Автоматизація OSINT за допомогою n8n: практичний посібник

Навігація курсу: Категорія: Довідники

Курс: AI в OSINT
Дата: квітень 2026
JSON-експорти воркфлоу (без ключів і персональних даних) лежать у папці `n8n-workflows` поруч із цим посібником.

Зміст

Що таке n8n?
Встановлення та запуск n8n
Як правильно працювати з ключами та webhook
Огляд workflow
Workflow 1 — Конвеєр збагачення даних про сутності («My workflow 4»)
Workflow 2 — OSINT Copilot Production (головний оркестратор)
Workflow 3 — Reputation Check Agent (мультисутнісний)
Як workflow взаємодіють між собою
Сучасні альтернативи: агенти Claude та Hermes
Вправи

Що таке n8n?

n8n (вимовляється «nodemation») — це опенсорсна платформа автоматизації workflow з можливістю селфхостингу. За концепцією схожа на Zapier чи Make (раніше Integromat), але створена для розробників, які хочуть мати повний контроль над своїми даними та інфраструктурою.

Ключові поняття, які потрібно розуміти:

Поняття	Значення
Node (вузол)	Один крок обробки (HTTP-запит, блок коду, виклик AI, умовна гілка тощо)
Workflow	Орієнтований граф з’єднаних вузлів
Trigger (тригер)	Вузол, який запускає workflow (webhook, розклад, ручний запуск, інший workflow)
Item (елемент)	Одна одиниця даних, що проходить конвеєром (аналог рядка або події)
Expression (вираз)	Динамічні значення всередині параметрів вузла, записуються як `={{ $json.field }}`
Sub-workflow (підробочий процес)	Один workflow викликає інший workflow як крок
Tool node (вузол-інструмент)	Вузол, який AI-агент може викликати як інструмент (у стилі LangChain)

n8n запускає workflow візуально: вузли — це прямокутники на полотні, а з’єднання між ними — стрілки. Дані течуть зліва направо. Кожен вузол отримує елементи, обробляє їх та передає вихідні елементи наступному вузлу.

Встановлення та запуск n8n

Варіант 1 — Docker (рекомендовано для студентів)

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v ~/.n8n:/home/node/.n8n \
  n8nio/n8n

Потім відкрийте http://localhost:5678 у браузері.

Варіант 2 — npm

npm install -g n8n
n8n start

Варіант 3 — n8n Cloud

Зареєструйтеся на https://app.n8n.cloud для безкоштовного пробного періоду. Встановлення не потрібне. Добре підходить для швидких експериментів.

Імпорт workflow

Відкрийте n8n у браузері.
Натисніть кнопку + (праворуч угорі), щоб створити новий workflow.
Натисніть меню з трьох крапок → Import from file (або вставте JSON).
Збережіть workflow через Ctrl+S.

Налаштування облікових даних

Більшість вузлів у цих workflow потребують API-ключів. Перед їх запуском зайдіть у Settings → Credentials та додайте:

OpenAI API — для всіх GPT-вузлів
Tavily API — для вузлів вебпошуку
Aleph API key — для пошуку в OCCRP Aleph
OpenSanctions API key — для запитів до бази санкцій

Щоб активувати workflow (аби webhook відповідав на запити), натисніть перемикач Inactive у правому верхньому куті.

Перегляд логів виконання

Після запуску клацніть Executions у лівій бічній панелі, щоб побачити кожне виконання, перевірити проміжні дані на кожному вузлі та дебажити помилки.

Як правильно працювати з ключами та webhook

Файли в n8n-workflows/ — готові шаблони для практики. Імпортуйте їх у свій n8n і підключіть власні ключі через Settings → Credentials або змінні середовища (див. Налаштування-API). У шаблоні замість ключа стоїть плейсхолдер на кшталт YOUR_TAVILY_API_KEY — його треба замінити своїми обліковими даними у n8n, а не вписувати ключ у чат чи в здану роботу.

Коли вмикаєте webhook у себе

У змінних середовища n8n задайте WEBHOOK_SECRET (випадковий рядок ≥16 символів). Шаблони звіряють Authorization: Bearer … із цим значенням у Code-вузлах. Не вмикайте N8N_BLOCK_ENV_ACCESS_IN_NODE=true, інакше $env у Code недоступний і запити падатимуть з Unauthorized.
У вузлі Webhook за бажанням додатково увімкніть Header Auth з тим самим секретом (захист на рівні n8n).
У CORS вкажіть лише адресу свого фронтенду (у шаблоні Reputation — https://YOUR_FRONTEND_ORIGIN), а не *.
Для OSINT Copilot і Reputation Check викликайте webhook із Authorization: Bearer <WEBHOOK_SECRET>. Список дозволених хостів для callback_url (Copilot) задайте змінною CALLBACK_URL_ALLOWED_HOSTS (наприклад api.example.com).
Якщо відкриваєте webhook у мережу — обмежте частоту запитів на reverse proxy.

Якщо надсилаєте workflow викладачу або одногрупникам

Перед експортом перевірте, що в JSON немає ваших ключів — лише плейсхолдери або посилання на Credentials.
Зробіть Unpin / очистіть pinData, щоб у файлі не було ваших тестових імен, IP чи внутрішніх адрес.
Файл .env і скріни з видимими ключами в домашку не додавайте.

Огляд workflow

Ці три workflow разом формують повноцінну систему OSINT-дью-ділідженсу:

[OSINT Copilot Production]  ←  User query (chat interface)
        │
        ├── calls [My workflow 4]  ← structured database lookup sub-workflow
        │
        └── produces comprehensive OSINT report

[Reputation Check Agent]  ←  List of entity names (independent API)
        └── produces HTML risk report

Workflow 1 — Конвеєр збагачення даних про сутності

Файл: My workflow 4.json
Роль: Sub-workflow / перевикористовуваний інструмент

Що він робить

Отримавши одну цільову сутність (ім’я, тип, країну), цей workflow паралельно запитує чотири структуровані бази даних, нормалізує всі результати та повертає вичерпний профіль сутності у форматі FollowTheMoney (FtM).

FollowTheMoney — це стандарт даних, який використовують ICIJ (Panama Papers) та OCCRP для представлення людей, компаній та відносин у розслідуваннях.

Джерела даних

Джерело	Що надає
Aleph (OCCRP)	Злиті датасети, судові записи, бенефіціарні власники, списки PEP. API за адресою `aleph.occrp.org`
OpenSanctions	Консолідовані санкційні списки (ООН, ЄС, OFAC тощо) з зіставленням сутностей. API за адресою `api.opensanctions.org`
OpenCorporates	Глобальні дані корпоративного реєстру (реєстраційні номери, директори, статус).
NorthData	Німецький/європейський бізнес-реєстр з відносинами акціонерів та корпоративними мережами.

Покроковий конвеєр

[When Executed by Another Workflow]  ← receives: target_name, entity_type, country
        │
[Prepare Data]  ← normalizes entity_type to "Person" or "Company"
        │
        ├──► [Aleph Search]  ──► [Filter Aleph]
        │
        ├──► [OpenSanctions Match]  ──► [Extract OpenSanctions]
        │         └── if match found ──► [OpenSanctions Details]  ──► [Format OpenSanctions]
        │
        ├──► [OpenCorporates API]
        │
        └──► [NorthData API]
                │
[Merge1]  ← waits for all 4 sources
        │
[Split Properties1]  ← JS function that organizes raw data into 4 buckets:
        │                 split_general_info_entities
        │                 split_sanctions_entities
        │                 split_urls_entities
        │                 split_relationships_entities
        │
[Code]  ← deduplication, country normalization, array capping for LLM context
        │
        ├──► [General info]   GPT-4.1-mini  → FtM JSON
        ├──► [Sanctions]      GPT-4.1       → FtM JSON
        ├──► [URLs]           GPT-4.1       → FtM JSON
        └──► [Relationships]  GPT-4.1       → FtM JSON
                │
[Merge]  ← waits for all 4 GPT outputs
        │
[Code4]  ← constructs prompt with Person/Company schema
        │
[Relationships1]  GPT-5.2  ← final merge into single FtM entity object
        │
[Code2]  ← robust JSON parser (handles backslashes, control characters, BOM)
        │
[If]  ← checks if relationships section is non-empty
        │
OUTPUT: complete FtM-formatted entity JSON

Ключові патерни дизайну, на які варто звернути увагу

Паралельний fan-out: Workflow одночасно надсилає всі чотири запити до баз даних. n8n зводить їх назад через вузол Merge, налаштований на очікування N входів.

Умовні гілки: Шлях OpenSanctions викликає endpoint з деталями лише тоді, коли початкове зіставлення було успішним (opensanctions_data: true). Це уникає зайвих API-викликів.

GPT як форматер даних: Сирі API-відповіді мають неузгоджені схеми між джерелами. Замість написання складного коду нормалізації workflow подає кожен сегмент даних у модель GPT зі строгим промптом схеми та просить повернути валідний JSON. Це прагматичний патерн для гетерогенних даних.

Захисний парсинг JSON (вузол Code2): Кастомна функція deepParse() обробляє кілька крайніх випадків: символи BOM, сирі керуючі символи в рядках, Windows-стиль зворотних слешів у шляхах файлів та подвійно-серіалізований JSON. Ця надійність необхідна, коли в ланцюжку є LLM.

Workflow 2 — OSINT Copilot Production

Файл: OSINT Copilot Production.json
Роль: Головний оркестратор, чат-сумісний API

Що він робить

Це workflow розслідування верхнього рівня. Він приймає запити природною мовою (будь-якою мовою, включно з кирилицею, арабською, китайською), планує дослідження, виконує паралельні вебпошуки та запити до баз даних і створює багатосекційний OSINT-звіт.

Точка входу

Workflow виставляє HTTP-webhook за адресою:

POST /webhook/<webhook-id>/chat/completions

Шлях, що закінчується на /chat/completions, обрано навмисно: він імітує формат OpenAI Chat API, тому будь-який OpenAI-сумісний клієнт (LLM-проксі, кастомні фронтенди) може викликати його без модифікацій.

Звітування про прогрес

Протягом виконання workflow надсилає оновлення прогресу на callback_url, наданий у запиті. Кожен callback виглядає так:

{ "job_id": "...", "type": "progress", "message": "Analyzing user query", "percent": 10 }

Це дозволяє асинхронний UX — фронтенд може показувати прогрес-бар, поки конвеєр працює.

Адреса callback_url має бути https:// і входити до списку дозволених хостів (CALLBACK_URL_ALLOWED_HOSTS). Зручніше тримати відповідність job_id → callback на своєму бекенді й не приймати довільну адресу від клієнта.

Повний конвеєр

[Webhook1]  ← POST /chat/completions
        │
[RemapInput]  ← parses OpenAI message format, extracts:
        │         chatInput (last user message)
        │         userId, job_id, callback_url, filename
        │
[HTTP Callback 10%]  ← notifies client: "Analyzing query"
        │
[Plan the research]  ← GPT agent with "AI Agent Tool" (Tavily web search)
        │               Extracts entity pairs from the query
        │               Supports all scripts (Cyrillic, Arabic, Chinese, Latin)
        │               Returns JSON: [{entity1, entity1_type, entity2, entity2_type, relationship}]
        │
[Structured Output Parser1]  ← validates/auto-fixes GPT JSON output
        │
[Code4]  ← expands entity pairs into individual items,
        │   deduplicates, attaches userId + country
        │
[HTTP Callback 20%]  ← "Generating tasks for further investigation"
        │
[HTTP Request3]  ← Tavily web search per entity (parallel)
        │
[Code2]  ← collapses to single main_relationship item
        │
[HTTP Callback 30%]  ← "Web-searching and scraping"
        │
[More Tavily searches]  ← per search_queries array
        │
[Code5]  ← formats all search results into a single string
        │
[HTTP Callback 40%]  ← "Analyzing found data"
        │
        ├──► [Message a model1]  GPT-4o-search-preview  ← structured web analysis JSON
        │
        └──► [Research agent]  ← GPT agent with API_Converter1 tool
                │                   API_Converter1 calls "My workflow 4" sub-workflow
                │                   Returns FtM entity profile from structured databases
                │
[HTTP Callback 50%]  ← "Checking for sanctions, PEP and red flags"
        │
[Merge1]  ← combines web analysis + sanctions data
        │
[Code9]  ← merges into {query, web_data, sanc_data}
        │
[Analytics Agent]  ← GPT-5.2 with AI_Tool
        │               Writes final multi-section report:
        │               Sanctions, Background, Media, Risks, Biography, Activity
        │               Suggestions section extracted via AI_Tool
        │
[HTTP Callback — completed]  ← posts full report to callback_url

Агент «Plan the research» — багатомовне вилучення сутностей

Цей агент заслуговує на особливу увагу. Його системний промпт ретельно сконструйовано для обробки OSINT-запитів будь-якою мовою:

Він зберігає оригінальні скрипти: Владимир Путин залишається кирилицею, не транслітерується
Він обробляє ідентифікатори: номер ІПН 7736050003 трактується як сутність
Він завжди повертає принаймні одну сутність (запити з однією сутністю використовують SELF_INVESTIGATION як тип відносин)
Він викликає AI Agent Tool (вебпошук Tavily), щоб доповнити вилучення сутностей вебконтекстом

Агент «Research Agent» + інструмент API_Converter1

Research Agent отримує системний промпт, який інструктує його викликати API_Converter1 щоразу. API_Converter1 налаштовано як tool node, який внутрішньо викликає «My workflow 4» як підробочий процес. Саме так n8n дозволяє агентам викликати структуровані workflow як інструменти — агент сам вирішує, коли та як часто це робити.

Workflow 3 — Reputation Check Agent

Файл: Reputation Check Agent — Multi-Entity.json
Роль: Окремий API перевірки репутаційного ризику з виведенням HTML-звіту

Що він робить

Отримавши список сутностей (імена + типи), цей workflow оцінює репутаційний ризик для кожної, агрегує оцінки, генерує професійний HTML-звіт, публікує його в GitHub Pages через Vercel і надсилає сповіщення в Telegram.

Точка входу

POST /webhook/reputation-check
Authorization: Bearer <your-webhook-secret>
Body: { "entities": [{ "name": "Company X", "type": "company" }, ...] }

Перед публічним доступом задайте WEBHOOK_SECRET у env n8n (Bearer має збігатися), за бажанням увімкніть Header Auth і замініть CORS origin з https://YOUR_FRONTEND_ORIGIN на ваш реальний фронтенд.

Конвеєр

[Webhook]  ← POST /reputation-check
        │
[Authorize Webhook]  ← Bearer == WEBHOOK_SECRET
        │
[Init Variables]  ← extracts entities array, sets timestamp
        │
[Split Entities]  ← converts array into individual n8n items (one per entity)
        │
        (loop over each entity)
        │
[Search]  ← Tavily search: "{entity name} reviews reputation complaints news"
        │
[Prepare Entity Data]  ← combines entity metadata + search results
        │
[Analyze entity]  GPT-4.1-mini agent
        │               Scores 0-100, assigns riskLevel (green/yellow/red)
        │               Returns structured JSON:
        │               { entity, riskLevel, riskScore, summary, mentions, risks, recommendation }
        │
[Aggregate Results]  ← collects all entity analyses,
        │               computes average score → overall riskLevel
        │
[Generate Report HTML]  GPT-5-codex agent
        │               Produces complete standalone HTML page with:
        │               - Color theme by risk level (green/yellow/red)
        │               - Header with overall risk badge
        │               - Entity cards with mentions table + risk list
        │               - No external dependencies (fully self-contained HTML)
        │
[Prepare Deploy]  ← generates URL slug, base64-encodes HTML
        │
[GitHub - Push Report]  ← PUT to GitHub API to commit HTML file
        │                   Repository: <your-user>/reputation-reports
        │
[Wait for Deploy]  ← 30-second pause for Vercel CI/CD to deploy
        │
[Telegram - Notify]  ← sends message with report URL + risk level
        │
[Respond to Webhook]  ← returns: { status: "ok", reportUrl, overallRisk }

Логіка оцінювання ризику

Діапазон оцінки	Рівень	Значення
0–30	🟢 Зелений	Немає суттєвих негативних згадок
31–60	🟡 Жовтий	Змішані відгуки, незначні занепокоєння
61–100	🔴 Червоний	Серйозні скарги, правові питання, звинувачення в шахрайстві

Загальний ризик — це середнє значення оцінок окремих сутностей.

Як workflow взаємодіють між собою

User / Frontend
      │
      │  POST /chat/completions
      ▼
┌─────────────────────────────────────┐
│  OSINT Copilot Production           │
│                                     │
│  Plan the research (GPT)            │
│       │                             │
│       ▼                             │
│  Research agent (GPT)               │
│       │ calls tool                  │
│       ▼                             │
│  API_Converter1 ─────────────────► │ ──► My workflow 4
│       │              sub-workflow   │     (Aleph, OpenSanctions,
│       ▼              call           │      OpenCorporates, NorthData)
│  Analytics Agent (GPT)             │
│       │                             │
│       ▼                             │
│  HTTP Callback → final report       │
└─────────────────────────────────────┘

Separately:
User / Frontend
      │
      │  POST /reputation-check
      ▼
┌─────────────────────────────────────┐
│  Reputation Check Agent             │
│  (independent, no sub-workflow)     │
└─────────────────────────────────────┘

Критична точка інтеграції: Всередині OSINT Copilot Production вузол API_Converter1 має тип toolWorkflow. Це каже LangChain-інтеграції n8n виставити «My workflow 4» як викликний інструмент для Research Agent. Агент бачить його як функцію, яку він може викликати з аргументами (target_name, entity_type, country) і отримати у відповідь структуровані дані про сутність. Саме так конвеєр даних стає інструментом в агентній системі.

Сучасні альтернативи: агенти Claude та Hermes

n8n — це потужний візуальний інструмент, але станом на 2025–2026 рік ті самі конвеєри можна будувати безпосередньо в коді за допомогою фреймворків AI-агентів. Ось як виглядає еквівалентна система з Claude (Anthropic) та Hermes (популярною open-weight моделлю з підтримкою інструкцій).

Навіщо виходити за межі n8n?

n8n	Агенти на коді
Візуальний, low-code, швидке прототипування	Повністю програмований, легше контролювати версії та тестувати
Обмежена логіка розгалужень/циклів	Повний контроль потоку на Python/JS
Складно юніт-тестувати окремі вузли	Стандартні фреймворки тестування
Добре для стабільних інтеграцій	Краще для складних динамічних конвеєрів
Потребує селфхостингу або хмарної підписки	Працює всюди, де працює Python

Обидва підходи валідні. Для продакшн OSINT-систем поширений гібридний підхід: n8n відповідає за інтеграції та планування; агент на коді — за складні міркування.

Побудова того самого конвеєра з Claude

Вищезазначені workflow природно відображаються на API tool use Claude. Ось ескіз архітектури:

import anthropic
 
client = anthropic.Anthropic()
 
# Define OSINT tools (equivalent to n8n HTTP Request nodes)
tools = [
    {
        "name": "search_aleph",
        "description": "Search OCCRP Aleph for entities in leaked datasets and PEP lists",
        "input_schema": {
            "type": "object",
            "properties": {
                "name": {"type": "string"},
                "country": {"type": "string"},
                "entity_type": {"type": "string", "enum": ["Person", "Company"]}
            },
            "required": ["name"]
        }
    },
    {
        "name": "match_opensanctions",
        "description": "Check entity against consolidated sanctions lists (UN, EU, OFAC)",
        "input_schema": {
            "type": "object",
            "properties": {
                "name": {"type": "string"},
                "country": {"type": "string"},
                "schema": {"type": "string"}
            },
            "required": ["name"]
        }
    },
    {
        "name": "web_search",
        "description": "Search the web via Tavily for news, media, and public records",
        "input_schema": {
            "type": "object",
            "properties": {
                "query": {"type": "string"},
                "max_results": {"type": "integer", "default": 5}
            },
            "required": ["query"]
        }
    }
]
 
# Tool dispatcher — equivalent to n8n's HTTP Request nodes
def dispatch_tool(tool_name: str, tool_input: dict) -> str:
    if tool_name == "search_aleph":
        return search_aleph(**tool_input)
    elif tool_name == "match_opensanctions":
        return match_opensanctions(**tool_input)
    elif tool_name == "web_search":
        return tavily_search(**tool_input)
    raise ValueError(f"Unknown tool: {tool_name}")
 
# Agentic loop — equivalent to the "Research agent" node in n8n
def run_osint_investigation(query: str) -> str:
    messages = [{"role": "user", "content": query}]
    
    system_prompt = """You are an OSINT investigator. For any person or company query:
    1. Search structured databases (Aleph, OpenSanctions)
    2. Search the web for news and media coverage
    3. Synthesize findings into a report covering: sanctions, background, risks, relationships
    Always call tools before writing the report. Include source URLs."""
 
    while True:
        response = client.messages.create(
            model="claude-opus-4-7",  # most capable for complex reasoning
            max_tokens=8096,
            system=system_prompt,
            tools=tools,
            messages=messages
        )
        
        # If Claude wants to use tools, dispatch them
        if response.stop_reason == "tool_use":
            messages.append({"role": "assistant", "content": response.content})
            tool_results = []
            for block in response.content:
                if block.type == "tool_use":
                    result = dispatch_tool(block.name, block.input)
                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": result
                    })
            messages.append({"role": "user", "content": tool_results})
        
        # Claude has finished — extract final report
        elif response.stop_reason == "end_turn":
            for block in response.content:
                if hasattr(block, "text"):
                    return block.text
            break
    
    return "Investigation complete."

Що це замінює в n8n:

Вузол Research agent → агентний цикл while True
Усі вузли HTTP Request → функція dispatch_tool
Вузли Merge → Claude природно інтегрує результати інструментів у контекст
Вузли нормалізації Code → Claude обробляє гетерогенні формати даних у контексті

Використання кешування промптів для великих OSINT-контекстів

OSINT-розслідування передбачають великі системні промпти та довгі відповіді інструментів. Кешування промптів Claude суттєво зменшує вартість та затримку:

response = client.messages.create(
    model="claude-opus-4-7",
    max_tokens=8096,
    system=[
        {
            "type": "text",
            "text": long_system_prompt,
            "cache_control": {"type": "ephemeral"}  # cache this for 5 minutes
        }
    ],
    tools=tools,
    messages=messages
)

Побудова з Hermes (open-weight альтернатива)

Hermes (NousResearch Hermes 3, на базі LLaMA 3) — це open-weight модель, донавчена для виконання інструкцій та використання інструментів. Вона працює локально через Ollama або llama.cpp, тобто без API-витрат і без того, щоб дані залишали вашу машину — важливо для чутливих розслідувань.

import ollama
 
# Pull the model first: ollama pull hermes3:70b
# (smaller option: ollama pull hermes3:8b)
 
tools = [
    {
        "type": "function",
        "function": {
            "name": "search_aleph",
            "description": "Search OCCRP Aleph database",
            "parameters": {
                "type": "object",
                "properties": {
                    "name": {"type": "string"},
                    "country": {"type": "string"}
                },
                "required": ["name"]
            }
        }
    },
    # ... same tools as above
]
 
def run_hermes_investigation(query: str) -> str:
    messages = [
        {
            "role": "system",
            "content": "You are an OSINT investigator. Use your tools to investigate entities thoroughly."
        },
        {
            "role": "user",
            "content": query
        }
    ]
 
    while True:
        response = ollama.chat(
            model="hermes3:70b",
            messages=messages,
            tools=tools
        )
        
        msg = response["message"]
        messages.append(msg)
        
        if msg.get("tool_calls"):
            for call in msg["tool_calls"]:
                fn = call["function"]
                result = dispatch_tool(fn["name"], fn["arguments"])
                messages.append({
                    "role": "tool",
                    "content": result
                })
        else:
            return msg["content"]

Компроміси Hermes vs Claude:

	Hermes (локально)	Claude (API)
Вартість	Безкоштовно після купівлі обладнання	Оплата за токен
Приватність	Дані залишаються локально	Дані передаються до Anthropic
Швидкість	Залежить від вашого GPU	Дуже швидко
Якість	Сильна, близька до фронтиру	Найкраща у своєму класі
Контекстне вікно	128k токенів	200k токенів
Багатомовність	Добре	Відмінно (усі скрипти)

Для навчальних занять Hermes 8B на ноутбуці достатньо для навчання. Для продакшн OSINT рекомендується Claude Opus.

Відтворення архітектури повного конвеєра

Ось як трьохворкфлоу-система n8n відображається в кодову архітектуру:

n8n Workflow                    →  Code Equivalent
────────────────────────────────────────────────────────────
RemapInput (code node)          →  request parsing function
Plan the research (GPT agent)   →  entity_extractor(query) → list[Entity]
API_Converter1 (sub-workflow)   →  tool function: enrich_entity(name, type, country)
Research agent (GPT agent)      →  research_agent.run(entity)
Analytics Agent (GPT agent)     →  report_writer.run(web_data, sanc_data)
HTTP Callback nodes             →  asyncio events / webhook POSTs
Merge nodes                     →  asyncio.gather() or Promise.all()
Code nodes                      →  plain Python/JS functions
Structured Output Parser        →  Pydantic model validation

Продакшн-реалізація на Python виглядатиме так:

import asyncio
from dataclasses import dataclass
 
@dataclass
class Entity:
    name: str
    entity_type: str  # "Person" or "Company"
    country: str
 
async def run_investigation(query: str, callback_fn=None) -> str:
    # Phase 1: Extract entities
    if callback_fn: await callback_fn(10, "Analyzing query")
    entities = await extract_entities(query)  # LLM call
    
    # Phase 2: Parallel web search + database enrichment
    if callback_fn: await callback_fn(30, "Searching databases and web")
    web_results, db_results = await asyncio.gather(
        web_search_all(entities),
        asyncio.gather(*[enrich_entity(e) for e in entities])
    )
    
    # Phase 3: Generate report
    if callback_fn: await callback_fn(70, "Writing report")
    report = await write_report(query, web_results, db_results)
    
    if callback_fn: await callback_fn(100, "Complete")
    return report

Патерн asyncio.gather() точно відтворює патерн fan-out/merge з паралельних гілок n8n.

Вправи

Вправа 1 — Імпорт та вивчення

Імпортуйте Reputation Check Agent — Multi-Entity.json у свій локальний n8n. Замініть API-ключ Tavily та API-ключ OpenAI на свої власні облікові дані. Надішліть тестовий запит:

curl -X POST http://localhost:5678/webhook/reputation-check \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_WEBHOOK_SECRET" \
  -d '{"entities": [{"name": "Binance", "type": "company"}]}'

Перевірте вивід кожного вузла в логах виконання. Замініть YOUR_WEBHOOK_SECRET на значення WEBHOOK_SECRET з env n8n.

Вправа 2 — Простежте потік даних

Відкрийте My workflow 4.json та простежте, що відбувається з однією сутністю:

Що повертає API Aleph?
Що з цього витягує Split Properties1?
Як виклик GPT у General info це трансформує?
Як виглядає фінальний FtM JSON?

Вправа 3 — Створіть мінімальний Claude tool-use розслідувач

Використовуючи приклад коду з розділу про Claude вище, реалізуйте search_aleph() як реальний HTTP-виклик до https://aleph.occrp.org/api/2/entities. Виконайте запит: "Investigate Gazprom". Порівняйте вивід з тим, що згенерував би workflow n8n.

Вправа 4 — Hermes локально

Встановіть Ollama (curl -fsSL https://ollama.com/install.sh | sh), завантажте hermes3:8b та запустіть скрипт розслідування Hermes для публічної персони. Як якість порівнюється з Claude?

Вправа 5 — Дизайн архітектури

Workflow OSINT Copilot Production не має пам’яті між сесіями. Спроєктуйте (у псевдокоді чи діаграмі), як би ви додали сесійну пам’ять, щоб система пам’ятала попередні розслідування тієї ж сутності. Подумайте: де б ви її зберігали, як би інжектували та які в цього наслідки для приватності?

AI для OSINT 2026

Провідник

OSINT_n8n_Workflows_Tutorial

Автоматизація OSINT за допомогою n8n: практичний посібник

Курс: AI в OSINT Дата: квітень 2026 JSON-експорти воркфлоу (без ключів і персональних даних) лежать у папці n8n-workflows поруч із цим посібником.

Зміст

Що таке n8n?

Встановлення та запуск n8n

Варіант 1 — Docker (рекомендовано для студентів)

Варіант 2 — npm

Варіант 3 — n8n Cloud

Імпорт workflow

Налаштування облікових даних

Перегляд логів виконання

Як правильно працювати з ключами та webhook

Коли вмикаєте webhook у себе

Якщо надсилаєте workflow викладачу або одногрупникам

Огляд workflow

Workflow 1 — Конвеєр збагачення даних про сутності

Що він робить

Джерела даних

Покроковий конвеєр

Ключові патерни дизайну, на які варто звернути увагу

Workflow 2 — OSINT Copilot Production

Що він робить

Точка входу

Звітування про прогрес

Повний конвеєр

Агент «Plan the research» — багатомовне вилучення сутностей

Агент «Research Agent» + інструмент API_Converter1

Workflow 3 — Reputation Check Agent

Що він робить

Точка входу

Конвеєр

Логіка оцінювання ризику

Як workflow взаємодіють між собою

Сучасні альтернативи: агенти Claude та Hermes

Навіщо виходити за межі n8n?

Побудова того самого конвеєра з Claude

Використання кешування промптів для великих OSINT-контекстів

Побудова з Hermes (open-weight альтернатива)

Відтворення архітектури повного конвеєра

Вправи

Вправа 1 — Імпорт та вивчення

Вправа 2 — Простежте потік даних

Вправа 3 — Створіть мінімальний Claude tool-use розслідувач

Вправа 4 — Hermes локально

Вправа 5 — Дизайн архітектури

Вигляд графа

Зміст

Зворотні посилання

Курс: AI в OSINT
Дата: квітень 2026
JSON-експорти воркфлоу (без ключів і персональних даних) лежать у папці `n8n-workflows` поруч із цим посібником.