Índice completo da **MasterClass 2.0 by Nate** — curso de automação…

INEMA

Protect Your Webhooks

Interactive Keyboard Shortcuts

LLM Observability

youtube.com/watch ↗

youtube.com/watch ↗

Human in the Loop

What is Caching Data?

Essential JavaScript Functions

mudando uma variável por vez e documentando cada alteração e seu impacto nas métricas principais.

Recursos: O PDF

Avaliação de Workflows com IA

Resumo do módulo:

Resumo em uma frase: Apresenta a avaliação de workflows como um processo sistemático de testar diferentes versões de workflows de IA com base em métricas objetivas, para identificar qual combinação de prompts, modelos e lógica gera resultados mais precisos, consistentes e econômicos.

Principais pontos:

• A IA é uma caixa-preta — 100 entradas idênticas podem gerar 100 saídas diferentes. A avaliação permite medir o desempenho de forma objetiva, em vez de depender de impressões subjetivas.

• Métricas principais a acompanhar:

• Precisão: correspondência exata, similaridade semântica, conclusão da tarefa

• Confiabilidade: consistência, taxa de erro
• Eficiência: tokens, custo, latência
• Indicadores de qualidade: taxa de alucinação, relevância e completude
• Isole variáveis como em um experimento científico — altere apenas um fator por vez (prompt ou modelo, nunca ambos ao mesmo tempo) para entender exatamente o que causou melhorias ou regressões.
• Construa datasets de referência (gold standard): seus dados de teste precisam ser corretos, abrangentes e representativos de cenários reais — busque 100+ exemplos, não apenas 10.
• 80% do prompt engineering é avaliação, 20% é escrita — o prompt inicial é só o ponto de partida; a maior parte do trabalho está na iteração baseada em resultados mensurados.
• Erros comuns: métricas de vaidade que não se conectam ao valor de negócio, testes com poucos exemplos, viés de confirmação e não atualizar os datasets de avaliação.
• Em trabalhos para clientes, alinhe expectativas desde o início — você precisará da expertise do cliente para construir bons datasets e validar as saídas.

Ação recomendada: No seu próximo workflow de IA, crie um dataset com pelo menos 50 a 100 entradas reais com saídas esperadas e, em seguida, teste sistematicamente diferentes prompts ou modelos, mudando uma variável por vez e documentando cada alteração e seu impacto nas métricas principais.

Recursos: O PDFAvaliação de Workflows com IA

Resumo do módulo:

Resumo em uma frase: Este vídeo apresenta a avaliação de workflows como um processo sistemático de testar diferentes versões de workflows de IA com base em métricas objetivas, para identificar qual combinação de prompts, modelos e lógica gera resultados mais precisos, consistentes e econômicos.

Principais pontos:

• A IA é uma caixa-preta — 100 entradas idênticas podem gerar 100 saídas diferentes. A avaliação permite medir o desempenho de forma objetiva, em vez de depender de impressões subjetivas.

• Métricas principais a acompanhar:

• Precisão: correspondência exata, similaridade semântica, conclusão da tarefa

• Confiabilidade: consistência, taxa de erro
• Eficiência: tokens, custo, latência
• Indicadores de qualidade: taxa de alucinação, relevância e completude
• Isole variáveis como em um experimento científico — altere apenas um fator por vez (prompt ou modelo, nunca ambos ao mesmo tempo) para entender exatamente o que causou melhorias ou regressões.
• Construa datasets de referência (gold standard): seus dados de teste precisam ser corretos, abrangentes e representativos de cenários reais — busque 100+ exemplos, não apenas 10.
• 80% do prompt engineering é avaliação, 20% é escrita — o prompt inicial é só o ponto de partida; a maior parte do trabalho está na iteração baseada em resultados mensurados.
• Erros comuns: métricas de vaidade que não se conectam ao valor de negócio, testes com poucos exemplos, viés de confirmação e não atualizar os datasets de avaliação.
• Em trabalhos para clientes, alinhe expectativas desde o início — você precisará da expertise do cliente para construir bons datasets e validar as saídas.

Ação recomendada: No seu próximo workflow de IA, crie um dataset com pelo menos 50 a 100 entradas reais com saídas esperadas e, em seguida, teste sistematicamente diferentes prompts ou modelos,

AI Workflow Evaluations

Rate Limits & Error Handling

youtube.com/watch ↗

Production Error Handling

Module 6: Smarter Workflows Production Error Handling Rate Limits & Error Handling 🎁Bonus: Mistral OCR Step by Step AI Workflow Evaluations Category Based Evaluations Accuracy Evaluations Referencing Binary Files Essential JavaScript Functions Handling a Sequence of Messages What is Caching Data? Human in the Loop LLM Observability Logging Agent Actions 📝Interactive Keyboard Shortcuts Protect Your Webhooks

RAG Agêntico

É apresentada uma explicação detalhada sobre Agentic RAG — uma forma mais avançada e inteligente de recuperação de informações usando agentes de IA. O conteúdo começa com os fundamentos do RAG (Retrieval-Augmented Generation), explicando como ele funciona com bancos de dados vetoriais, embeddings e recuperação baseada em chunks.

Em seguida, o foco passa para o Agentic RAG, no qual os agentes não executam apenas uma única busca e param — eles raciocinam, decidem como e onde buscar informações e escolhem a ferramenta certa (como busca vetorial ou SQL), dependendo do contexto da pergunta.

Também mostra um passo a passo completo de um template poderoso de Agentic RAG construído no n8n, que oferece suporte a PDFs, dados tabulares (como planilhas), consultas inteligentes, estratégias de fallback e até análise de documentos inteiros quando necessário. A demonstração prática evidencia como o raciocínio do agente melhora drasticamente o desempenho e a precisão — especialmente ao lidar com documentos longos ou dados estruturados.

---

O que é Agentic RAG?⌗

Agentic RAG significa Agentic Retrieval-Augmented Generation. É uma evolução do RAG tradicional, na qual, em vez de apenas consultar um banco de dados vetorial e gerar uma resposta, o agente de IA raciocina ativamente sobre a melhor estratégia de recuperação. Ele pode decidir se deve consultar um banco de dados, ler documentos completos ou executar uma consulta SQL — tudo depende do tipo de pergunta feita.

---

Por que isso é importante?⌗

Entender os diferentes tipos de RAG (RAG vetorial, RAG tabular e RAG agêntico) é essencial para criar agentes de IA confiáveis e escaláveis. Sem o raciocínio agêntico, o sistema pode retornar respostas incompletas, ignorar dados importantes ou realizar cálculos incorretos.

Este vídeo ajuda iniciantes a irem além de configurações básicas de RAG e começarem a construir agentes mais inteligentes, capazes de realmente compreender e agir sobre os dados.

---

Recursos: The Workflow

Por que Agentes RAG com Vetores Alucinam

Resumo em uma frase: Este vídeo explica por que “meu agente RAG não está dando respostas corretas” é um problema complexo, detalhando quatro abordagens para fornecer contexto em tempo real aos agentes — filtros, consultas SQL, injeção de contexto completo e recuperação vetorial — e quando cada método é mais adequado.

Principais pontos:

• RAG (Retrieval Augmented Generation) não significa necessariamente banco de dados vetorial — significa apenas que a IA recupera informações externas para enriquecer a resposta, em vez de depender apenas do conhecimento de treinamento.
• Bancos de dados vetoriais têm limitações: eles fragmentam documentos (chunks) e perdem contexto de ordem, origem e relacionamento entre dados — o que é ruim para perguntas que exigem resumos completos, entendimento cronológico, totais ou médias sobre conjuntos inteiros de dados.

Quatro métodos de fornecimento de contexto⌗

1. Ferramentas de filtro

• Dão ao agente ferramentas para filtrar por colunas específicas (ex.: nome do produto, data).
• Rápidas, baratas e precisas para dados estruturados.

2. Consultas SQL

• Mais poderosas para consultas complexas em grandes bases de dados, com joins, agregações e buscas em múltiplas tabelas.
• O agente precisa conhecer o esquema do banco.

3. Contexto completo (via ferramenta)

• Fornece ferramentas para buscar documentos inteiros sob demanda.
• O agente carrega apenas o que precisa, economizando tokens.

4. Contexto completo (via prompt do sistema)

• Insere documentos inteiros diretamente no prompt do sistema.

• Garante contexto total, mas consome mais tokens a cada execução.

• As janelas de contexto hoje são enormes (200 mil a mais de 1 milhão de tokens) — uma transcrição de vídeo de 15 minutos tem apenas ~3.000 tokens, então abordagens de documento completo muitas vezes são viáveis.

• Pergunta crítica de design: que tipos de perguntas esse sistema vai receber?

• Se exigirem similaridade semântica, vetores funcionam bem.

• Se exigirem entendimento holístico, ordem cronológica ou cálculos sobre datasets completos, use contexto completo ou consultas estruturadas.

Ação recomendada: Antes de construir um sistema de recuperação de conhecimento, liste os tipos de perguntas que ele precisará responder e escolha o método de contexto com base nisso — não adote bancos vetoriais por padrão sem avaliar se a recuperação fragmentada realmente produzirá respostas corretas para o seu caso de uso.

Recursos: Workflow

Relational vs. Vector DBs

Gemini File Search Tutorial

The JSON Body for the query tool:

{"contents": [ { "parts": [ { "text": "{{ $fromAI("query","the question the user needs an answer to") }}" } ] } ], "tools": [ { "file_search": { "file_search_store_names": [ "YOUR STORE NAME HERE" ] } } ] }Resources The Workflow

Project: Gemini File Search

Metadata Course

Dynamic RAG Pipeline

Project: Dynamic RAG Pipeline

Supabase RAG Agent Course

================== Module 5: Advanced RAG

Supabase RAG Agent Course 📂Project: Dynamic RAG Pipeline Metadata Course 📂Project: Gemini File Search Relational vs. Vector DBs Why Vector RAG Agents Hallucinate Agentic RAG

=============

youtube.com/watch ↗

Photoshop Agent Puzzle

Email Agent Puzzle

anthropic.com ↗

youtube.com/watch ↗

Ferramenta Think

Resumo em uma frase: Apresenta a ferramenta Think — um “rascunho mental” que permite aos agentes de IA pausar, raciocinar sobre a tarefa e verificar se possuem todas as informações necessárias antes de agir, o que comprovadamente melhora o desempenho dos agentes.

Principais pontos:

• A ferramenta Think é um conceito da Anthropic que oferece aos agentes um espaço para registrar seu raciocínio antes de executar ações — como um bloco de notas mental.
• Adicionar a ferramenta Think demonstrou melhorar a precisão dos agentes, especialmente em tarefas complexas de múltiplas etapas, nas quais o agente precisa confirmar se reuniu todas as informações exigidas.

• A ferramenta orienta o agente a:

• listar as regras que se aplicam à solicitação atual;

• verificar se todas as informações obrigatórias foram coletadas;
• confirmar se as ações planejadas estão em conformidade com políticas;
• revisar os resultados das ferramentas para garantir que estão corretos.
• Os modelos Claude tendem a usar a ferramenta Think de forma mais eficaz, já que a Anthropic foi quem desenvolveu esse conceito.
• Quando o agente chama a ferramenta Think, é possível visualizar seu raciocínio interno (por exemplo: “Notei que os participantes são obrigatórios, mas não foram informados — devo perguntar antes de continuar”).
• Quando usar: adicione a ferramenta Think quando você já tentou melhorar prompts e ajustar ferramentas, mas o agente ainda tem dificuldades com solicitações complexas, ignora requisitos ou age antes de reunir todas as informações necessárias.

Ação recomendada: Se você tem um agente que comete erros em tarefas de múltiplas etapas, adicione a ferramenta Think integrada no menu de ferramentas do n8n, forneça um prompt simples como “Use esta ferramenta antes de responder para verificar se todas as solicitações do usuário foram atendidas corretamente” e observe como isso altera o processo de raciocínio do agente.

Recursos: Think Tool Article Think YT Video

Creative Problem Solving Mindset

youtube.com/watch ↗

Live Prompting Example

Dynamic Prompting

Reactive Prompting

Structuring Prompts

Structured Output Parser Puzzle

Output Parsing

Agent Logs

Making Agents Correct Themselves

Sub-Workflows

Resumo em uma frase: Explica como criar e usar sub-workflows no n8n — workflows modulares e reutilizáveis que podem ser chamados por um workflow pai ou por um agente de IA para executar funções específicas e retornar resultados.

Principais pontos:

• Sub-workflows permitem criar componentes reutilizáveis (como um envio de e-mail ou um gerador de imagens) que qualquer workflow pode chamar, de modo que atualizações precisam ser feitas em apenas um lugar.
• Todo sub-workflow deve começar com o gatilho Execute Sub Workflow e definir os dados de entrada necessários (por exemplo: título da história, prompt, personagem principal) usando “Define using fields below”.
• O workflow pai envia dados ao sub-workflow por meio de parâmetros, e o sub-workflow retorna ao pai a saída do seu nó final.
• Sub-workflows precisam ser publicados para que as alterações entrem em vigor e para que outros workflows consigam chamá-los.
• Não force o uso de sub-workflows sem necessidade — crie-os apenas quando houver componentes repetíveis e escaláveis usados em vários workflows.
• É possível converter nós existentes em um sub-workflow selecionando-os e escolhendo “Convert to sub-workflow”, o que cria automaticamente o gatilho e substitui os nós por um Execute Sub Workflow node.
• Erro comum: ao usar um agente de IA dentro de um sub-workflow, lembre-se de definir a fonte da mensagem do usuário como “Define below” e mapear as variáveis de entrada — caso contrário, o agente não receberá o prompt e gerará erro.

Ação recomendada: Identifique uma ferramenta ou processo que você usa em vários workflows (como envio de e-mails ou geração de conteúdo), extraia isso para um sub-workflow com entradas bem definidas e pratique chamá-lo a partir de um agente pai usando o nó “Call n8n workflow as a tool”.

Tools vs. Nodes

$now e $fromAI

Resumo em uma frase: Aborda as duas expressões mais essenciais para criar agentes de IA no n8n: $now, para inserir a data e hora atuais nos prompts, e $fromAI(), para permitir que o agente preencha dinamicamente os parâmetros de ferramentas com base nas solicitações do usuário.

Principais pontos:

• $now fornece a data e hora atuais — inclua sempre no prompt do sistema (por exemplo: “Aqui está a data/hora atual de hoje: {{ $now }}”), já que os modelos de IA não sabem automaticamente a data atual.

• Use $now.format() para tornar datas legíveis para humanos (ex.: {{ $now.format('MMMM dd, yyyy hh:mm a') }} → “23 de janeiro de 2026 08:26”). Atenção à capitalização:

• MM = número do mês

• mm = minutos
• $fromAI() permite que o agente de IA decida qual valor preencher em um parâmetro de ferramenta com base na solicitação do usuário — use o botão “let the model define this parameter” ou escreva manualmente {{ $fromAI('nomeDoCampo', 'descrição') }}.
• Ao usar $fromAI(), você pode adicionar descrições para ajudar o agente a entender o que cada campo espera (por exemplo: “O título do evento de calendário que você está criando”).
• O agente usa o contexto da mensagem do usuário para preencher os campos $fromAI() — pedidos vagos resultam em valores padrão razoáveis (como reuniões de uma hora), mas você pode orientar o comportamento por meio de instruções no prompt.

Ação recomendada: Adicione $now ao prompt do sistema de todo agente que você criar e pratique o uso do $fromAI() em uma ferramenta como o Google Calendar para ver como o agente interpreta solicitações do usuário e preenche dinamicamente os detalhes dos eventos.

Dynamic Memory

Agent Memory

Prompt do Usuário vs. Prompt do Sistema

Resumo em uma frase: Explica a diferença entre mensagens do usuário e mensagens do sistema em agentes de IA — as mensagens do usuário são entradas dinâmicas que mudam a cada interação, enquanto as mensagens do sistema definem o comportamento, o papel e as instruções persistentes do agente.

Principais pontos:

• Mensagem do usuário: é a entrada dinâmica que dispara a resposta (como digitar algo no ChatGPT) — muda a cada interação e deve conter variáveis como {{ $json.chatInput }} ou {{ $json.message.text }}.
• Mensagem do sistema: são as instruções ocultas que definem o papel, o comportamento e o formato de saída do agente — permanecem majoritariamente estáticas e moldam como o agente responde a qualquer entrada.
• Boa prática: coloque instruções estáticas (papel, regras de formatação, diretrizes de comportamento) na mensagem do sistema, e variáveis dinâmicas (perguntas do usuário, dados recebidos) na mensagem do usuário.
• Sempre defina explicitamente o campo de mensagem do usuário (por exemplo, {{ $json.chatInput }}) em vez de depender do “connected chat trigger node”, garantindo flexibilidade para diferentes fontes de entrada (Telegram, e-mail, voz etc.).
• No prompt do sistema, informe ao agente que tipo de entrada ele receberá (por exemplo: “Você receberá um e-mail que deverá responder”), para que ele entenda o contexto do conteúdo dinâmico enviado pela mensagem do usuário.

Ação recomendada: Revise seus prompts de agentes existentes e garanta que as entradas dinâmicas (perguntas do usuário, dados recebidos) estejam no campo de mensagem do usuário, enquanto as definições de papel e instruções de comportamento permaneçam na mensagem do sistema.

User vs System Prompt

vellum.ai/llm-leaderboard ↗

Escolhendo um Modelo de IA

Resumo em uma frase: Como escolher modelos de IA para diferentes casos de uso considerando velocidade, custo, tamanho da janela de contexto e tipo de tarefa — em vez de usar sempre um único modelo “favorito”.

Principais pontos:

• Os provedores de modelos geralmente organizam suas ofertas em camadas:

• Rápidos e baratos (Mini, Flash, Haiku)

• Padrão (GPT, Sonnet)
• Raciocínio pesado (série O, Opus) Entender esse padrão ajuda a navegar em praticamente qualquer provedor.
• Para testes e prototipação, use modelos rápidos e baratos (como GPT-4o Mini e Gemini Flash) para validar a ideia antes de escalar.
• Para geração de conteúdo e código, os modelos da Claude (especialmente o Opus 4.5) se destacam — a Anthropic vem se especializando em código e produz textos com linguagem mais natural e humana.
• Para pesquisa e análise pesada, utilize modelos de raciocínio como GPT-5, Opus 4.5 ou a série O da OpenAI.
• A janela de contexto importa: se você vai enviar grandes volumes de dados, escolha modelos com janelas maiores (por exemplo, Gemini 3 Pro com 1 milhão de tokens vs. Opus 4.5 com 200 mil). Ferramentas como o LLM Leaderboard da Vellum AI ajudam a comparar modelos.
• Modelos são presets de comportamento — trocar o modelo em um agente que já funciona pode quebrá-lo. Sempre teste em um ambiente separado antes de levar mudanças para produção.

Ação recomendada: Ao criar seu próximo agente, comece com um modelo rápido e barato para validar o conceito e, depois, escolha deliberadamente o modelo de produção com base no tipo de tarefa (conteúdo, código, raciocínio) e nos requisitos (velocidade, custo e janela de contexto).

Recursos: Guia de Seleção de Modelos de IA Vellum LLM Leaderboard

Choosing an AI Model

Pré-requisito do Módulo 4

Resumo em uma frase: Explica por que o curso começou pelos fundamentos de workflows — workflows tradicionais são lineares e previsíveis, enquanto agentes de IA introduzem uma complexidade acumulativa, em que cada nova ferramenta ou mudança de prompt pode afetar o comportamento geral.

Principais pontos:

• Workflows tradicionais são determinísticos: se o Nó 4 funciona, você avança para o Nó 5, e os nós anteriores raramente quebram — o progresso tende a ser confiável, sempre “um passo à frente”.
• Agentes de IA são não determinísticos: adicionar ferramentas exige mudanças no prompt, o que pode alterar a forma como o agente interpreta as instruções e até quebrar funcionalidades que antes funcionavam — o progresso pode virar “um passo à frente, dois para trás”.
• Os fundamentos de workflow abordados nos módulos anteriores (fluxo de dados, roteamento, APIs, bancos de dados) se aplicam diretamente à construção de agentes de IA, onde sub-workflows e ferramentas precisam funcionar de forma confiável como componentes.
• O próximo módulo abordará os componentes centrais dos agentes de IA: entradas, saídas, prompting e memória.

Module 4: AI Agents

Module 4 Prerequisite Choosing an AI Model User vs System Prompt Agent Memory Dynamic Memory $now and $fromAI Tools vs. Nodes Sub-Workflows Making Agents Correct Themselves Agent Logs Output Parsing 🧩 Structured Output Parser Puzzle Structuring Prompts Reactive Prompting Dynamic Prompting Live Prompting Example Creative Problem Solving Mindset Think Tool 🧩Email Agent Puzzle 🧩Photoshop Agent Puzzle

Project: Invoice Processing Workflow

N8N Projetos

Mistral OCR Document Extraction

PASSO A PASSO (WORKFLOW DE AGREGADOR DE NOTÍCIAS + RESUMO)

Um passo a passo mostrando como construir um workflow que agrega artigos de notícias de um site, extrai o conteúdo da notícia, o título e a data, depois resume o conteúdo e, por fim, envia tudo organizadinho para o nosso banco de dados (Google Sheets).

E, claro, se tiverem qualquer dúvida, fiquem à vontade para deixar nos comentários ou falar comigo.

Human in the Loop Sales Team

Voice Travel Agent

Human in the Loop Calendar Agent

Faceless Shorts System V2

Piapi: piapi.ai ↗

ElevenLabs: https://elevenlabs.io

Creatomate template source code:

{"output_format": "mp4", "width": 1080, "height": 1920, "elements": [ { "id": "87e27d0a-394f-4083-8cab-081494799fa3", "name": "Video-1", "type": "video", "track": 1, "time": 0, "duration": 5, "source": "placeholder", "dynamic": true }, { "id": "91fd56b8-43a2-4c54-9e7f-274f9c82a1e", "name": "Video-2", "type": "video", "track": 1, "time": 5, "duration": 5, "source": "placeholder", "dynamic": true }, { "id": "389075bc-c76b-423a-bc7d-8aea1e560e28", "name": "Video-3", "type": "video", "track": 1, "time": 10, "duration": 5, "source": "placeholder", "dynamic": true }, { "id": "6f8a2d3c-51b9-4e67-a5d2-9c7b384b6e2f", "name": "Video-4", "type": "video", "track": 1, "time": 15, "duration": 5, "source": "placeholder", "dynamic": true }, { "id": "5e92f4a7-12c3-4d8b-b5f3-7a6e8d2b9c1e", "name": "Audio-Track", "type": "audio", "track": 2, "time": 0, "duration": 20, "source": "placeholder", "dynamic": true }, { "id": "a1b2c3d4-e5f6-4g7h-8i9j-0k1l2m3n4o5p", "name": "Text-1", "type": "text", "track": 3, "time": 0, "duration": 5, "x": 540, "y": 293.1046, "text": "Dynamic Text 1", "font_family": "Arial", "font_size": 80, "background_color": "rgba(0,0,0,0.65)", "fill_color": "#ffffff", "dynamic": true }, { "id": "q9w8e7r6-t5y4-3u2i-1o0p-a9s8d7f6g5h4", "name": "Text-2", "type": "text", "track": 3, "time": 5, "duration": 5, "x": 540, "y": 293.1046, "text": "Dynamic Text 2", "font_family": "Arial", "font_size": 80, "background_color": "rgba(0,0,0,0.65)", "fill_color": "#ffffff", "dynamic": true }, { "id": "j4k5l6m7-n8o9-p0a1-s2d3-f4g5h6j7k8l9", "name": "Text-3", "type": "text", "track": 3, "time": 10, "duration": 5, "x": 540, "y": 293.1046, "text": "Dynamic Text 3", "font_family": "Arial", "font_size": 80, "background_color": "rgba(0,0,0,0.65)", "fill_color": "#ffffff", "dynamic": true }, { "id": "z1x2c3v4-b5n6-m7a8-s9d0-f1g2h3j4k5l6", "name": "Text-4", "type": "text", "track": 3, "time": 15, "duration": 5, "x": 540, "y": 293.1046, "text": "Dynamic Text 4", "font_family": "Arial", "font_size": 80, "background_color": "rgba(0,0,0,0.65)", "fill_color": "#ffffff", "dynamic": true } ] }

Faceless Shorts System V1

Piapi: piapi.ai ↗

ElevenLabs: https://elevenlabs.io

Here is the source code for the Creatomate template:

{"output_format": "mp4", "width": 1080, "height": 1920, "elements": [ { "id": "87e27d0a-394f-4083-8cab-081494799f3b", "name": "Video-1", "type": "video", "track": 1, "time": 0, "duration": 5, "source": "23b9827b-8424-4db7-8be0-dc17abdec21a", "dynamic": true }, { "id": "91fd56b8-43a2-4c54-9e7f-274f9c82a1e5", "name": "Video-2", "type": "video", "track": 1, "time": 5, "duration": 5, "source": "23b9827b-8424-4db7-8be0-dc17abdec21a", "dynamic": true }, { "id": "389075bc-c76b-423a-bc7d-8aea1e560e28", "name": "Video-3", "type": "video", "track": 1, "time": 10, "duration": 5, "source": "23b9827b-8424-4db7-8be0-dc17abdec21a", "dynamic": true }, { "id": "6f8a2d3c-51b9-4e67-a5d2-9c7b384b6e2f", "name": "Video-4", "type": "video", "track": 1, "time": 15, "duration": 5, "source": "23b9827b-8424-4db7-8be0-dc17abdec21a", "dynamic": true }, { "id": "5e92f4a7-12c3-4d8b-b5f3-7a6e8d2b9c1e", "name": "Audio-Track", "type": "audio", "track": 2, "time": 0, "duration": 20, "source": "placeholder", "dynamic": true } ] }

The Ultimate AssistantThe Ultimate Assistant

Lead Qualifier: n8n / Vapi Outbound

AI Receptionist: n8n MCP / Vapi

Migrate n8n Workflows

Dynamic RAG Pipeline

Gemini File Search Tutorial

The JSON Body for the query tool:

{"contents": [ { "parts": [ { "text": "{{ $fromAI("query","the question the user needs an answer to") }}" } ] } ], "tools": [ { "file_search": { "file_search_store_names": [ "YOUR STORE NAME HERE" ] } } ] }Resources The Workflow

Gemini File Search Tutorial

youtube.com/watch ↗

**Newsletter System **

Watch Me Build a Multi-Agent Newsletter System in n8n (step-by-step)

youtube.com/watch ↗

Project: Personal News Summary

25 n8n Hacks

Review Analysis Puzzle

Starting data:

[ { "review": "This product is amazing! Best purchase I've ever made." }, { "review": "Terrible quality, it broke after just one week of use." }, { "review": "Love the design and it works perfectly every time." }, { "review": "Customer service was unhelpful and quite rude." }, { "review": "Exceeded all my expectations, highly recommend to everyone!" }, { "review": "Complete waste of money, do not buy this product." }, { "review": "Fast shipping and exactly as described. Very happy!" }, { "review": "The instructions were confusing and parts were missing." }, { "review": "Great value for the price, will buy again." }, { "review": "Stopped working after a month, very disappointed." } ] Resources Answer Key

Merging HTML Puzzle

Merging HTML Puzzle

Structured Data Puzzle

Chat Models

OpenRouter

Pré-requisito do Módulo 3

Resumo em uma frase: Este módulo apresenta a transição de workflows determinísticos e fundamentais no n8n para a integração de elementos de IA, mantendo controle e lógica estruturados.

Principais pontos:

Determinístico vs. Não determinístico⌗

• Determinístico: Um caminho fixo em que o workflow sempre executa em uma ordem específica (1, 2, 3…). Você tem controle total sobre a lógica, ramificações e caminhos.

• Não determinístico: Processos com autonomia total que podem desviar de um caminho fixo, tornando-os mais difíceis de construir e depurar.

Abordagem de “Guardrails” (Trilhos de Segurança)⌗

• Mesmo com lógica condicional (nós If/Else e Switch), um workflow continua sendo determinístico, pois você define previamente todas as rotas possíveis.
• Essa estrutura funciona como trilhos de segurança, evitando que o sistema se comporte de forma inesperada.

Construindo para Manutenibilidade⌗

• Começar com workflows de IA determinísticos torna muito mais fácil depurar e manter suas automações antes de avançar para agentes mais complexos e autônomos.

Acúmulo de Habilidades (Skill Stacking)⌗

• O curso foi projetado para empilhar camadas de IA sobre os fundamentos de automação de workflows que você já construiu, aumentando a complexidade de forma gradual.

Ação recomendada: Inicie a próxima aula para começar a construir seus primeiros workflows com IA, usando as estruturas determinísticas que você já domina.

Module 3: AI Workflows

Module 3 Prerequisite Chat Models Information Extractor Text Classifier AI Agent Node

• 🧩 Structured Data Puzzle
• 🧩 Merging HTML Puzzle
• 🧩 Review Analysis Puzzle

Webhook and Responses Continue on Error Setting 🎁Bonus: 25 n8n Hacks 📂Project: Personal News Summary 📂Project: Daily Events/Tasks Summary 📂Project: Invoice Processing Workflow 📂Project: Personal Inbox Manager 📂Project: Personal Inbox Manager Build 3 Workflows With Me

==============

Kie.ai

Generate AI Image Puzzle

Sales Data Filter Puzzle

Structured Output Parser Puzzle

Dominando o Google Sheets

Resumo em uma frase: Este vídeo apresenta as quatro operações principais do Google Sheets no n8n — append, read (com filtros), update e delete — que se aplicam a qualquer ferramenta de banco de dados relacional, como Airtable, Notion ou Supabase.

Principais pontos:

• Append adiciona uma nova linha mapeando variáveis de um nó anterior para as colunas correspondentes da planilha do Google Sheets.
• Read com filtros permite buscar apenas as linhas necessárias (por exemplo, onde status = "pending"), o que melhora o desempenho e reduz custos de tokens ao processar dados com IA.
• Update exige um identificador único (como um ID de atribuição) para atualizar a linha correta — você define qual coluna será usada como referência e atualiza apenas os campos que precisam mudar.
• Delete remove linhas pelo número da linha ou por um identificador — tenha cuidado, pois essa ação remove os dados permanentemente da planilha.
• Sempre utilize uma coluna de identificador único (como um ID) para atualizações, já que campos como nome, e-mail ou data geralmente não são exclusivos entre as linhas.

Ação recomendada: Copie o template de Google Sheets fornecido, conecte suas credenciais do Google no n8n e pratique cada operação (append, read com filtro, update, delete) para ganhar familiaridade com o fluxo de dados entre o n8n e planilhas.

Recursos: Google Sheet Exercise

Comandos cURL

Resumo em uma frase: Este vídeo mostra um atalho para configurar requisições HTTP no n8n importando comandos cURL diretamente da documentação de APIs, o que preenche automaticamente o método, a URL, os headers e o body.

Principais pontos:

• Muitas documentações de API incluem um “playground” ou exemplos de código no painel direito — procure pela opção cURL, que fornece um modelo de requisição pronto para uso.
• No n8n, clique em Import cURL, cole o comando e ele automaticamente preenche o método, a URL, os headers e o body — depois é só substituir pela sua chave de API real.
• Após a importação, troque os headers manuais pela sua credencial salva (pré-definida ou autenticação genérica Bearer) para uma configuração mais limpa e segura.
• Siga esta árvore de decisão ao conectar um novo serviço:

1. Verifique se o n8n possui um nó nativo
2. Caso não tenha, procure a documentação da API
3. Se existir documentação, procure um comando cURL para importar
4. Se não houver cURL, use o Claude para ajudar a configurar a requisição manualmente * Importar cURL reduz erros, acelera a configuração e ajuda a entender rapidamente como a API funciona.

Ação recomendada: Da próxima vez que precisar configurar uma requisição HTTP, verifique primeiro a documentação da API em busca de um exemplo em cURL — importe-o no n8n para economizar tempo e depois ajuste os parâmetros conforme necessário.

APIs e Requisições HTTP

Resumo em uma frase: Este vídeo desmistifica APIs e requisições HTTP ao mostrar como ler documentação de APIs, configurar autenticação e criar uma chamada de API funcional no n8n, usando o Tavily como exemplo prático.

Principais pontos:

• APIs permitem que dois sistemas se comuniquem — pense na documentação da API como o cardápio de um restaurante, a requisição HTTP como o pedido feito ao garçom, e o endpoint como a cozinha que prepara e entrega o pedido.

• Os códigos de resposta HTTP indicam o que aconteceu:

• 200 significa sucesso

• Erros da série 400 indicam que você fez algo errado (requisição inválida, não autorizado, etc.)
• Erros da série 500 indicam um problema no servidor

• A autenticação comprova que você tem permissão para usar a API — métodos comuns incluem:

• Bearer auth (header com Authorization: Bearer [API key])

• Header auth (nome de header personalizado + chave da API)
• Query auth (chave da API passada na URL)

• Ao configurar uma requisição HTTP, é necessário definir:

• O método (GET, POST, etc.)

• A URL do endpoint
• A autenticação
• Os parâmetros obrigatórios e opcionais no corpo da requisição, em formato JSON válido
• Ferramentas de IA como o Claude são excelentes para ajudar a ler documentação de APIs, configurar o corpo da requisição HTTP e depurar erros — basta colar a URL da documentação ou a mensagem de erro e pedir ajuda.
• Salvar credenciais no n8n (via autenticação genérica ou credenciais pré-definidas) mantém suas chaves de API seguras, reutilizáveis e ocultas durante gravações de tela.

Ação recomendada: Escolha uma API que você queira usar (como Tavily, Perplexity ou OpenWeatherMap), encontre a documentação e pratique a configuração de uma requisição HTTP no n8n — use o Claude para ajudar a montar o body e resolver possíveis erros.

Manipulação de Itens no n8n

Resumo em uma frase: Este vídeo explica como os itens fluem pelos workflows do n8n, incluindo como dividir arrays em itens individuais, agregar vários itens em um só e usar loops para processar itens um de cada vez, evitando limites de requisição e falhas.

Principais pontos:

• O número de itens que entra em um nó determina quantas vezes ele será executado — três itens de entrada significam que o próximo nó roda três vezes (por exemplo, envia três e-mails ou faz três chamadas de API).
• O Split Out converte um array dentro de um único item em vários itens separados (1 item com a lista X, Y, Z se torna 3 itens).
• O Aggregate faz o oposto — combina vários itens em um único item que contém um array (3 itens se tornam 1 item com todos os dados em uma lista).
• Os nós de Loop processam os itens um por vez (ou em lotes configuráveis), o que evita estouro de limites de requisição, problemas de memória e travamentos ao trabalhar com grandes volumes de dados.
• Entender o fluxo de itens é essencial para evitar comportamentos indesejados, como enviar centenas de e-mails por engano ou criar registros duplicados.

Ação recomendada: Baixe o workflow anexado, execute-o e observe como a quantidade de itens muda ao passar pelos nós Split Out, Aggregate e Loop, para criar uma intuição prática sobre o comportamento do fluxo de itens.

Recursos: Item Flow

Roteamento com Lógica Condicional

Resumo em uma frase: Este vídeo explica quando usar nós If versus nós Switch no n8n — os nós If lidam com condições verdadeiro/falso com duas saídas, enquanto os nós Switch roteiam dados por múltiplos caminhos possíveis.

Principais pontos:

• Use um nó If quando houver apenas dois resultados possíveis (verdadeiro ou falso), como: “O total do pedido é ≥ US$ 50?”.
• Use um nó Switch quando os dados precisarem ser roteados por várias condições, como encaminhar tickets por nível de prioridade (baixo, médio, alto, VIP).
• Os itens são preservados durante o roteamento — se entram cinco itens, saem cinco itens, apenas distribuídos entre diferentes ramificações (a menos que você limite a execução intencionalmente).
• As saídas do nó Switch podem e devem ser renomeadas (em vez dos padrões “0, 1, 2, 3”) para rótulos descritivos como baixo, médio, alto, VIP, facilitando a leitura.
• Ambos os nós utilizam expressões como json.priority para referenciar valores de campos do nó anterior durante as comparações.

Ação recomendada: Baixe o workflow anexado, importe-o na sua instância do n8n e clique em cada nó para ver, na prática, como funciona a lógica de roteamento com If e Switch.

Recursos: If & Switch Nodes

Variáveis em JavaScript

Resumo em uma frase: Este vídeo explica como funcionam as variáveis JavaScript no n8n, abordando como referenciar dados entre nós, a diferença entre valores fixos e expressões, e boas práticas para criar workflows confiáveis.

Principais pontos:

• Sempre altere os campos para o modo “expression” (e não “fixed”) ao referenciar variáveis — o modo fixo trata a entrada como texto literal, enquanto o modo de expressão busca dados dinâmicos.
• As variáveis aparecem em verde quando válidas, cinza quando indefinidas e vermelho quando quebradas — essa codificação por cores ajuda a identificar problemas rapidamente.
• Usar $json referencia o nó imediatamente anterior, mas referenciar o nome absoluto do nó (por exemplo, $('OpenAI').item.json.message.content) é mais confiável caso você adicione novos nós no meio do fluxo posteriormente.
• É possível navegar por dados aninhados usando notação de ponto (ex.: json.message.content) ou simplesmente arrastar variáveis a partir da visualização de esquema no painel da direita.
• Se uma variável aparecer em vermelho após renomear um nó, será necessário atualizar as referências e reexecutar o workflow para atualizar os dados.
• A função $fromAI permite que agentes de IA determinem dinamicamente valores de parâmetros para nós de ferramentas, eliminando a necessidade de workflows separados para interpretar as saídas do agente.
• Expressões especiais como $now dão acesso a valores do sistema, como data e hora atuais.

Ação recomendada: Crie o hábito de definir os campos no modo “expression” por padrão e referenciar os nós pelos seus nomes absolutos, em vez de usar $json, ao construir workflows que possam ser modificados no futuro.

Fixação (Pinning) e Criação de Dados de Teste

Resumo em uma frase: Este vídeo explica como criar e fixar (pin) dados de teste no n8n, uma prática fundamental que permite construir workflows de forma eficiente, testando nó por nó sem precisar acionar APIs repetidamente ou reenviar dados de formulários.

Principais pontos:

• Construa e teste workflows de forma incremental — faça o Nó 1 funcionar antes de passar para o Nó 2, depois o Nó 3 — em vez de criar todo o workflow de uma vez e depurar só no final.
• Use um Set Node (também chamado de Edit Fields) para criar dados de teste simulados que imitam entradas reais, como um ticket de suporte com campos como data, nome, status e prioridade.
• Fixe os dados usando o botão de pin ou o atalho de teclado “P” para preservar os resultados de teste mesmo após atualizar a página ou reexecutar o workflow.
• O pinning é especialmente valioso para chamadas de API (evita estourar limites de requisição ou créditos) e para nós de IA (evita custos repetidos com uso de LLMs).
• As condições de dados de teste, como "high" vs "High", são sensíveis a maiúsculas e minúsculas, então garanta que os valores de teste correspondam exatamente ao que a lógica do workflow espera.

Ação recomendada: Ao construir workflows, crie o hábito de fixar os dados imediatamente após testar com sucesso qualquer nó que envolva chamadas externas de API, envio de formulários ou processamento com IA.

Modulo 2

Pré-requisito do Módulo 2

Resumo em uma frase: Esta é uma introdução ao Módulo 2, que se concentra na construção dos fundamentos da automação tradicional de workflows antes de avançar para workflows com IA mais adiante no curso.

Principais pontos:

• O Módulo 2 aborda a automação tradicional — como os itens se movem pelo canvas e como as variáveis passam da esquerda para a direita — sem focar em componentes de IA como agentes, prompting ou memória.

• O curso é estruturado em torno do conceito de uma “pirâmide de sistemas de IA”, na qual a automação simples de workflows forma a base antes de evoluir para workflows com IA.

• Workflows simples são determinísticos (os nós executam 1, 2, 3… sempre na mesma ordem), o que os torna fáceis de construir, depurar e manter devido à baixa variabilidade.

• Dominar esses fundamentos é essencial antes de avançar para workflows com IA nas seções posteriores do curso.

========== Module 2: Workflows

Module 2 Prerequisite Pinning & Creating Test Data JavaScript Variables Conditional Logic Routing Handling Items in n8n APIs & HTTP Requests cURL Commands Mastering Google Sheets

• 🧩 Structured Output Parser Puzzle
• 🧩 Sales Data Filter Puzzle
• 🧩 Generate AI Image Puzzle

=================

console.cloud.google.com ↗

🔑 Resumo rápido (regra de ouro)⌗

• Usando n8n Cloud? 👉 Gmail, Google Calendar e Google Sheets funcionam com login em 1 clique.
• Usando n8n auto-hospedado? 👉 Tudo do Google exige configuração no Google Cloud.
• Google Drive e Google Docs 👉 Sempre exigem Google Cloud, mesmo no n8n Cloud.

---

☁️ n8n Cloud (mais fácil)⌗

Funciona em 1 clique:⌗

• Gmail
• Google Calendar
• Google Sheets

Como conectar:

1. Adicione um node do Google (ex: Gmail).
2. Em Credentials, clique em “Sign in with Google”.
3. Autorize sua conta.
4. Pronto, já pode usar 🚀

🔴 Atenção: Google Drive e Docs não funcionam em 1 clique — exigem Google Cloud.

---

🖥️ n8n Auto-Hospedado (mais controle, mais setup)⌗

Para qualquer serviço do Google, você precisa:

1. Criar um projeto no Google Cloud Console
2. Ativar a API do serviço (Gmail, Sheets, Drive, etc.)
3. Criar credenciais OAuth (Client ID + Secret)
4. Configurar a tela de consentimento OAuth
5. Copiar as credenciais para o n8n

✔️ Mais trabalhoso⌗

• ✔️ Mais controle
• ✔️ Ideal para produção e dados sensíveis

---

📊 Qual escolher?⌗

Situação	Melhor opção
Iniciante	n8n Cloud
Testes rápidos	n8n Cloud
Produção séria	Auto-hospedado
Dados sensíveis	Auto-hospedado

---

💡 Dica prática⌗

Se você está aprendendo agora:

• 👉 Comece no n8n Cloud
• 👉 Ignore Google Drive/Docs no início
• 👉 Use Gmail + Sheets para 90% dos casos

Desafio: Quebra-cabeça do Gerador de Poemas com IA

Objetivo: Criar um workflow que gere poemas personalizados e os envie por e-mail.

📋 Cenário

Os usuários preenchem um formulário solicitando um poema personalizado. Seu workflow deve capturar essas informações, gerar um poema criativo usando IA e enviar a obra finalizada diretamente para o e-mail do usuário.

Module 1 Puzzle

n8n.io/creators/lucaspeyrin ↗

======================= Interactive JSON Practice

youtube.com/watch ↗

youtube.com/watch ↗

youtube.com/watch ↗

youtube.com/watch ↗

youtube.com/watch ↗

================== Module 1: Foundations

Module 1 Prerequisite Familiarizing with n8n Credentials Connecting Nodes for Workflows Front End vs Back End Handling JSON Data Binary Data 📝Interactive JSON Practice 🧩Module 1 Puzzle 🎁Bonus: Google Connection Guide

=================

MasterClass 2.0 by Nate

1