n8n کا AI Agent نوڈ ایسا اسسٹنٹ بنانا آسان کر دیتا ہے جو ای میل پڑھے، ریکارڈ تلاش کرے اور جواب دے۔ ساتھ ہی منصوبے سے زیادہ خرچ کرنا بھی آسان کر دیتا ہے، کیونکہ ہر رن ماڈل کو دس بار تک کال کر سکتا ہے، اور ہر بار پورا پرامپٹ دوبارہ بھیجتا ہے۔ یہ پوسٹ دکھاتی ہے کہ AI Agent ورک فلوز کو کم لاگت والے OpenAI-compatible ماڈل پر کیسے چلائیں، ٹول کے استعمال کے لیے کون سا ماڈل چنیں، کون سی سیٹنگز ٹوکن کم کرتی ہیں، اور ایک رن کتنے کا پڑتا ہے۔ کریڈینشل اور نوڈ کے سیٹ اپ کے لیے ہمارا n8n سیٹ اپ گائیڈ دیکھیں۔
AI Agent کو سستے ماڈل سے کیسے جوڑیں؟
- اپنے فراہم کنندہ کی کلید اور اس کے Base URL کے ساتھ ایک OpenAI کریڈینشل بنائیں، مثلاً
https://inference.broadnet.ai/v1۔ - ایک AI Agent نوڈ شامل کریں اور اس کریڈینشل کے ساتھ ایک OpenAI Chat Model سب نوڈ لگائیں۔
- ماڈل کو ID سے درج کریں، فہرست سے نہیں، مثلاً
broadnet/qwen3.8-27b۔ - اگر آپ کا فراہم کنندہ چیٹ کمپلیشنز فراہم کرتا ہے، جیسا BroadNet کرتا ہے، تو Use Responses API بند کریں۔
- کم از کم ایک ٹول لگائیں۔ n8n کی ڈاکس کہتی ہیں کہ AI Agent سے کم از کم ایک ٹول سب نوڈ جوڑنا ضروری ہے۔
جب آپ OpenAI کے علاوہ کوئی Base URL سیٹ کرتے ہیں، تو n8n ایک اطلاع دکھاتا ہے کہ ہر ماڈل ٹولز یا JSON جواب کا فارمیٹ سپورٹ نہیں کرتا۔ اسے سنجیدگی سے لیں: یہی آپ کا ماڈل انتخاب طے کرتی ہے۔
کون سا سستا ماڈل n8n ٹولز سنبھال سکتا ہے؟
n8n کی ڈاکس کہتی ہیں کہ تمام AI Agent نوڈز اب Tools Agent کے طور پر کام کرتے ہیں۔ ماڈل کو قابلِ اعتماد طریقے سے ٹول کالز بھیجنی آنی چاہییں، ورنہ ایجنٹ لوپ میں گھومتا ہے یا آپ کے ٹولز استعمال کیے بغیر جواب دے دیتا ہے۔
| BroadNet پر ماڈل | ٹولز درج | کانٹیکسٹ | n8n میں بہترین استعمال |
|---|---|---|---|
| Qwen3.8 27B | ہاں | 262,144 | AI Agent کے لیے ڈیفالٹ؛ تصویری ان پٹ، عربی پر آزمایا گیا |
| GLM 5.3 | ہاں | 1,048,576 | لمبی دستاویزات پر ایجنٹس |
| Gemma 4 VL 26B | درج نہیں | 32,768 | Basic LLM Chain: درجہ بندی، نکالنا، روٹنگ |
| DeepSeek V4.1 Flash | درج نہیں | 1,048,576 | لمبی دستاویزات والی chains، تصویری ان پٹ؛ ایجنٹ میں استعمال سے پہلے آزمائیں |
ٹول کے قابل دونوں ماڈلز میں Qwen3.8 27B ان پٹ پر سستا ہے، اور n8n ایجنٹس ان پٹ سے بھرے ہوتے ہیں۔ وہیں سے شروع کریں اور اگر آپ کے ٹیسٹ دکھائیں کہ GLM 5.3 آپ کے ٹولز بہتر سنبھالتا ہے، تو اس پر جائیں؛ GLM 5.3 بمقابلہ Qwen3.8 27B دونوں کا موازنہ کرتا ہے۔
n8n ایجنٹ ٹوکن کہاں خرچ کرتا ہے؟
ہر iteration ایک الگ ماڈل کال ہے، جس میں ہوتا ہے:
- آپ کا لکھا System Message،
- ہر جڑے ہوئے ٹول کی تعریف، جس میں All پر سیٹ MCP Client Tool نوڈ کے تمام ٹولز شامل ہیں،
- Simple Memory کی میموری ونڈو،
- صارف کا ان پٹ، ساتھ اس رن کی پچھلی ٹول کالز اور نتائج۔
آؤٹ پٹ عموماً مختصر ہوتا ہے۔ اس لیے بل ان پٹ کے سائز ضرب iterations سے طے ہوتا ہے۔ ہماری ایجنٹ ٹوکن بجٹ پوسٹ ہر حصہ ناپنے کا طریقہ دکھاتی ہے۔
کون سی سیٹنگز لاگت سب سے زیادہ کم کرتی ہیں؟
- Max Iterations۔ ڈیفالٹ 10 ہے۔ زیادہ تر سپورٹ جیسے ایجنٹس 2 سے 4 میں مکمل کر لیتے ہیں۔ اسے 4 یا 5 پر سیٹ کریں تاکہ الجھا ہوا رن جلد رک جائے۔
- Simple Memory کی Context Window Length۔ یہ طے کرتی ہے کہ کتنی پچھلی گفتگو رکھی جائے۔ ہر ایک ہر iteration پر دوبارہ بھیجی جاتی ہے۔ اسے چھوٹا رکھیں، مثلاً 5۔
- کم ٹولز۔ MCP Client Tool نوڈ پر All کے بجائے Selected یا All Except استعمال کریں۔
- مختصر ٹول آؤٹ پٹ۔ HTTP Request ٹولز سے پورے API جوابات نہیں، صرف وہ فیلڈز لوٹوائیں جو ایجنٹ کو چاہییں۔
- Maximum Number of Tokens۔ Qwen3.8 27B اور GLM 5.3 پہلے ریزننگ کرتے ہیں، اور ریزننگ اس حد میں گنی جاتی ہے۔ اسے ڈیفالٹ پر چھوڑیں یا چند ہزار پر سیٹ کریں۔ بہت چھوٹی حد خالی آؤٹ پٹ دیتی ہے۔
- ایجنٹ سے پہلے روٹ کریں۔ درخواستوں کی درجہ بندی کے لیے آگے Gemma 4 VL 26B پر ایک Basic LLM Chain لگائیں۔ صرف وہ درخواستیں ایجنٹ تک پہنچیں جنہیں ٹولز چاہییں۔
مقررہ آؤٹ پٹ شکل کے لیے Require Specific Output Format آن کریں اور ایک Structured Output Parser لگائیں۔ یہ ایجنٹ سے دوبارہ فارمیٹ کروانے سے سستا ہے۔ مزید اسٹرکچرڈ آؤٹ پٹ میں۔
n8n ایجنٹ کے ایک رن کی لاگت کتنی ہے؟
ایک سپورٹ ایجنٹ لیں: ہر رن میں 3 iterations، ہر iteration میں تقریباً 4,000 ان پٹ ٹوکن اور 300 آؤٹ پٹ ٹوکن۔ یعنی ہر رن میں 12,000 ان پٹ اور 900 آؤٹ پٹ ٹوکن۔ ماہانہ 10,000 رنز پر:
| ماہانہ ٹوکن | Qwen3.8 27B | GLM 5.3 |
|---|---|---|
| 120M ان پٹ | فی 1M $0.175 | فی 1M $0.78 |
| 9M آؤٹ پٹ | فی 1M $2.17 | فی 1M $3.46 |
ضرب دیں اور جمع کریں۔ 2026-11-14 کو سنک ہونے والی قیمتوں پر اس ورک فلو کے لیے GLM 5.3، Qwen3.8 27B سے تقریباً 3 گنا مہنگا پڑتا ہے، کسی بھی کیش رعایت سے پہلے۔ iterations آدھی کرنے سے دونوں ماڈلز پر ان پٹ کی قطار موٹے طور پر آدھی ہو جاتی ہے؛ مختصر میموری ونڈو اسے اتنا کم کرتی ہے جتنا ہر پرامپٹ میں میموری کا حصہ ہے۔
Gemma 4 VL 26B والا روٹنگ مرحلہ بہت کم شامل کرتا ہے: 800 ان پٹ اور 20 آؤٹ پٹ ٹوکنز پر 10,000 درجہ بندیوں کا مطلب ہے فی 1M $0.10 پر 8M ان پٹ اور فی 1M $0.22 پر 0.2M آؤٹ پٹ۔ اگر 40% درخواستیں ایجنٹ تک پہنچتی ہی نہیں، تو اس سے ایجنٹ والی قطار کا 40% بچتا ہے۔ Gemma پر مستحکم اونچے حجم کے لیے BroadNet، $0.50 فی گھنٹہ کی مقررہ گھنٹے والی کلید بھی بیچتا ہے: فی منٹ 120 درخواستیں، ایک اسٹریم، فی منٹ 300,000 ٹوکن۔
اپنے اعداد LLM API لاگت کیلکولیٹر میں چلائیں، اور ریٹ لمٹ کیلکولیٹر سے چیک کریں کہ فی منٹ 30 درخواستیں کتنی دور تک چلتی ہیں۔
n8n میں سستے ماڈلز کے ساتھ کیا ٹوٹتا ہے؟
- ایجنٹ ٹولز کو نظر انداز کرتا ہے۔ ماڈل ٹول سپورٹ کے ساتھ درج نہیں۔ Qwen3.8 27B یا GLM 5.3 پر جائیں۔
- “Bad request”۔ عموماً Responses API والا ٹوگل۔ سیٹ اپ گائیڈ میں اس کے حل ہیں۔
- بیچز میں 429۔ استعمال کے مطابق ادائیگی والی کلید فی منٹ 30 درخواستوں اور ایک ساتھ 4 کی اجازت دیتی ہے۔ Wait نوڈ کے ساتھ Loop Over Items استعمال کریں۔ دیکھیں ایررز اور دوبارہ کوششیں۔
- MCP ٹولز۔ MCP Client Tool نوڈ ایجنٹ کو کسی بیرونی MCP سرور کو کال کرنے دیتا ہے۔ پہلے OpenAI-compatible ماڈلز کے ساتھ MCP پڑھیں۔
BroadNet Inference کہاں فٹ ہوتا ہے
BroadNet Inference، n8n کو ایک ہی OpenAI-compatible کریڈینشل دیتا ہے: ٹولز کے ساتھ Qwen3.8 27B اور GLM 5.3، سستی روٹنگ کے لیے Gemma 4 VL 26B، اور مستحکم بیچز کے لیے $0.50 کی گھنٹے والی Gemma کلید۔ نئے اکاؤنٹس کو $5 کا کریڈٹ ملتا ہے، جو Gemma 4 VL 26B کا احاطہ کرتا ہے؛ ٹول کے قابل ماڈلز کے لیے ٹاپ اپ چاہیے۔ یہ ان ورک فلوز کے لیے موزوں نہیں جنہیں صرف OpenAI والے فیچرز چاہییں، جیسے Responses API کے بلٹ اِن ٹولز۔ کلید inference.broadnet.ai پر بنائیں۔
