Hybrid Workflow n8n dan Hermes Agent untuk Otomasi AI

n8n bagus untuk otomasi deterministik — trigger, transform, kirim. Hermes bagus untuk reasoning — analisa, decide, generate. Pasangkan keduanya, dan lo dapat sistem yang bisa eksekusi task rutin sekaligus task yang butuh "berpikir".

Pembagian Tugas: Mana Tugas n8n, Mana Tugas Hermes

Aturan praktis yang gua pakai: kalau logikanya bisa ditulis sebagai flowchart if-else tanpa ambiguitas, itu tugas n8n. Kalau butuh judgment, interpretasi bahasa natural, atau keputusan kontekstual, itu tugas Hermes.

• n8n: cron schedule, webhook listener, transformasi data (JSON, CSV), integrasi API pihak ketiga, kirim notifikasi terjadwal, simple branching berdasarkan field tertentu.
• Hermes: menulis draft balasan, menganalisa sentimen/isi pesan, memutuskan agent mana yang relevan, meringkas dokumen panjang, generate konten.

Sering keduanya dipakai dalam satu flow: n8n yang trigger dan handle plumbing, Hermes yang isi bagian "berpikir" di tengah.

Cara Hubungkan n8n ke Hermes

Karena Hermes dan n8n berjalan di Docker network yang sama (lihat setup VPS dan docker-compose), n8n bisa panggil Hermes lewat HTTP Request node ke endpoint internal Hermes — tidak perlu lewat domain publik.

HTTP Request Node:
  Method: POST
  URL: http://hermes:8000/api/message
  Body (JSON):
    {
      "text": "{{ $json.pesan }}",
      "source": "n8n-workflow"
    }
  Headers:
    Authorization: Bearer {{ $env.HERMES_API_KEY }}

Response dari Hermes (teks hasil reasoning) bisa langsung dipakai di node berikutnya — kirim ke Telegram, simpan ke spreadsheet, atau trigger workflow lain.

Contoh Workflow 1: Daily Briefing Otomatis

Setiap pagi jam 7, n8n trigger cron job yang kumpulkan data (jadwal hari ini dari kalender, task pending dari project tracker, ringkasan email penting), lalu kirim semua data itu ke Hermes untuk diringkas jadi satu paragraf briefing, dan hasilnya dikirim ke Telegram.

Cron (07:00) -> Get Calendar Events -> Get Pending Tasks
   -> Merge -> HTTP Request (Hermes: "ringkas jadi briefing pagi")
   -> Send Telegram Message

n8n menangani semua plumbing (kapan jalan, dari mana ambil data, kemana kirim), Hermes hanya menangani bagian "ringkas jadi narasi yang enak dibaca".

Contoh Workflow 2: Triage Pesan Masuk

Form contact masuk via webhook -> n8n kirim isi pesan ke Hermes untuk diklasifikasi (lead potensial, spam, pertanyaan teknis, komplain) -> berdasarkan hasil klasifikasi, n8n branch ke action berbeda: lead masuk ke CRM, pertanyaan teknis di-draft balasannya oleh Hermes lalu masuk antrian review, spam diabaikan.

Webhook (form submission)
   -> HTTP Request (Hermes: "klasifikasikan pesan ini")
   -> Switch (berdasarkan hasil klasifikasi)
        -> Lead: tambah ke CRM
        -> Pertanyaan: HTTP Request (Hermes: draft balasan) -> simpan draft
        -> Spam: stop

Contoh Workflow 3: Monitoring dengan Analisa

n8n cron job cek health endpoint VPS setiap 15 menit. Kalau ada anomali (response time tinggi, error rate naik), data anomali dikirim ke Hermes untuk dianalisa kemungkinan sebabnya berdasarkan konteks yang ada di vault (riwayat insiden serupa), baru hasil analisa dikirim ke Telegram — bukan cuma alert mentah "CPU 90%" tapi sudah ada interpretasi awal.

Kapan TIDAK Perlu Hermes

Jangan panggil Hermes untuk hal yang bisa diselesaikan dengan node n8n biasa. Format tanggal, filter array, kirim email template statis — semua itu lebih cepat, lebih murah (tidak ada cost LLM), dan lebih predictable kalau dikerjakan native di n8n. Hermes punya latency (panggilan API ke LLM) dan cost per token — pakai hanya kalau memang butuh reasoning.

Setup Environment Variable untuk Koneksi

Tambahkan API key Hermes sebagai environment variable di n8n (bukan hardcode di node), supaya kalau key berubah cukup update satu tempat:

# di docker-compose.yml service n8n
environment:
  - HERMES_API_KEY=${HERMES_API_KEY}

Hasil yang Didapat

Dengan pembagian ini, sistem jadi efisien: task rutin berjalan otomatis tanpa biaya LLM, sementara task yang butuh "kecerdasan" diarahkan ke Hermes yang sudah punya akses ke memory dan konteks dari Obsidian vault. Kombinasi ini jauh lebih hemat dan reliable dibanding memaksa semua logic — termasuk yang sederhana — lewat LLM.