Byg n8n-workflows med Claude og MCP: tre udbygningstrin i overblik

Hvis du jævnligt arbejder med automatiseringsværktøjer som n8n, kender du den besværlige del: at klikke enkelte noder sammen, gennemgå JSON i hånden, kopiere workflows fra skabeloner. En YouTube-video af Mark Kashef viser en anden vej. Med sprogmodellen Claude og såkaldte MCP-servere kan n8n-workflows genereres ud fra en beskrivelse i naturligt sprog, valideres og i bedste fald skrives direkte ind i din egen n8n-konto.

Jeg opsummerer de tre præsenterede udbygningstrin nøgternt, vurderer indsatsen og nævner grænserne. Målet: en realistisk vurdering af, om tilgangen kan betale sig for din virksomhed.

Hvad MCP-servere egentlig kan

MCP står for Model Context Protocol. I videoen beskrives det som en wrapper om et API eller en applikations backend-tjeneste, der forenkler kommunikationen frem og tilbage. Den anskuelige analogi: tidligere svarede hver funktion i en applikation til en enkelt dør, og for hver forespørgsel skulle man lave den passende nøgle hver for sig. En MCP-server samler det. Én nøgle åbner mange døre på én gang.

Konkret betyder det: i stedet for at hardkode hver funktion enkeltvis leverer én enkelt server et væld af funktioner. I eksemplet stiller den centrale n8n-MCP-server 38 forskellige funktioner til rådighed, blandt andet søgning efter noder, indlæsning af dokumentationen og oprettelse af komplette workflows.

De fire byggesten

• n8n-dokumentation: Da n8n i vid udstrækning er open source, kan en MCP-server læse den offentlige dokumentation og dermed se, hvilke noder der giver mening hvornår.
• Workflow-bibliotek: Valgfrie repositories med tusindvis af eksempel-workflows øger træfsikkerheden og reducerer hallucinationer eller fejlbehæftede noder.
• Agent-eksempler: Vil du have AI-agenter i stedet for rene A-til-B-workflows, bør du lægge op til det i prompten eller give agent-eksempler med. I baggrunden bygger agentstrukturerne på LangChain-noder.
• n8n-API-adgang: Først med en gemt API-nøgle og URL kan Claude rent faktisk skrive workflows ind i kontoen.

Trin 1: Claude Desktop plus MCP-server

Indgangsvarianten klarer sig uden Docker og er ifølge videoen egnet til ethvert vidensniveau. I Claude Desktop går vejen via Indstillinger, Udvikler, Rediger konfiguration. I konfigurationsfilen indsættes JSON-blokken for de ønskede MCP-servere, derefter lukkes programmet helt ned og startes igen.

I videoen kombineres tre GitHub-repositories: en samling på tusindvis af n8n-workflows, tjenesten Context7 til altid opdateret dokumentation samt selve n8n-MCP-serveren. Den passende JSON-kode leveres af værktøjet gitmcp.io, som ud fra et GitHub-repository kan generere en lille MCP-server inklusive et færdigt konfigurations-snippet. Snippets kan derefter samles til én enkelt konfigurationsfil af Claude selv.

Begrænsningen ved dette trin: uden Docker mangler API-adgangen. n8n-MCP-serveren tilbyder her kun fire i stedet for 38 funktioner. Claude kan altså generere workflows som JSON, som man importerer manuelt i n8n, men ikke skrive dem automatisk. I demoen gennemsøger Claude workflow-biblioteket efter et Telegram-eksempel, lærer af dets struktur og laver derudfra et udkast, der kan importeres. Med tilføjelsen Context7 kan det samme workflow forfines yderligere ud fra aktuel dokumentation.

Trin 2: Desuden Docker til direkte import

Det andet trin tilføjer Docker. I videoen beskrevet som en container-platform, der kører enkelte applikationer som isolerede containere lokalt på ens egen hardware. Fordelen: n8n-MCP-serveren kører lokalt, hvilket er gunstigt sikkerhedsmæssigt, og kan med en gemt API-nøgle skrive workflows programmatisk ind i n8n-kontoen.

Der er to veje til installationen. Enten manuel download af Docker Desktop til Windows eller Mac, eller den AI-understøttede terminal Warp, som man giver anvisninger i naturligt sprog som “Hent Docker for mig”. Opstår der en fejl, foreslår Warp det næste skridt, som kan overtages med tabulatortasten. Selve starten af serveren sker med en enkelt linje efter mønsteret docker pull inklusive link til MCP-serveren.

Hvad man skal være opmærksom på

• Containeren skal køre (grønt symbol), og Docker Desktop må ikke lukkes, ellers afbrydes forbindelsen til Claude, og værktøjerne forsvinder.
• API-adgangen kræver n8n-instansens URL (delen før skråstregen) samt en API-nøgle, der genereres på ny i n8n-indstillingerne under “n8n API”.
• Begge dele føres ind i JSON-blokken. Derefter bliver 38 i stedet for fire funktioner synlige, heriblandt den centrale n8n_create_workflow samt aflæsning og redigering af eksisterende workflows.

Trin 3: Cursor som videnslager

Det tredje trin kombinerer Claude Desktop, Docker og kodeeditoren Cursor. Grunden er en praktisk grænse hos Claude: når JSON-filer genereres, fyldes kontekstvinduet hurtigt, og længere samtaler støder mod grænser. Cursor er bygget til at skrive og gennemsøge store mængder kode og kan referere hele mapper med tusindvis af workflow-filer uden at læse alt ind i Claudes kontekst.

De MCP-servere, der bruges i videoen (n8n-MCP og Context7), kan sættes op i Cursor med præcis det samme JSON som i Claude Desktop. Praktisk: man kan tilføje mapper via drag-and-drop, for eksempel en samling agentværktøjer eller eksempel-agent-workflows, og henvise målrettet til dem i prompten.

Et andet punkt er modelvalget. Cursor giver adgang til forskellige Claude-modeller og deres Max-variant samt alternativt til andre sprogmodeller. Støder man mod en grænse, kan modellen skiftes. I videoen tilføjes det, at editoren Windsurf ikke blev brugt, fordi den er blevet overtaget af OpenAI, og at Claude dér har indstillet den native adgang til de nyeste modeller.

Det fuldautomatiske gennemløb

I demoen planlægger Claude først i “Ask”-tilstand et agent-workflow til et ejendomsfirma med værktøjer som GoHighLevel, Gmail, Google Sheets og Slack. Til udførelsen skiftes der til “Agent”-tilstand, så MCP-serverne rent faktisk kaldes. Derefter kører følgende forløb stort set uden indgreb:

• læse dokumentation og liste relevante noder
• kontrollere nodestruktur og tilgængelighed (inklusive et health check-kald mod n8n-kontoen)
• oprette og validere workflow og opdage fejl
• forenkle ved behov og reparere med en deludgave i stedet for at skrive alt om
• endelig validering og skrivning ind i n8n-kontoen inklusive workflow-ID

Hele kørslen tog i eksemplet omkring ti minutter og endte med et fungerende agent-workflow i n8n-kontoen, der indeholdt chat-trigger, hukommelse og en sprogmodel.

De tre trin sammenlignet

• Trin 1 (Claude Desktop plus MCP): lille indsats, ingen Docker, ingen direkte import. Resultatet er JSON, der kan importeres. Godt til at prøve af.
• Trin 2 (plus Docker): middel indsats, engangsinstallation af Docker. Direkte skriveadgang til n8n-kontoen via API-nøgle.
• Trin 3 (plus Cursor): større indsats, til gengæld ingen kontekstgrænse, adgang til store biblioteker, modelskift og det fuldautomatiske end-to-end-gennemløb til mere komplekse agent-workflows.

Vurdering til praksis

Tilgangen tager repetitivt arbejde fra dig og giver brugbare udgangspunkter. Vigtig er stadig den realistiske forventning, som også nævnes i videoen: ud fra en vag prompt opstår et enkelt udkast, der dækker omkring 70 til 80 procent. Jo mere præcist du beskriver dine egne processer, friktionspunkter og eksisterende værktøjer, desto mere præcist bliver resultatet.

Set fra rådgiverens stol betyder det: de genererede workflows er et udgangspunkt, ikke et slutprodukt. Adgangsdata, databeskyttelse, fejlhåndtering og den faglige logik skal fortsat gennemgås og suppleres. Sikkerhedsaspektet ved den lokalt kørende server (trin 2) er et argument, men erstatter ikke ordentlig governance ved udstedelse af API-nøgler.

Konklusion

Kombinationen af Claude og MCP-servere sænker mærkbart tærsklen for at komme i gang med n8n. Vil du bare teste, kommer du i mål med trin 1 uden tekniske forhindringer. Den direkte import (trin 2) og den fuldautomatiske opbygning af komplekse agent-workflows (trin 3) kræver lidt mere opsætning, men giver til gengæld et forløb, der sparer det meste af det manuelle klikarbejde. Afgørende er stadig kvaliteten af prompten og en kritisk efterprøvning af resultaterne. Som værktøj til at gå hurtigere frem er tilgangen nyttig; som noget, der kører af sig selv, bør man ikke opfatte den.

Kilde: Mark Kashef, How to Use Claude & MCPs to INSTANTLY Build n8n AI Agents (MASTERCLASS)