza prototipazione e messa in produzione, perché ti concentri su progettazione del flusso e integrazioni, invece che su codice complesso.

È ideale per automatizzare attività operative e portare l’IA dentro processi reali (marketing, supporto, ricerca, gestione contenuti, operazioni ecommerce).

Come creare un agente IA con n8n: tutorial passo passo

Con n8n puoi costruire un agente che usa più strumenti (tool), integra una logica di recupero conoscenza tipo RAG (cioè recupero + generazione) quando serve, e si collega a interfacce chat grazie ad API e integrazioni.

Qui realizziamo un agente di ricerca: prende un URL, legge il contenuto tramite scraping, lo riassume e salva tutto in Notion, poi ti manda una notifica su Discord.

Dato che la forza degli agenti sta nell’uso di strumenti come richieste HTTP e Notion, l’esempio sfrutta un LLM con una buona affidabilità nella chiamata di funzioni (cioè quando deve invocare strumenti in modo “strutturato”) e una finestra di contesto ampia.

Ecco l’immagine di ciò che andremo a costruire in n8n:

Scomponiamolo.

Prerequisiti

Prima di iniziare, assicurati di avere:

• Un’istanza n8n: n8n deve essere attivo. Può essere un’istanza self-hosted (cioè installata sul tuo server, ad esempio con Docker) oppure un account su n8n Cloud.
• Browserless: accesso a un’istanza Browserless per fare web scraping (cioè leggere contenuti da pagine web in modo automatizzato). Puoi usare il loro servizio cloud o ospitarlo tu (per esempio con Docker).
• Chiave API Google AI: una chiave da Google AI Studio per usare Gemini.
• Discord: un webhook o un bot Discord per ricevere la notifica quando la ricerca è finita.

Step 1: imposta il trigger

Ogni workflow in n8n parte da un nodo trigger (cioè il nodo che avvia il flusso quando succede qualcosa). Nel nostro caso vogliamo attivare l’agente quando gli inviamo un messaggio con un URL, tipicamente da una chat.

Nella canvas di n8n clicca il pulsante ‘+’ per aggiungere il primo nodo. Scegli un trigger coerente con come vuoi interagire con l’agente. Qui usiamo il trigger chat. Alternative frequenti:

• Trigger webhook (crea un URL unico a cui inviare richieste HTTP da un’app o da un servizio).
• Trigger Slack (resta in ascolto di messaggi o comandi in Slack).

Step 2: configura il “cuore” dell’agente

Il centro del workflow è il nodo Agente IA. Questo nodo fa da orchestratore (cioè coordina): collega trigger, modello linguistico (LLM) e strumenti che l’agente può usare.

Aggiungi un nodo Agente IA nella canvas e collega l’uscita del nodo trigger all’ingresso del nodo Agente IA.

Nelle impostazioni del nodo Agente IA (vedi immagine):

• imposta il menu a tendina Agente su Agente strumenti (è il tipo pensato per agenti che devono usare strumenti per completare attività);
• imposta Sorgente per il prompt (messaggio utente) su Nodo trigger chat collegato, così l’agente userà il messaggio in ingresso (es. l’URL) come richiesta dell’utente.

Step 3: definisci obiettivo e istruzioni dell’agente

Qui gli dici cosa deve fare e come deve usare gli strumenti. Più le istruzioni sono chiare, più il comportamento è affidabile.

Aggiungi un nodo Modello chat Google Gemini (oppure un nodo equivalente come Modello chat OpenAI, Modello chat Anthropic, ecc.) e configurarlo con le credenziali (la tua chiave API Google AI).

Seleziona il modello (es. gemini-2.5-pro) e collega questo nodo all’ingresso Modello chat del nodo Agente IA.

Nei parametri del nodo Agente IA trovi un campo Messaggio di sistema nella sezione Opzioni. Qui inserisci le istruzioni principali.

Per funzionare bene, il messaggio di sistema dovrebbe:

1. Dichiarare chiaramente il compito dell’agente.
2. Dire esplicitamente quando e come usare ogni strumento.
3. Imporre vincoli importanti tipo “Ricorda: devi sempre fare scraping del sito usando lo strumento website_scraper” e “Non riassumere senza aver fatto scraping”.

Step 4: aggiungi lo strumento di web scraping

Ora configuriamo gli strumenti che l’agente può usare. Per fare scraping usiamo Browserless.

Non essendoci un nodo Browserless dedicato, utilizziamo il nodo Strumento richiesta HTTP (cioè un tool che fa chiamate HTTP verso servizi esterni).

Aggiungi un nodo Strumento richiesta HTTP e rinominalo website_scraper (o simile). Il nome deve corrispondere a quello usato nel messaggio di sistema dell’Agente IA.

Consiglio pratico: un nome e una descrizione chiari aumentano molto le probabilità che l’LLM lo usi correttamente.

Configura il nodo come nell’immagine:

• Metodo: POST
• URL: inserisci l’endpoint API Browserless per estrarre contenuti.
• Autenticazione: configura se richiesta dal tuo Browserless.
• Body: Usando JSON qui sotto
• JSON: inserisci il payload atteso da Browserless, usando un segnaposto per l’URL fornito dall’agente:

{ "url": "{url}", "gotoOptions": { "waitUntil": "networkidle0" }}

• Definizioni segnaposto: definisci i segnaposto usati nel body JSON.
  • Clicca Aggiungi definizione.
  • Nome segnaposto: url (deve combaciare con il segnaposto nel JSON e con il nome parametro atteso dall’agente).
  • Descrizione: una descrizione chiara (es. “URL del sito web da analizzare”).
  • Tipo: Stringa.

Infine collega il nodo Strumento richiesta HTTP (website_scraper) all’ingresso Strumento del nodo Agente IA.

Step 5: definisci lo strumento di salvataggio su Notion

Adesso configuriamo lo strumento che salva in Notion le informazioni estratte e il riassunto.

Aggiungi un nodo Strumento Notion e rinominalo save_to_notion, sempre coerente con il nome presente nel messaggio di sistema.

Imposta Descrizione strumento su Manuale e scrivi una descrizione semplice (es. “save_to_notion: salva le informazioni nel database Notion”).

Per autenticare Notion, seleziona le tue credenziali API Notion. Risorsa va impostata su Pagina database e Operazione su Crea.

Seleziona il database Notion di destinazione (es. “Database conoscenza”). Assicurati che l’integrazione abbia accesso e che ci siano le proprietà necessarie (Nome, URL, Descrizione, Tag, ecc.).

Nella sezione Proprietà mappi i dati generati dall’Agente IA ai campi del database. Per ogni proprietà usa l’espressione:

{{ $fromAI('nomeParametro', 'Descrizione', 'tipo') }}

Sostituendo nomeParametro con quello definito nel messaggio di sistema. Esempio per “Titolo”:

{{ $fromAI('title', 'Il titolo originale dell’articolo', 'string') }}

Ecco come è strutturato questo database Notion:

Per un tocco visivo utile, puoi chiedere all’agente di scegliere un’emoji adatta come icona di ogni pagina:

Step 6: definisci lo strumento di notifica su Discord

Per far sì che l’agente “chiuda il cerchio”, aggiungiamo uno strumento per inviare messaggi su Discord. In questo modo è l’agente stesso a decidere quando notificarti, seguendo le istruzioni.

Aggiungi un nodo Strumento Discord, chiamalo discord_notification e seleziona le credenziali del webhook o bot.

Nell’elenco Operazione seleziona Invia un messaggio. Poi fai generare all’agente il testo della notifica, ad esempio:

{{ $fromAI('Message', 'Conferma che la ricerca è stata completata con l’URL della pagina Notion dove è disponibile il risultato.', 'string') }}

Facoltativo: nel campo Incorporati puoi includere titolo e link della pagina Notion per una notifica più ricca.

Step 7: testa e rifinisci l’agente

Costruire agenti IA è un processo iterativo: test accurati e istruzioni migliorate fanno la differenza.

Salva il workflow e invia un messaggio in chat con un URL da analizzare. Osserva l’esecuzione nell’interfaccia di n8n controllando input/output di ogni nodo, soprattutto del nodo Agente IA, per capire come interpreta la richiesta e quali strumenti decide di chiamare.

Verifica che lo scraping sia corretto, che venga creata una nuova pagina in Notion con contenuti e riassunto, e che arrivi la notifica su Discord.

Se l’agente non si comporta come previsto:

• controlla l’output di ogni nodo e degli strumenti (spesso l’errore è nella chiamata dello strumento o in un parametro non passato);
• aggiorna il Messaggio di sistema rendendolo più chiaro, aggiungendo vincoli e raffinando i parametri;
• salva e ritesta finché l’agente esegue con affidabilità: scraping → riassunto → salvataggio → notifica.

Esempi pratici (step by step) per lavoro reale

1: freelance che fa ricerche per contenuti e consulenze

1. Invii all’agente 3–5 URL di fonti (articoli, pagine di settore, comunicati).
2. Lo strumento website_scraper estrae testo e dati principali.
3. L’LLM genera un riassunto con punti chiave e possibili takeaway (cioè “cose da portarsi a casa”) per il cliente.
4. save_to_notion salva una scheda per ogni URL con tag (es. “SEO”, “ADV”, “Trend”).
5. discord_notification ti avvisa con i link alle pagine Notion pronte da usare nel tuo report.

2: piccolo ecommerce che monitora pagine prodotto e competitor

1. Crei una lista di URL (tuoi e dei competitor) e li invii all’agente a orari programmati (trigger pianificato, cioè un avvio a calendario, invece della chat).
2. L’agente fa scraping e salva in Notion: prezzo, descrizione, disponibilità, punti di forza dichiarati.
3. Se rileva variazioni (es. prezzo sceso, nuovo bundle, nuova promo), invia una notifica su Discord con un testo breve e l’URL della scheda aggiornata.

3: agenzia/PMI con molti prodotti e schede da standardizzare

1. Invii all’agente l’URL di una categoria o di una lista di schede prodotto.
2. L’agente estrae le informazioni e propone una struttura uniforme (titolo, descrizione breve, punti elenco, FAQ).
3. Salva in Notion un “brief per scheda” per ogni prodotto, pronto da assegnare a chi scrive o impagina.

Conclusioni

Un agente IA ben fatto combina percezione (input), decisione (ragionamento), azione (strumenti) e memoria (contesto). Con n8n puoi costruire questa logica in modo visuale, collegando nodi (cioè blocchi operativi) e strumenti reali come scraping, database e notifiche.

Il modo migliore per imparare è sperimentare: parti da un caso semplice (un URL alla volta), aggiungi vincoli nel messaggio di sistema e testa finché l’agente è affidabile.

Se ti incagli su integrazioni, parametri o strategia del workflow (cioè il flusso di lavoro), spesso basta una revisione “da esterni” per capire dove perde colpi e come renderlo più robusto. Se vuoi, descrivimi il tuo caso d’uso (da dove parte l’input e dove vuoi salvare l’output) e ti suggerisco come impostare il workflow nel modo più pulito.

Fonte: questo articolo è stato tradotto e riscritto partendo da questo articolo sul blog di n8n, dove puoi trovare anche i workflow scaricabili.