Esettanulmány · 2026 · AI · Web · Egyedi szoftver
Sima magyarul leírod, mit szeretnél automatizálni.AI-alapú folyamat-generátort építettünk n8n-hez. Két perc múlva kiesik egy működő folyamat, mehet élesbe, mérnök sem kell hozzá.
Az n8n AI Workflow Generator egy chat-first eszköz: beírod sima nyelven az automatizációt, visszakapsz egy import-kész n8n JSON-t a megfelelő node-okkal, credential-slotokkal és tesztadatokkal. A stúdió szállította a FastEmbed template-indexet, a Chainlit chat UI-t, az iteratív-finomító kört és az export-pipeline-t.
- Python
- TypeScript
- Greenlet
- FastEmbed
- aiosqlite
- Chainlit
A működés
Áttekintés
- <2 min
- Ötlet → import
- EN/HU
- Kétnyelvű prompt
- Local
- aiosqlite előzmény
- Vector
- FastEmbed template-keresés
Chainlit-alapú chat UI, amibe beírod a workflow-ot ('ha új leadet kapunk a Typeformon, küldj Slack-üzenetet és írd be Notion-ba'), az AI egy valódi n8n JSON-t generál a megfelelő node-okkal, credential-slotokkal, tesztadatokkal. Import-kész. Sokféle template-ből tanítva, fastembed-vektoros kereséssel a legjobb illeszkedő minta megtalálásához.
Mi készült el
Mit csinál
- Természetes nyelvű input · magyar és angol támogatva
- Exportálás · import-kész n8n JSON
- FastEmbed-vektoros template-kereső · a legjobb minta alapján épít
- Chainlit chat UI · iteráló finomítás párbeszédben
- Helyi aiosqlite · a beszélgetés és template-történet nálad marad
A probléma
- Az n8n hatalmas · a node-ok böngészése órákat vesz el
- A template-galéria korlátolt · a saját esetedre ritkán illik
- Az egyedi workflow építés a node-ok paraméterezgetéséig tart
- ChatGPT-ből másolt JSON ritkán importálódik hibamentesen
Miért számít
- Workflow-ötlet → élő n8n-flow 2 perc alatt
- A non-technical PM is tud mockolni érvényes n8n-JSON-t
- Példák + legacy workflow-k gyors modernizációja
- Chat-alapú iteráció · finomíthatsz menet közben
Hogyan készült
- 01 · BRIEF
Miért nem importálódik soha a ChatGPT-generálta n8n JSON?
Diagnosztizáltuk a hibamódot: a ChatGPT nem ismeri a node-sémát és a credential-szemantikát. Vektor-keresés-első generátort építettünk, ami mindig egy known-good template-ből indul, majd finomít.
- 02 · BUILD
Chainlit + FastEmbed + iteratív finomítás.
A Chainlit hostolja a chatet, a user leírja a flow-t, a FastEmbed lehúzza a legközelebbi templatet, az LLM ráigazítja a user specjére. Az iteráció társalgásos · „adj egy Notion-node-ot a Slack-üzenet után” ennyiből működik.
- 03 · SHIP
Local-first deploy · az előzmény a user gépén marad.
Az aiosqlite tárolja a beszélgetést + template-előzményt lokálisan · nincs külső perzisztencia, nem szivárog a user automatizációs logikája. Az export-gomb egy n8n-importra kész JSON-fájlt ad.
Technológia
Chat
Chainlit chat UI · iteráció társalgásban
Ugyanaz az UI első vázlatra és finomításra · a user nem vált kontextust a tweakelésre.
Keresés
FastEmbed template-index
Vektor-keresés egy kurált template-galéria felett · a generátor mindig known-good alapból indul.
Export
Import-kész n8n JSON
Az output letöltés előtt validálva az n8n-séma ellen · a „JSON tisztán másolódik n8n-be” launch-feltétel.
Lokális
Csak aiosqlite-perzisztencia
Beszélgetés + template-előzmény a user gépén marad · nincs SaaS-lock érzékeny automatizációs logikára.
Esettanulmány
“A projektvezetőink napokig vártak, mire egy mérnök megépített nekik egy automatizálást. A csapat olyan eszközt épített, amibe a menedzser sima magyarul beírja, mit szeretne, és két perc múlva kiesik egy működő folyamat, indításra kész. A mérnökök csak a változásokat nézik át. Folyamatonként kb. két mérnöki órát spórolunk, és a csapat is elégedettebb.”
