Fallstudie · 2026 · KI · Web · Individuelle Software
Beschreibe in einfachen Worten, was du automatisieren willst.Ein KI-Generator für n8n-Abläufe. Zwei Minuten später fällt eine funktionierende Automatisierung heraus, startklar, ohne Entwickler.
Der n8n AI Workflow Generator ist ein Chat-Werkzeug: Tippe die Automatisierung in einfachen Worten und bekomme ein importfertiges n8n-JSON zurück, mit den richtigen Knoten, Feldern für Zugangsdaten und Testdaten. Das Studio hat den FastEmbed-Vorlagenindex, die Chainlit-Chatoberfläche, die Schleife zur schrittweisen Verfeinerung und die Export-Pipeline geliefert.
- Python
- TypeScript
- Greenlet
- FastEmbed
- aiosqlite
- Chainlit
Im Einsatz
Überblick
- <2 min
- Idee → Import
- EN/HU
- Zweisprachige Eingabe
- Local
- aiosqlite-Verlauf
- Vector
- FastEmbed-Vorlagensuche
Eine Chat-Oberfläche auf Chainlit-Basis, in der du deinen Workflow beschreibst („wenn ein neuer Lead in Typeform ankommt, schick eine Slack-Nachricht und protokolliere in Notion“), und die KI erzeugt echtes n8n-JSON mit den richtigen Knoten, Feldern für Zugangsdaten und Testdaten. Importfertig. Trainiert auf vielen Vorlagen, mit FastEmbed-Vektorsuche, um das am besten passende Muster zu finden.
Was ausgeliefert wurde
Was es tut
- Eingabe in natürlicher Sprache · Ungarisch und Englisch werden beide unterstützt
- Export · importfertiges n8n-JSON
- FastEmbed-Vektorsuche über Vorlagen · beginnt beim nächstgelegenen Treffer
- Chainlit-Chatoberfläche · im Gespräch verfeinern
- Lokales aiosqlite · Gesprächs- und Vorlagenverlauf bleiben auf deiner Maschine
Das Problem
- n8n ist riesig · den Knotenkatalog zu durchstöbern dauert Stunden
- Die Vorlagengalerie ist begrenzt · passt selten genau auf deinen Fall
- Einen eigenen Workflow zu bauen ist bloß Gerangel mit Knotenparametern
- Von ChatGPT erzeugtes JSON importiert selten sauber
Warum es zählt
- Workflow-Idee → laufender n8n-Ablauf in 2 Minuten
- Auch ein nicht-technischer Projektleiter kann gültiges n8n-JSON entwerfen
- Beispielgetrieben · alte Workflows schnell modernisieren
- Verfeinerung im Chat · nachbessern im Gespräch
Wie es entstand
- 01 · BRIEF
Warum importiert von ChatGPT erzeugtes n8n-JSON nie?
Die Fehlerursache diagnostiziert: ChatGPT fehlt das Wissen über Knotenschemata und die Semantik von Zugangsdaten. Wir haben einen Generator gebaut, der zuerst per Vektorsuche vorgeht, immer von einer geprüften Vorlage ausgeht und dann verfeinert.
- 02 · BUILD
Chainlit, FastEmbed, schrittweise Verfeinerung.
Chainlit trägt den Chat, der Nutzer beschreibt den Ablauf, FastEmbed holt die am besten passende Vorlage, das LLM passt sie an die Vorgabe des Nutzers an. Die Verfeinerung läuft im Gespräch · „füge nach der Slack-Nachricht einen Notion-Knoten ein“ funktioniert einfach.
- 03 · SHIP
Lokal zuerst · der Verlauf bleibt auf der Maschine des Nutzers.
aiosqlite hält Gesprächs- und Vorlagenverlauf lokal · keine externe Speicherung, kein Abfluss der Automatisierungslogik des Nutzers. Die Export-Schaltfläche legt eine JSON-Datei ab, fertig für den Import in n8n.
Stack
Chat
Chainlit-Chatoberfläche · im Gespräch verfeinern
Dieselbe Oberfläche für den ersten Entwurf und die Verfeinerung · Nutzer wechseln zum Nachbessern nicht den Kontext.
Suche
FastEmbed-Vorlagenindex
Vektorsuche über eine kuratierte Vorlagengalerie · der Generator startet immer von einer geprüften Basis.
Export
Importfertiges n8n-JSON
Die Ausgabe wird vor dem Download gegen das n8n-Schema geprüft · „das JSON lässt sich sauber in n8n übernehmen“ war eine Startbedingung.
Lokal
Speicherung ausschließlich über aiosqlite
Gesprächs- und Vorlagenverlauf bleiben auf der Maschine des Nutzers · keine SaaS-Bindung für sensible Automatisierungslogik.
Fallstudie
“Unsere Projektleiter warteten früher tagelang darauf, dass ein Entwickler ihnen eine Automatisierung baut. Das Studio hat ein Werkzeug gebaut, in dem der Projektleiter einfach in einfachen Worten beschreibt, was er will, und zwei Minuten später fällt ein funktionierender Ablauf heraus, startklar. Die Entwickler prüfen nur noch die Änderungen. Rund zwei Entwicklerstunden je Workflow gespart, und das Team ist zufriedener.”
