بهترین مدل‌های هوش مصنوعی رایگان برای n8n (۲۰۲۶): ساخت ایجنت‌های هوشمند بدون پرداخت هزینه توکن

نویسنده: عادل دهانی، مدیر فنی | سابقه IBM  |  تاریخ به‌روزرسانی: جولای ۲۰۲۶  |  زمان مطالعه: ۱۲ دقیقه

بهترین مدل‌های هوش مصنوعی رایگان برای n8n در سال ۲۰۲۶ عبارتند از Llama 3.3 70B روی Groq (۱۰۰۰ درخواست در روز، رایگان)، Gemini 2.5 Flash روی Google AI Studio (سطح رایگان سخاوتمندانه، بدون نیاز به کارت بانکی) و مدل‌های ":free" روی OpenRouter (یک کلید، ده‌ها مدل). هر سه این سرویس‌دهنده‌ها نقاط پایانی (endpoint) سازگار با OpenAI را ارائه می‌دهند، به این معنی که گره‌های AI Agent و LLM در n8n می‌توانند همین امروز با یک اعتبارنامه استاندارد OpenAI و یک آدرس پایه (Base URL) سفارشی از آن‌ها استفاده کنند.

این پاسخ کوتاه است. پاسخ بلندتر شامل محدودیت‌های نرخ (Rate Limits)، منطق تلاش مجدد (Retry Logic) و نقطه‌ای است که سطح رایگان بی‌سروصدا تبدیل به گران‌ترین بخش پشته فناوری شما می‌شود. اگر در حال ساخت گردش‌کارهای n8n برای خلاصه‌سازی ایمیل‌ها، صلاحیت‌سنجی سرنخ‌ها (Lead Qualification) یا اجرای ایجنت‌های هوش مصنوعی هستید، این راهنما دقیقاً نشان می‌دهد کدام مدل رایگان را انتخاب کنید، چگونه آن را متصل کنید و چه زمانی رایگان بودن دیگر انتخاب درستی نیست.

بهترین مدل‌های هوش مصنوعی رایگان برای n8n کدامند؟

پنج سرویس‌دهنده برای سازندگان n8n در سال ۲۰۲۶ برجسته هستند. هر یک از آن‌ها یک مدل واقعی، یک کلید API واقعی و هزینه توکن صفر ارائه می‌دهند، اما در سرعت، محدودیت‌ها و قابلیت اطمینان تفاوت‌هایی دارند.

چگونه یک مدل هوش مصنوعی رایگان را به n8n متصل کنیم؟

هر سرویس‌دهنده‌ای که در بالا ذکر شد، از قالب API OpenAI پشتیبانی می‌کند. گره AI Agent و گره‌های LLM Chain در n8n هر نقطه پایانی سازگار با OpenAI را می‌پذیرند، بنابراین هرگز نیازی به گره انجمنی (Community Node) یا درخواست HTTP سفارشی ندارید.

راه‌اندازی دقیق با استفاده از Groq به عنوان مثال:

1. یک حساب رایگان در کنسول سرویس‌دهنده ایجاد کنید و یک کلید API بسازید. برای Groq به console.groq.com مراجعه کنید؛ نیازی به کارت بانکی نیست.
2. در n8n، بخش Credentials را باز کنید، یک اعتبارنامه جدید OpenAI ایجاد کنید و کلید را در فیلد API Key قرار دهید.
3. در همان اعتبارنامه، Base URL را به نقطه پایانی سرویس‌دهنده تغییر دهید: https://api.groq.com/openai/v1 برای Groq، https://openrouter.ai/api/v1 برای OpenRouter و معادل آن از مستندات هر سرویس‌دهنده برای بقیه.
4. یک گره AI Agent یا OpenAI Chat Model به گردش‌کار خود اضافه کنید و اعتبارنامه جدید را انتخاب کنید.
5. نام مدل را دقیقاً همان‌طور که سرویس‌دهنده فهرست کرده تایپ کنید، مثلاً llama-3.3-70b-versatile روی Groq. نقاط پایانی رایگان اغلب در منوی کشویی مدل n8n ظاهر نمی‌شوند، بنابراین ورود دستی طبیعی است.
6. یک اجرای آزمایشی انجام دهید و تأیید کنید که پاسخ کامل دریافت می‌کنید، قبل از اینکه آن را به هر چیزی در پایین‌دست متصل کنید.

دو نکته عملی از ساخت‌های تولیدی:

• برای هر سرویس‌دهنده یک اعتبارنامه ذخیره کنید و آن را واضح نام‌گذاری کنید (مثلاً "Groq free tier")، زیرا یک ماه بعد به یاد نخواهید آورد کدام کلید به کدام محدودیت می‌خورد.
• حداکثر تکرارهای (Max Iterations) گره AI Agent را محافظه‌کارانه تنظیم کنید؛ یک ایجنت حلقه‌ای می‌تواند سهمیه ۱۰۰۰ درخواست روزانه را در یک اجرای ناموفق بسوزاند.

برای هر نوع گردش‌کار کدام مدل رایگان را انتخاب کنید؟

مدل را با کار تطبیق دهید، نه اینکه یکی را انتخاب کنید و آن را به زور همه‌جا استفاده کنید.

صلاحیت‌سنجی سرنخ و دسته‌بندی ایمیل: Llama 3.3 70B روی Groq. طبقه‌بندی و استخراج کاملاً در توانایی‌های آن قرار دارد و ۳۰ RPM ترافیک انبوه صندوق ورودی را جذب می‌کند.

خلاصه‌سازی اسناد و RAG: Gemini 2.5 Flash. زمینه طولانی، فایل‌های PDF کامل و رونوشت‌ها را بدون نیاز به تکه‌تکه کردن اجباری پردازش می‌کند.

ایجنت‌های چت‌محور که سرعت در آن‌ها محسوس است: Cerebras. وقتی مشتری یا همکار در حال تماشای پاسخ است، سرعت استنتاج آن تفاوت بین پاسخ سریع و رها کردن است.

تولید کد در گردش‌کارها: Codestral از Mistral. اگر گردش‌کار شما SQL می‌نویسد، JSON را در گره Code تبدیل می‌کند یا اسکریپت می‌نویسد، یک مدل کد‌محور در همان قیمت صفر از یک مدل عمومی بهتر عمل می‌کند.

آزمایش و جایگزین (Fallback): OpenRouter. چون ده‌ها مدل ":free" پشت یک اعتبارنامه قرار دارند، می‌توانید یک مدل دوم را به عنوان شاخه جایگزین زنجیره کنید وقتی مدل اول خطا برمی‌گرداند.

چه زمانی سطح‌های رایگان در گردش‌کارهای تولیدی n8n شکست می‌خورند؟

سطوح رایگان برای آزمایش توسعه‌دهندگان طراحی شده‌اند، نه برای کسب‌وکارهایی که در حال فعالیت هستند. سه حالت شکست تقریباً در هر استقرار تولیدی n8n که روی مدل‌های رایگان اجرا می‌شود ظاهر می‌شوند.

۱. محدودیت‌های نرخ با حجم واقعی برخورد می‌کنند. قبل از انتشار محاسبه کنید. ۱۰۰۰ درخواست در روز Groq زیاد به نظر می‌رسد تا زمانی که آن را در ۲۴ ساعت پخش کنید: این تقریباً یک اجرای گردش‌کار هر ۹۰ ثانیه به صورت مداوم است. یک گردش‌کار مبتنی بر Webhook که با هر ارسال فرم، هر ایمیل ورودی و هر به‌روزرسانی CRM فعال می‌شود، تا ظهر به سقف می‌رسد.

۲. قابلیت اطمینان تضمین‌شده نیست. نقاط پایانی رایگان وقتی سرویس‌دهنده‌ها تحت بار هستند، در اولویت پایین‌تر قرار می‌گیرند و مدل‌ها با اطلاع کم تغییر نام، ارتقا یا حذف می‌شوند. گردش‌کارهای تولیدی به تلاش مجدد با تأخیر نمایی (Exponential Backoff) روی پاسخ‌های ۴۲۹، یک شاخه خطا که وقتی مدل پایین است کار معقولی انجام می‌دهد و در حالت ایده‌آل یک سرویس‌دهنده دوم که به عنوان جایگزین متصل شده نیاز دارند.

۳. شرایط داده در سطوح رایگان متفاوت است. چندین سرویس‌دهنده شرایط استفاده و نگهداری داده متفاوتی برای استفاده رایگان نسبت به استفاده پولی اعمال می‌کنند و برخی حق بررسی یا استفاده از درخواست‌های سطح رایگان برای بهبود سرویس‌های خود را محفوظ می‌دارند. قبل از مسیریابی ایمیل‌های مشتری، قراردادها یا هر چیز تحت نظارت از طریق یک نقطه پایانی رایگان، سیاست داده سرویس‌دهنده را بخوانید.

آیا می‌توانید یک مدل رایگان را برای n8n خود میزبانی کنید؟

بله، و برای برخی تیم‌ها پاسخ بهتری است. مدل‌های با وزن باز (Open-Weight) مانند DeepSeek V3.2 و GLM 4.6 می‌توانند روی سخت‌افزار خودتان از طریق Ollama (ساده‌ترین) یا vLLM (سریع‌ترین برای بار همزمان) اجرا شوند. هر دو نقاط پایانی سازگار با OpenAI را ارائه می‌دهند، بنابراین راه‌اندازی n8n مشابه دستور ابری است.

خودمیزبانی سه مشکل تولیدی را یکجا حل می‌کند: هیچ سقف درخواست روزانه‌ای وجود ندارد، هیچ افشای داده شخص ثالثی نیست و هیچ منسوخ‌سازی غافلگیرکننده‌ای وجود ندارد. درخواست‌های شما هرگز از زیرساخت شما خارج نمی‌شوند، که اغلب عامل تعیین‌کننده برای گردش‌کارهای حقوقی، بهداشتی و مالی است.

اما "هزینه توکن صفر" به معنای هزینه صفر نیست. مدل‌های بزرگ با وزن باز به حافظه GPU جدی نیاز دارند، کسی باید سرور استنتاج را به‌روز و نظارت کند و برنامه‌ریزی توان عملیاتی مشکل شما می‌شود نه سرویس‌دهنده.

یک مسیر میانی معقول: APIهای ابری رایگان برای گردش‌کارهای کم‌حساسیت، یک مدل خودمیزبان برای هر چیزی که با داده مشتری سروکار دارد.

چه زمانی باید توقف وصله‌کاری سطوح رایگان و استخدام متخصص را در نظر بگیرید؟

یک قوس قابل پیش‌بینی وجود دارد. مدل رایگان در تست کار می‌کند. گردش‌کار منتشر می‌شود. حجم رشد می‌کند، خطاهای ۴۲۹ ظاهر می‌شوند، کسی یک گره Wait اضافه می‌کند، سپس یک کلید API دوم و بعد یک صفحه گسترده برای ردیابی اینکه کدام کلید سوخته است. در این نقطه، کسب‌وکار ساعات مهندسی واقعی را صرف اجتناب از صورتحساب توکنی می‌کند که کوچک‌تر می‌بود.

شما از مرحله DIY فراتر رفته‌اید وقتی هر یک از این موارد درست باشد:

• یک گردش‌کار که با درآمد سروکار دارد (مسیریابی سرنخ، صدور پیش‌فاکتور، پاسخ به مشتری) به بالا ماندن یک سطح رایگان وابسته است.
• شما کلیدهای API یا سرویس‌دهنده‌ها را به صورت دستی برای فرار از محدودیت‌های نرخ جابه‌جا می‌کنید.
• هیچ‌کس در تیم نمی‌داند وقتی مدل ساعت ۲ بامداد خطا برمی‌گرداند چه اتفاقی می‌افتد.
• داده مشتری از طریق نقاط پایانی جریان دارد که شرایط داده آن‌ها را کسی نخوانده است.

سوالات متداول

راهنمای مرتبط

• مدل‌های هوش مصنوعی رایگان برای کدنویسی — یکپارچه‌سازی با ویرایشگرها (Cursor، VS Code، Claude Code)
• مدل‌های هوش مصنوعی رایگان برای استفاده تجاری — کدام مجوزها اجازه انتشار بدون محدودیت را می‌دهند
• بهترین ابزارهای LLM محلی ۲۰۲۶ — استنتاج خودمیزبان برای تنظیمات ایزوله یا پرحجم

درباره نویسنده

عادل دهانی — مدیر فنی | سابقه IBM
مهندس هوش مصنوعی سابق IBM و معمار سازمانی. عادل مالک معماری فنی پشت هر سیستم اتوماسیون و ایجنت هوش مصنوعی است که AY Automate ارائه می‌دهد.