Tutorial Membangun AI Agent Autonomous dengan n8n dan Model Context Protocol

Model Context Protocol (MCP) telah menjadi standar komunikasi universal antara AI agent dan external tools. Dikembangkan oleh Anthropic, protokol ini memungkinkan AI agent untuk mengakses database, API, dan sistem file secara aman tanpa hardcoding credential. Ketika digabungkan dengan n8n sebagai workflow automation engine, tim developer bisa membangun AI agent autonomous yang benar-benar dapat mengambil keputusan dan mengeksekusi tugas tanpa intervensi manual.

Pada artikel ini, kita akan membangun AI agent end-to-end menggunakan n8n dan MCP server. Hasil akhirnya adalah agent yang dapat membaca email masuk, menganalisis sentiment, mengekstrak task, dan membuat tiket di project management tool secara otomatis. Setup ini cocok untuk startup yang ingin mengotomatisasi customer support atau internal operations.

Prasyarat dan Setup Awal

Sebelum mulai, pastikan environment kamu sudah siap. Kamu membutuhkan n8n instance yang berjalan, bisa self-hosted via Docker atau menggunakan n8n Cloud. Selain itu, siapkan satu MCP server yang akan kita gunakan. Pada tutorial ini, kita pakai filesystem MCP server sebagai contoh paling sederhana, namun konsepnya sama untuk Slack, GitHub, atau PostgreSQL MCP server.

Install n8n secara lokal dengan Docker Compose:

docker run -it --rm \n  --name n8n \n  -p 5678:5678 \n  -v ~/.n8n:/home/node/.n8n \n  n8nio/n8n:latest

Setelah container berjalan, buka n8n di port 5678 dan buat akun gratis. Kemudian, install MCP node untuk n8n melalui Community Nodes. Masuk ke Settings > Community Nodes, lalu install n8n-nodes-mcp.

Langkah 1: Konfigurasi MCP Server

MCP server berfungsi sebagai bridge antara AI agent dan resource eksternal. Kita akan menggunakan official filesystem MCP server dari Anthropic. Clone repository dan install dependensinya:

git clone https://github.com/modelcontextprotocol/servers.git \ncd servers/src/filesystem \nnpm install \nnpm run build

Buat file konfigurasi mcp-config.json di root project kamu. File ini memberitahu n8n di mana MCP server berjalan dan resource apa yang bisa diakses:

{
  "mcpServers": {
    "filesystem": {
      "command": "node",
      "args": [
        "/path/to/servers/src/filesystem/dist/index.js",
        "/home/user/project"
      ]
    }
  }
}

Pastikan path pada args menunjuk ke direktori yang memang ingin kamu berikan akses. Jangan gunakan root directory untuk alasan keamanan. Selain filesystem, kamu bisa mengganti dengan github, slack, atau postgresql dengan pola konfigurasi serupa.

Langkah 2: Membuat Workflow AI Agent di n8n

Buka n8n Editor dan buat workflow baru. Tambahkan node Chat Trigger sebagai entry point. Node ini akan menerima input dari user atau dari external trigger. Kemudian, hubungkan Chat Trigger ke node Agent (AI Agent) yang menggunakan OpenAI atau Claude sebagai LLM backend.

Pada node Agent, pilih model GPT-4o atau Claude 3.5 Sonnet. Masukkan API key yang valid. Di bagian Tools, tambahkan node MCP yang sudah kita install sebelumnya. Node MCP akan otomatis membaca konfigurasi dari mcp-config.json dan mengekspose tool read_file, write_file, dan list_directory ke agent.

Aktifkan option Connect to MCP Server pada node MCP dan arahkan ke path file konfigurasi yang sudah dibuat. Test koneksi dengan menekan tombol Test. Jika berhasil, n8n akan menampilkan daftar tool yang tersedia.

Langkah 3: Menambahkan Logika Autonomous

AI agent belum cukup pintar jika hanya bisa membalas chat. Kita perlu logika autonomous: agent harus bisa memutuskan tool mana yang dipakai, mengeksekusi, lalu memutuskan langkah berikutnya. Tambahkan node Loop setelah Agent untuk memungkinkan iterasi berulang.

Dalam node Agent, tulis system prompt yang jelas. Contoh prompt untuk customer support agent:

Kamu adalah customer support agent autonomous. Tugasmu: \n1. Baca email dari user \n2. Analisis sentiment dan urgency \n3. Jika urgent, buat tiket di Linear/ClickUp via MCP \n4. Kirim draft balasan ke user \n5. Jika tidak yakin, escalate ke human agent \nGunakan tool yang tersedia. Jangan asumsi data yang tidak ada.

Tambahkan node IF untuk branching logic. Jika sentiment negatif dan urgency tinggi, arahkan ke node MCP yang membuat tiket. Jika sentiment positif, arahkan ke node Auto-Reply. Branching ini membuat agent bersifat autonomous, bukan sekadar chatbot.

Langkah 4: Integrasi dengan External Service via MCP

Sekarang perluas kemampuan agent dengan menambahkan MCP server tambahan. Contoh paling populer adalah Slack MCP server. Dengan Slack MCP, agent bisa membaca channel support, memberikan reaksi emoji, dan mengirim DM ke engineer on-call.

Konfigurasi Slack MCP server memerlukan Slack bot token. Generate token di Slack API Dashboard, lalu tambahkan ke mcp-config.json:

{
  "mcpServers": {
    "slack": {
      "command": "node",
      "args": [
        "/path/to/servers/src/slack/dist/index.js"
      ],
      "env": {
        "SLACK_BOT_TOKEN": "xoxb-your-token"
      }
    }
  }
}

Tambahkan node MCP Slack pada workflow yang sama. Sekarang agent memiliki dua set tool: filesystem dan Slack. Agent akan memilih tool yang relevan berdasarkan user intent. Perilaku ini didukung oleh function calling native dari LLM yang digunakan.

Langkah 5: Testing dan Deployment ke Production

Testing workflow secara sistematis sebelum deployment. Gunakan Execute Workflow pada n8n untuk simulasi. Kirim test email dengan subject berbeda: urgent bug report, general inquiry, dan feature request. Pastikan agent memilih branch yang benar dan tool yang tepat.

Untuk production, gunakan n8n dengan execution mode main dan aktifkan error handling. Tambahkan node Error Trigger yang mengirim notifikasi ke Slack atau email jika workflow gagal. Ini penting karena agent autonomous yang gagal diam-diam bisa membuat masalah lebih besar.

Deploy dengan Docker Compose dan tambahkan environment variable untuk API key. Gunakan secret management seperti Docker Secrets atau HashiCorp Vault. Jangan hardcode credential di workflow JSON. Setelah stabil, aktifkan webhook trigger agar agent berjalan terus-menerus dan merespons event secara real-time.

Kesimpulan

Kombinasi n8n dan MCP membuka era baru untuk AI agent autonomous. Developer tidak perlu lagi menulis konektor custom untuk setiap tool. Cukup konfigurasi MCP server, dan LLM akan memahami tool schema secara otomatis. Hasilnya: workflow yang lebih maintainable, aman, dan scalable.

Langkah selanjutnya: eksplorasi MCP server untuk database seperti PostgreSQL atau Google Drive. Dokumentasi resmi Anthropic MCP tersedia di modelcontextprotocol.io. Untuk contoh workflow n8n, kunjungi n8n workflows gallery dan cari tag MCP.

Gambar: n8n Blog