N8n

Agent-Memory ist ein Architekturproblem, kein Schalter. Ein strukturierter Überblick: die kognitiven Memory-Funktionen, warum das Kontextfenster kein Gedächtnis ist, RAG bis GraphRAG mit ihren realen Kosten, und wo n8n nativ an seine Grenzen stößt.

Das Reihen-Finale: n8n bindet sich mit echtem OAuth-Flow gegen einen eigenen Service auf SAP BTP an. Client Credentials gegen den xsuaa-Token-Endpunkt, ein CAP-Service als SAP-nativer Stellvertreter, die n8n-OAuth2-Credential und ein Workflow, der ein Ticket mit einer Fall-ID aus BTP anreichert.

Elf Artikel lang ging es darum, was n8n kann. Dieser ordnet ein, wo es nicht hingehört: gegenüber SAP Cloud Integration mit ihrem EAI-Erbe und der Edge Integration Cell mit ihrer Datengrenze. Mit einem Entscheidungsbaum statt eines Werkzeug-Verrisses.

Der Betrieb wird produktionsreif. Dieser Artikel stellt die Single-Process-Instanz auf den Queue-Mode um: Main nimmt Webhooks an und reiht Executions in Redis ein, Worker führen sie aus. Mit Worker-Skalierung, Queue-Metriken, einer Produktions-Checkliste und einer Einordnung, was der Queue-Mode nicht leistet.

Die Pipeline reichert ihre Tickets jetzt mit Stammdaten aus einem SAP-Backend an. Dieser Artikel zeigt die OData-Anbindung über HTTP, das SAP-eigene Fehlerformat, graceful degradation bei unbekanntem Kunden und wo AIF komplementär bleibt.

Ein einzelnes AI-Backend degradiert bei Ausfall zum regelbasierten Notausgang. Dieser Artikel baut aus zwei lokalen Modellen echte Redundanz: Round-Robin im Normalbetrieb, automatisches Failover bei Einzelausfall, Rule-Based erst wenn beide tot sind.

Bis hierher liefen zwei getrennte Pfade: der regelbasierte Eingang und die AI-Klassifikation. Dieser Artikel führt sie zu einer Pipeline zusammen, macht die Klassifikation zur austauschbaren Stufe und stellt den regelbasierten Classifier als bewussten Fallback hinter das Modell.

Der AI-Classifier läuft, aber was passiert beim Modell-Ausfall? Ein globaler Error-Workflow mit Telegram-Alert, ein Observability-Stack aus Prometheus, Loki und Grafana, und ein stiller Fallback, der sichtbar gemacht werden will.

Wie ein n8n-Workflow Tickets mit einem lokalen Sprachmodell klassifiziert: strukturierter Output, zwei Backends ohne Cloud-Key, deterministische Sprach-Erkennung und ein Benchmark, der seine eigene Schwäche zeigt.

Wie ein n8n-Workflow einen authentifizierten Webhook-Eingang bekommt, Credentials sicher gespeichert werden und Klassifikator-Logik als Sub-Workflow extrahiert wird.

Wie ein regelbasierter Ticket-Klassifikator in n8n entsteht: Item-Modell in der Praxis, Expressions korrekt einsetzen, Set-Node von Code-Node unterscheiden — und wo der Classifier erwartungsgemäß scheitert.

Warum echter Ticket-Datensatz im öffentlichen Repo ausscheidet und wie ein hybrider Generator mit lokalen Modellen und Claude realistische Testdaten mit reproduzierbarer Verteilung erzeugt.

n8n produktionsnah selbst hosten: Docker Compose, Postgres statt SQLite, Caddy mit Auto-HTTPS, persistente Volumes und die Environment-Variablen, die wirklich zählen.

Was n8n technisch ist: Editor, Execution Engine, Task Runner, Workflows als JSON. Dazu das Item-Array als zentrales Datenmodell und die Einordnung im Integrationsspektrum.

SAP hat n8n strategisch investiert und in Joule Studio eingebettet. Mercedes-Benz rollt die Plattform global aus. Ein Prolog zur n8n-Einstiegs-Reihe.