मार्केटिंग AI एजेंट: n8n वर्कफ़्लो, टूल्स और उपयोग के उदाहरण

ज़्यादातर मार्केटिंग टीमों को ऐसा रोबोट नहीं चाहिए जो उनकी जगह ले ले। उन्हें कुछ ऐसा चाहिए जो एक अच्छे आइडिया और प्रकाशित पोस्ट के बीच के दर्जनों छोटे काम संभाल ले: सर्च डेटा खींचना, ब्रीफ़ लिखना, फ़ोटो का साइज़ बदलना, लीड दर्ज करना, सोमवार की रिपोर्ट भेजना। यही काम मार्केटिंग AI एजेंट करता है, और n8n इसे बनाने के लिए सबसे व्यावहारिक जगहों में से एक है। यह लेख बताता है कि ये एजेंट किन चीज़ों से बने होते हैं, पहले कौन-से पाँच n8n वर्कफ़्लो बनाने लायक हैं, इनके पीछे कौन-से टूल्स और मॉडल लगते हैं, इन्हें चलाने में कितनी लागत आती है, और वे गलतियाँ जिनसे दूसरे हफ़्ते तक एजेंट फेल हो जाते हैं।

मार्केटिंग AI एजेंट क्या करता है

मार्केटिंग AI एजेंट एक लैंग्वेज मॉडल होता है जिसके पास एक काम, टूल्स का एक सेट, और यह तय करने की अनुमति होती है कि आगे कौन-सा टूल इस्तेमाल करना है। उसे कोई लक्ष्य दें, जैसे "इस प्रोडक्ट अपडेट को एक लॉन्च पोस्ट और तीन सोशल कैप्शन में बदलो", तो वह इनपुट पढ़ता है, स्टेप्स की योजना बनाता है, ज़रूरी टूल्स चलाता है, अपने आउटपुट की जाँच करता है, और फिर एक ऐसी चीज़ लौटाता है जिसे कोई व्यक्ति मंज़ूर कर सके। सामान्य स्क्रिप्ट से इसका फ़र्क निर्णय लेने वाले स्टेप में है। स्क्रिप्ट एक तय रास्ते पर चलती है। एजेंट रास्ते में मिली जानकारी के आधार पर अपना रास्ता चुनता है।

एजेंट बनाम सिंपल ऑटोमेशन

दोनों की अपनी जगह है। मार्केटिंग के कई काम सादे ऑटोमेशन के रूप में ही बेहतर चलते हैं, और गलत काम में लगाया गया एजेंट सिर्फ़ लागत और अनिश्चितता बढ़ाता है।

💡 मोटा नियम: अगर आप स्टेप्स को बिना "यह निर्भर करता है" वाले फ़्लोचार्ट में लिख सकते हैं, तो ऑटोमेशन बनाएँ। अगर स्टेप्स इस बात पर निर्भर हैं कि कंटेंट में क्या लिखा है, तो एजेंट इस्तेमाल करें।

चार बिल्डिंग ब्लॉक

n8n में, और ज़्यादातर दूसरे फ़्रेमवर्क में भी, हर एजेंट इन्हीं चार हिस्सों पर आधारित होता है:

1. ट्रिगर: वह चीज़ जो रन शुरू करती है। एक शेड्यूल, एक वेबहुक, स्प्रेडशीट में नई पंक्ति, या आने वाला ईमेल।
2. मॉडल: वह लैंग्वेज मॉडल जो इनपुट पढ़ता है और तय करता है कि क्या करना है। हर काम के लिए एक अलग मॉडल चुनें, सब कुछ के लिए एक ही नहीं।
3. टूल्स: वे कार्य जो एजेंट कर सकता है, जैसे वेब सर्च करना, Google Sheet पढ़ना, Slack पर पोस्ट करना या इमेज API को कॉल करना।
4. मेमोरी: वह जो एजेंट संदेशों या रनों के बीच याद रखता है, जैसे ब्रांड वॉइस के नोट्स, पिछले कैंपेन के नतीजे या ग्राहक के पिछले जवाब।

एक पाँचवाँ हिस्सा भी उतना ही ज़रूरी है और उसे भूलना आसान है: एक चेकपॉइंट, जहाँ ग्राहक के सामने जाने वाली किसी भी चीज़ को भेजे जाने से पहले कोई इंसान मंज़ूरी दे।

मार्केटिंग टीमों के लिए n8n क्यों सही है

n8n एक ओपन सोर्स वर्कफ़्लो ऑटोमेशन प्लेटफ़ॉर्म है, जिसमें विज़ुअल एडिटर है और 500 से ज़्यादा इंटीग्रेशन हैं। इसका AI Agent नोड एक ही एजेंट से एक चैट मॉडल, एक मेमोरी नोड और जितने चाहें उतने टूल्स जोड़ने देता है, और यह सब उसी कैनवास पर होता है जहाँ आपके Gmail, Slack, Google Sheets और CRM नोड हैं। मार्केटर्स के लिए यह मायने रखता है, क्योंकि एजेंट कोई अलग प्रोडक्ट नहीं है। वह उसी वर्कफ़्लो के अंदर रहता है जो पहले से आपका डेटा आगे बढ़ाता है।

विज़ुअल कैनवास, असली कंट्रोल

आप किसी रन का हर स्टेप देख सकते हैं, कोई भी नोड खोलकर पढ़ सकते हैं कि उसमें क्या गया और क्या बाहर आया। जब एजेंट कमज़ोर सब्जेक्ट लाइन लिखता है, तो आप ठीक वह स्टेप ढूँढ सकते हैं जहाँ संदर्भ बिगड़ा, अंदाज़े से नहीं। जब कोई विज़ुअल नोड वह काम न कर सके जो आपको चाहिए, तो आप Code नोड लगा सकते हैं, और टीम के बाकी लोग वर्कफ़्लो समझ सकें इसके लिए कैनवास पर स्टिकी नोट्स भी लगा सकते हैं।

n8n दोनों दिशाओं में Model Context Protocol को भी सपोर्ट करता है। MCP Client Tool नोड एजेंट को MCP सर्वर के टूल्स कॉल करने देता है, और कोई वर्कफ़्लो दूसरे AI ऐप्स के लिए टूल के रूप में उपलब्ध कराया जा सकता है। जो रिसर्च वर्कफ़्लो आपने एक एजेंट के लिए बनाया है, वह दूसरे एजेंट के काम भी आ सकता है।

सेल्फ-होस्टिंग और प्राइसिंग

सेल्फ-होस्टेड Community Edition एक मुफ़्त सॉफ़्टवेयर है, इसलिए आपकी लागत उस सर्वर की होती है जिस पर यह चलता है, जो अक्सर एक छोटा VPS होता है। n8n Cloud पर प्लान मंथली वर्कफ़्लो एक्ज़ीक्यूशन के हिसाब से बिल होते हैं, सीट के हिसाब से नहीं। लिखने के समय, सालाना बिलिंग पर एंट्री प्लान लगभग €20 प्रति माह से शुरू होता है और इसमें 2,500 एक्ज़ीक्यूशन मिलते हैं, जबकि Pro प्लान लगभग €50 का है और इसमें 10,000 मिलते हैं। एक एक्ज़ीक्यूशन पूरे वर्कफ़्लो का एक रन होता है, चाहे उसमें कितने भी स्टेप हों। कुछ होस्टेड बिल्डर उपयोग को प्रति टास्क या प्रति स्टेप गिनते हैं, इसलिए वहाँ पंद्रह स्टेप वाला एजेंट पंद्रह यूनिट गिना जा सकता है, जबकि यहाँ वह एक रन है। खरीदने से पहले मौजूदा प्राइसिंग पेज देख लें, क्योंकि प्लान और सीमाएँ बदलती रहती हैं।

💡 बजट टिप: मॉडल का उपयोग अलग से बिल होता है, उस AI प्रोवाइडर द्वारा जिसे आप जोड़ते हैं। n8n रन गिनता है, आपका मॉडल प्रोवाइडर टोकन गिनता है। पहले दिन से दोनों पर नज़र रखें।

पाँच वर्कफ़्लो जो बनाने लायक हैं

उन वर्कफ़्लो से शुरू करें जो हर हफ़्ते घंटों बचाते हैं और जिनकी फ़ेल होने की कीमत कम है। मंज़ूरी के इंतज़ार में पड़ा खराब ड्राफ़्ट आपका कुछ मिनट लेता है। 5,000 कॉन्टैक्ट्स को भेजा गया खराब ईमेल इससे कहीं ज़्यादा महँगा पड़ता है।

एक्ज़ीक्यूशन की गिनती सीधा गणित है। पाँचों मिलकर लगभग 250 एक्ज़ीक्यूशन प्रति माह बनते हैं, जो 2,500 एक्ज़ीक्यूशन वाले प्लान के भीतर आराम से समा जाते हैं। मॉडल टोकन वह हिस्सा है जो वॉल्यूम के साथ बढ़ता है।

कंटेंट ब्रीफ़ से ड्राफ़्ट

आपकी प्लानिंग शीट में नई पंक्ति रन शुरू करती है। एजेंट विषय और लक्ष्य सर्च फ़्रेज़ पढ़ता है, शीर्ष परिणामों के लिए वेब खोजता है, उनके हेडिंग निकालता है और एक ब्रीफ़ बनाता है: एंगल, आउटलाइन, जिन सवालों के जवाब देने हैं, और लिंक करने लायक आंतरिक पेज। एक दूसरी मॉडल कॉल उस ब्रीफ़ से पहला ड्राफ़्ट लिखती है, और इसमें वे वॉइस नोट्स इस्तेमाल होते हैं जो आपने मेमोरी में सेव किए हैं। वर्कफ़्लो ड्राफ़्ट को एक डॉक्यूमेंट में सेव करता है और एडिटर को Slack पर सूचना भेजता है।

असली काम अब भी एडिटर ही करता है: काटना-छाँटना, तथ्यों की जाँच करना, और वह जोड़ना जो सिर्फ़ आपकी टीम जानती है। एजेंट खाली पेज की दिक्कत हटाता है, एडिटर को नहीं।

SEO रिसर्च एजेंट

इसे हर वीकडे सुबह चलाएँ। एजेंट किसी शीट या API से रैंकिंग डेटा पढ़ता है, जिसमें आप पहले से डेटा एक्सपोर्ट करते हैं, उन पेजों को चिह्नित करता है जिनकी रैंकिंग गिरी है, और हर एक के लिए सुधार सुझाता है: कोई गायब सेक्शन, पुराना आँकड़ा, या ऐसा टाइटल जो अब क्वेरी से मेल नहीं खाता। यह निष्कर्षों को प्राथमिकता कॉलम के साथ एक शीट में लिख देता है।

सबसे ज़रूरी बात यह है कि तथ्य कहाँ से आते हैं। आप मॉडल से यह उम्मीद नहीं करते कि वह आपकी रैंकिंग जानता हो। आप उसे डेटा एक टूल के ज़रिए देते हैं और संख्याओं की व्याख्या करने को कहते हैं।

फ़ोटो वाली सोशल पोस्ट

जब कोई ब्लॉग पोस्ट लाइव होती है, तो एक वेबहुक चलता है। एजेंट लेख पढ़ता है, हर प्लेटफ़ॉर्म के लिए कैप्शन लिखता है, तीन सबसे मज़बूत एंगल चुनता है, और हर एक के लिए इमेज प्रॉम्प्ट लिखता है। एक HTTP Request नोड वे प्रॉम्प्ट एक इमेज मॉडल को भेजता है, तस्वीरें वापस आती हैं, और एक Slack संदेश तैयार पोस्ट मंज़ूरी के लिए दिखाता है। इमेज कॉल को बाद के एक हिस्से में चरण-दर-चरण समझाया गया है।

लीड क्वालिफ़िकेशन और ईमेल

एक फ़ॉर्म सबमिशन रन शुरू करता है। एजेंट फ़्री-टेक्स्ट फ़ील्ड पढ़ता है, कंपनी के डोमेन को आपके CRM से मिलाता है, एक से पाँच तक फ़िट स्कोर देता है जिसका एक लाइन में कारण होता है, और जवाब का ड्राफ़्ट बनाता है। ऊँचे स्कोर वाली लीड सीधे सेल्सपर्सन के पास जाती है, ड्राफ़्ट संलग्न करके। कम स्कोर वालों को एक विनम्र नर्चर ईमेल जाता है, लेकिन उससे पहले कोई व्यक्ति बैच को देख लेता है।

यह टेबल का सबसे ज़्यादा वॉल्यूम वाला वर्कफ़्लो है, इसलिए यहीं Gemini 3.5 Flash या Claude 4.5 Haiku जैसा सस्ता और तेज़ मॉडल अपनी जगह बनाता है।

साप्ताहिक रिपोर्टिंग एजेंट

हर सोमवार एजेंट आपके एनालिटिक्स, विज्ञापन प्लेटफ़ॉर्म और ईमेल टूल से पिछले हफ़्ते के आँकड़े लेता है, उनकी तुलना उससे पिछले हफ़्ते से करता है, और पाँच वाक्य लिखता है जिन्हें कोई व्यस्त मैनेजर सचमुच पढ़ेगा: क्या बदला, शायद क्यों बदला, और आगे क्या करना है।

गणित मॉडल से दूर रखें। n8n नोड कुल योग और प्रतिशत बदलाव की गणना करें, फिर एजेंट को तैयार आँकड़े दें कि वह उनका वर्णन करे। मॉडल किसी संख्या को समझाने में अच्छे होते हैं, लेकिन उसकी गणना में भरोसेमंद नहीं।

मार्केटिंग AI एजेंट टूल्स की तुलना

आपके टूल्स के सेट में तीन परतें होती हैं: ऑर्केस्ट्रेटर जो वर्कफ़्लो चलाता है, मॉडल जो तर्क करता है, और मीडिया टूल्स जो इमेज बनाते हैं। आम विकल्प इन परतों में ऐसे बैठते हैं।

एजेंट के पीछे का मॉडल चुनना

किसी एक पसंदीदा मॉडल को चुनने के बजाय मॉडल को काम के हिसाब से चुनें। प्लानिंग स्टेप के लिए Claude Sonnet 5 जैसा बड़ा मॉडल इस्तेमाल करें, क्योंकि वहाँ एक गलत फ़ैसला उसके बाद के हर स्टेप को बर्बाद कर देता है। वर्गीकरण, कैप्शन और दोबारा लिखने के लिए GPT-5 mini जैसा छोटा मॉडल इस्तेमाल करें।

n8n में आप हर AI Agent नोड के साथ अलग चैट मॉडल जोड़ते हैं, इसलिए एक ही वर्कफ़्लो दोनों इस्तेमाल कर सकता है: छोटा मॉडल छँटाई करता है, और बड़ा मॉडल उन मामलों को संभालता है जिनमें विवेक चाहिए। हर उम्मीदवार को अपने इनबॉक्स या कंटेंट बैकलॉग के 20 असली उदाहरणों पर टेस्ट करें, फिर सबसे सस्ता वह मॉडल रखें जो पास हो जाए। n8n में कुछ भी जोड़ने से पहले आप PicassoIA पर ब्राउज़र में इन सभी मॉडलों को आज़मा सकते हैं।

अपने वर्कफ़्लो के भीतर इमेज जनरेट करें

मार्केटिंग एजेंट अच्छा लिखते हैं, लेकिन वे अपने आप तस्वीरें नहीं बनाते। इसके लिए आप उन्हें एक इमेज टूल देते हैं। PicassoIA इसके लिए एक डेवलपर API देता है, और इसे कॉल करने के लिए एक n8n HTTP Request नोड काफ़ी है। PicassoIA Image और PicassoIA Image Editor Pro जैसे इमेज मॉडल इसी के ज़रिए उपलब्ध हैं।

n8n से PicassoIA को कॉल करें

1. PicassoIA API पेज पर एक क्रेडेंशियल बनाएँ। यह pia_sk_ से शुरू होता है।
2. n8n में एक Header Auth क्रेडेंशियल जोड़ें। नाम Authorization रखें और वैल्यू में Bearer लिखें, उसके बाद अपना क्रेडेंशियल।
3. एक HTTP Request नोड जोड़ें। मेथड POST, URL https://api.picassoia.com/v1/models/picassoia/picassoia-image/predictions।
4. अपने प्रॉम्प्ट को input ऑब्जेक्ट के अंदर रखकर JSON बॉडी भेजें।
5. API असिंक्रोनस है। पहला रिस्पॉन्स एक प्रेडिक्शन ID लौटाता है। एक Wait नोड जोड़ें, फिर एक दूसरा HTTP Request नोड जो उस ID के साथ GET को https://api.picassoia.com/v1/predictions/ पर भेजे, और स्टेटस सफलता बताने तक दोहराएँ।
6. लौटाया गया इमेज URL अगले नोड को दें: मंज़ूरी के लिए Slack, स्टोरेज के लिए Google Drive, प्रकाशन के लिए आपका CMS।

{
  "input": {
    "prompt": "Candid photo of a ceramic skincare bottle on a pale stone table, soft window light from the left, 85mm lens, shallow depth of field, visible glaze texture"
  }
}

प्रॉम्प्ट कॉपी करें

एक अकाउंट एक साथ 5 प्रेडिक्शन चला सकता है, इसलिए जब एजेंट प्रॉम्प्ट की सूची बनाए, तो उन्हें 5 या उससे कम बैच साइज़ वाले Loop Over Items नोड से गुज़ारें।

💡 बनाने से पहले जाँचें: API के इनपुट फ़ील्ड, सीमाएँ और प्लान की ज़रूरतें बदल सकती हैं। किसी प्रोडक्शन वर्कफ़्लो में इसे लगाने से पहले API पेज पर मौजूदा मान पढ़ लें।

ऐसे प्रॉम्प्ट जो तस्वीरों को रियलिस्टिक रखें

एजेंट को खुद से प्रयोग करने देने के बजाय उसे एक तय प्रॉम्प्ट टेम्पलेट दें। फ़ोटोग्राफ़िक नतीजों के लिए जो ढाँचा काम करता है वह है: सब्जेक्ट, सेटिंग, रोशनी की दिशा, लेंस, और एक टेक्सचर डिटेल।

• हर इमेज में एक सब्जेक्ट। भीड़भाड़ वाले प्रॉम्प्ट से धुंधली तस्वीरें बनती हैं।
• रोशनी का नाम लें। "बाईं ओर से नरम खिड़की की रोशनी" "अच्छी लाइटिंग" से बेहतर है।
• लेंस का नाम लें। "85mm, शैलो डेप्थ ऑफ़ फ़ील्ड" पोर्ट्रेट जैसा लुक देता है, "24mm" चौड़ा कमरे वाला शॉट देता है।
• टेक्स्ट बाहर रखें। "इमेज में कोई टेक्स्ट नहीं" जोड़ें और कैप्शन पोस्ट में डालें।
• प्लेटफ़ॉर्म से मिलाएँ। एजेंट से ब्लॉग के लिए 16:9 और स्टोरी के लिए 9:16 माँगें।

किसी मॉडल को ऑटोमेशन में जोड़ने से पहले प्रॉम्प्ट को हाथ से टेस्ट करें। GPT Image 2 और Nano Banana Pro दोनों PicassoIA पर हैं, इसलिए आप कुछ आउटपुट साथ-साथ देखकर सबसे अच्छे नतीजे वाला प्रॉम्प्ट अपने टेम्पलेट में कॉपी कर सकते हैं।

असली उपयोग के मामले और लागत

अकेले फ़ाउंडर का सेटअप

मान लीजिए एक फ़ाउंडर है, जिसके पास एक छोटे VPS पर एक n8n इंस्टेंस है और तीन वर्कफ़्लो हैं: कंटेंट ब्रीफ़, सोशल पोस्ट और साप्ताहिक रिपोर्ट। इससे हर महीने लगभग 30 एक्ज़ीक्यूशन बनते हैं। कोई प्रति-सीट शुल्क नहीं है, इसलिए बिल सर्वर का और मॉडल टोकन का होता है।

कई क्लाइंट वाली एजेंसी

एक एजेंसी हर क्लाइंट के लिए एक ही वर्कफ़्लो टेम्पलेट चलाती है, जिसमें अलग-अलग वॉइस नोट्स और शीट ID एक कॉन्फ़िग टेबल से लोड होते हैं। हर क्लाइंट का एक लीड क्वालिफ़िकेशन वर्कफ़्लो पूरे रोस्टर में मिलाकर हर महीने हज़ारों एक्ज़ीक्यूशन तक पहुँच सकता है, और यहीं सेल्फ-होस्टिंग पसंद की बात नहीं रहती, बल्कि सस्ता विकल्प बन जाती है। एक साझा एरर वर्कफ़्लो रखें जो किसी भी क्लाइंट रन के फ़ेल होने पर आपको Slack पर अलर्ट करे।

दोनों सेटअप में सबसे बड़ी बचत पहले ड्राफ़्ट और रिसर्च से आती है, क्योंकि यही सबसे धीमे हिस्से हैं। एडिटिंग, मंज़ूरी और परख इंसान के पास ही रहते हैं। आपके आँकड़े अलग होंगे, इसलिए किसी से बचत का वादा करने से पहले सेटअप को एक महीने चलाएँ और असली बिल पढ़ें।

वे गलतियाँ जो एजेंट तोड़ देती हैं

1. कोई मंज़ूरी स्टेप नहीं। ग्राहक के सामने जाने वाली कोई भी चीज़ शुरू में किसी व्यक्ति से गुज़रनी चाहिए। Slack और Gmail जैसे नोड भेजने और जवाब का इंतज़ार करने के विकल्प देते हैं, जिनसे यह कुछ क्लिक में हो जाता है।
2. एक एजेंट पर बहुत सारे टूल्स। हर अतिरिक्त टूल मॉडल के लिए एक और गलत चुनाव का मौका है। अच्छे नामों वाले पाँच से आठ टूल्स तीस से बेहतर हैं।
3. अस्पष्ट टूल नाम। मॉडल टूल्स को उनके विवरण पढ़कर चुनता है। "प्रतिस्पर्धी की प्राइसिंग पेज खोजें" नाम वाला टूल "टूल 1" नाम वाले टूल से कहीं ज़्यादा सही इस्तेमाल होता है।
4. गणित मॉडल पर छोड़ना। कुल योग नोड्स में निकालें और मॉडल को उनका वर्णन करने दें।
5. अनलिमिटेड मेमोरी। लंबा चैट इतिहास टोकन लागत बढ़ाता है और पुराना संदर्भ नए कामों में लीक कर देता है। एक छोटी विंडो रखें और ब्रांड वॉइस को एक तय प्रॉम्प्ट में सेव करें।
6. कोई लॉग नहीं। हर रन का इनपुट, आउटपुट और इस्तेमाल किया गया मॉडल एक शीट में सेव करें। जब ड्राफ़्ट गलत निकले, तो आपको उसका रिकॉर्ड चाहिए।
7. कोई एरर वर्कफ़्लो नहीं। एक ऐसा सेटअप करें जिससे फ़ेल हुआ रन चुपचाप विफल होने के बजाय आपको सूचना दे।

💡 अपना पहला वर्कफ़्लो दो हफ़्ते तक "सब कुछ मंज़ूर करें" मोड में चलाएँ। फिर चेकपॉइंट उन्हीं जगहों पर ढीले करें जहाँ एजेंट ने खुद को साबित कर दिया हो।

इसी हफ़्ते अपना पहला एजेंट बनाएँ

एक ऐसा काम चुनें जो हर हफ़्ते एक घंटा खाता हो। उसे कागज़ पर बक्सों में बनाएँ, वह एक स्टेप चिह्नित करें जिसमें विवेक चाहिए, और बस उसी स्टेप को एजेंट के रूप में बनाएँ। उसके आसपास का सब कुछ सामान्य n8n नोड ही रहेगा। मंज़ूरी चेकपॉइंट जोड़ें, दो हफ़्ते चलाएँ, फिर अगला वर्कफ़्लो जोड़ें।

इस लेख के हर वर्कफ़्लो को तब बेहतर नतीजे मिलते हैं जब विज़ुअल सामान्य स्टॉक के बजाय असली फ़ोटो हों। PicassoIA के साथ अपनी इमेज बनाकर देखें: ऊपर दिए टेम्पलेट से एक प्रॉम्प्ट लिखें, GPT Image 2 या PicassoIA Image जैसा कोई मॉडल चुनें, और ऑटोमेट करने से पहले देखें कि नतीजा कैसा दिखता है। जब नतीजा सही हो, तब उस प्रॉम्प्ट को n8n में ले जाएँ और अपने एजेंट को उसे बड़े पैमाने पर दोहराने दें। सभी उपलब्ध मॉडल picassoia.com/en/all-models पर देखें और आज ही एक इमेज से शुरुआत करें।