n8n + MCP: Подключаем 500+ инструментов к ИИ-агенту через срезAI

Раньше для подключения ИИ-агента к корпоративной CRM, мессенджерам или Google Таблицам приходилось писать десятки интеграций вручную. Протокол Model Context Protocol (MCP) кардинально изменил подход к архитектуре LLM-приложений. Теперь достаточно запустить n8n-MCP сервер, чтобы модель поняла структуру данных и научилась управлять любым из 500+ узлов автоматизации n8n.

#Что вы получите в результате

Изучив это руководство, вы соберете автономного агента, который умеет:

• Искать информацию в сети с помощью срезAI (включая глубокое покрытие Рунета).
• Читать страницы в виде чистого Markdown с выполнением JavaScript на стороне срезAI.
• Запускать готовые цепочки n8n для отправки писем, создания задач в Jira или выгрузки данных в Telegram.

#Шаг 1. Запуск n8n-MCP сервера

Для работы нам понадобится локальный или облачный инстанс n8n и установленный Node.js. Запустим MCP-сервер от czlonkowski, который транслирует структуру узлов n8n в понятный для LLM формат. Выполните команду в терминале:

npx @czlonkowski/n8n-mcp --n8n-url http://localhost:5678 --n8n-api-key your_n8n_api_key

Этот сервер автоматически сканирует активные рабочие процессы и доступные коннекторы вашего n8n, предоставляя их в качестве стандартных инструментов (tools) для модели.

#Шаг 2. Настройка срезAI в качестве MCP-сервера

Чтобы агент мог находить свежие данные, добавим поисковые инструменты. У срезAI есть встроенный MCP-сервер. Для его интеграции нужен только API-ключ, который выдается бесплатно при регистрации (на баланс начисляется 100₽, чего хватает примерно на 1000 поисковых запросов).

Для подключения срезAI к Claude Desktop откройте конфигурационный файл claude_desktop_config.json и пропишите параметры запуска:

{
  "mcpServers": {
    "srezai-search": {
      "command": "npx",
      "args": [
        "-y",
        "@srezai-team/srezai-mcp"
      ],
      "env": {
        "SREZAI_API_KEY": "ВАШ_API_КЛЮЧ_СРЕЗАЙ"
      }
    },
    "n8n-tools": {
      "command": "npx",
      "args": [
        "-y",
        "@czlonkowski/n8n-mcp"
      ],
      "env": {
        "N8N_URL": "http://localhost:5678",
        "N8N_API_KEY": "ВАШ_API_КЛЮЧ_N8N"
      }
    }
  }
}

#Шаг 3. Реализация агента на Python (LangChain)

Если вы создаете кастомное приложение вместо стандартного чата, воспользуйтесь библиотекой langchain-mcp-tools для объединения серверов. Ниже представлен полностью рабочий скрипт, инициализирующий агента с обоими источниками инструментов:

import asyncio
from langchain_openai import ChatOpenAI
from langchain_mcp_tools import McpToolkit
from langgraph.prebuilt import create_react_agent

async def main():
    # Инициализируем языковую модель
    model = ChatOpenAI(model="gpt-4o", temperature=0)

    # Подключаем MCP сервер срезAI
    srezai_toolkit = await McpToolkit.from_command(
        "npx",
        ["-y", "@srezai-team/srezai-mcp"],
        env={"SREZAI_API_KEY": "your_srezai_api_key"}
    )

    # Подключаем MCP сервер n8n
    n8n_toolkit = await McpToolkit.from_command(
        "npx",
        ["-y", "@czlonkowski/n8n-mcp"],
        env={
            "N8N_URL": "http://localhost:5678",
            "N8N_API_KEY": "your_n8n_api_key"
        }
    )

    # Объединяем инструменты в один пул
    tools = srezai_toolkit.get_tools() + n8n_toolkit.get_tools()

    # Создаем агента
    agent = create_react_agent(model, tools)

    # Запускаем тестовый сценарий
    prompt = "Найди последние новости про закон об ИИ в РФ с помощью срезAI, переведи их в Markdown и сохрани в Google Таблицу через n8n."
    
    async for event in agent.astream({"messages": [("user", prompt)]}):
        print(event)

if __name__ == "__main__":
    asyncio.run(main())

#Почему связка срезAI и n8n эффективна?

Главная сложность современных LLM-приложений при работе с вебом — это динамический контент. Многие современные сайты используют SPA-архитектуру, где данные подгружаются асинхронно через JavaScript. Обычные парсеры видят лишь пустой шаблон.

срезAI решает эту проблему технологично: headless-браузер обрабатывает динамический контент, JavaScript выполняется на нашей стороне, а модель получает чистый Markdown из отрисованной страницы. Это экономит контекстное окно LLM и гарантирует, что ИИ-агент передаст в n8n корректно структурированные данные.