Um agente de atendimento no n8n responde automaticamente, entende contexto, lembra do histórico da conversa e sabe quando passar pra um atendente humano.

Não é um chatbot de regras. É um agente que usa LLM (GPT-4 ou Claude) como núcleo de raciocínio e n8n como orquestrador, conectando o modelo ao WhatsApp, ao CRM e ao banco de dados do cliente.

Esse tutorial mostra a estrutura básica do agente, do zero.

O que é um agente de atendimento no n8n

A diferença entre um bot e um agente: o bot segue um fluxo fixo de perguntas e respostas. O agente raciocina.

No n8n, o agente de atendimento tem três componentes principais:

  1. Gatilho - o canal de entrada. Geralmente WhatsApp (via Evolution API ou Zapi), mas pode ser Telegram, email ou qualquer webhook.
  2. Núcleo de IA - o node AI Agent do n8n, que conecta ao modelo de linguagem. Aqui você define o prompt do sistema (quem o agente é, o que pode e o que não pode fazer) e as ferramentas que ele pode usar.
  3. Ferramentas - nodes adicionais que o agente pode chamar durante a conversa: buscar informação no banco, verificar status de pedido, agendar compromisso, escalar pra humano.

Tela da interface do n8n mostrando o editor de fluxo com nodes conectados e painel de execução

Montando a estrutura no n8n

Passo 1 - Webhook de entrada: Crie um workflow com o node Webhook. Configure o path (ex: /atendimento). Esse endpoint vai receber as mensagens do WhatsApp.

Passo 2 - AI Agent node: Adicione o node AI Agent. Conecte ao modelo que você está usando (OpenAI, Anthropic ou qualquer compatível com a API). No campo System Message, escreva o prompt base do agente: contexto da empresa, tom de voz, o que pode responder e o que deve escalar.

Passo 3 - Memory: Conecte o node de memória (Window Buffer Memory ou Postgres Memory) ao AI Agent. Sem memória, cada mensagem começa do zero. Com memória, o agente lembra o contexto da conversa no mesmo atendimento.

Passo 4 - Canal de saída: Adicione o node de envio do WhatsApp (Evolution API tem node nativo). Conecte ao output do AI Agent. O agente responde diretamente no chat.

Adicionando memória e contexto

A memória de curto prazo (dentro da mesma conversa) já é coberta pelo Window Buffer Memory com configuração padrão. Mantém as últimas N mensagens no contexto do modelo.

Pra memória de longo prazo, use Postgres ou Supabase. Guarde informações do cliente (nome, histórico de compras, preferências) numa tabela e crie uma tool que o agente pode chamar pra buscar esses dados quando precisar.

Exemplo de tool de busca de cliente:

Nome: buscar_dados_cliente
Descrição: Busca dados do cliente pelo número de telefone
Input: numero_telefone (string)

O agente chama essa tool automaticamente quando precisa personalizar a resposta. Você não precisa instruir explicitamente quando usar - o modelo raciocina com base na descrição da tool.

Handoff pro humano e gestão de fila

O ponto mais crítico do agente de atendimento: saber quando parar de tentar resolver e chamar um humano.

Defina no prompt as condições de escalada:

  • Cliente pediu falar com humano explicitamente
  • Problema de cobrança ou pedido de reembolso
  • Reclamação grave ou ameaça de churn
  • Mais de N tentativas sem resolver o problema

Quando uma dessas condições for detectada, o agente chama a tool de escalada, que:

  1. Envia uma mensagem pro cliente informando que um humano vai assumir
  2. Cria um ticket no sistema de suporte (Zendesk, Chatwoot, etc.)
  3. Notifica o atendente via WhatsApp ou Slack com o resumo da conversa

O resumo da conversa é gerado pelo próprio modelo - instrua o agente a fazer um recap em 3-5 linhas antes de escalar. Isso elimina a necessidade de o atendente humano ler todo o histórico.

A Formação em Agentes IA e Automações do ibe.IA tem o módulo completo de agentes de atendimento, com exemplos reais de produção e templates prontos pra adaptar.

Conheça a Formação em Agentes IA e Automações

E se essa leitura te ajudou a entender o que está acontecendo, segue a ibe.IA no Instagram (@ibe.ia) que toda semana sai conteúdo desse jeito.