GPT и Claude в n8n и Make без VPN

Если n8n стоит на российском сервере, узел OpenAI с ключом от OpenAI получает ответ 403 с кодом unsupported_country_region_territory. Make отправляет запросы со своих серверов за рубежом, так что ошибку региона там видят реже. Остаётся оплата: российскую карту не примут ни на platform.openai.com, ни в консоли Anthropic.

Pro AI API принимает запросы в формате OpenAI, поэтому логику сценария переписывать не нужно. Меняются адрес и ключ. Через тот же ключ доступны Claude, Gemini, DeepSeek и другие модели, их ID пишется в поле модели.

Откройте Credentials, создайте новые учётные данные и выберите OpenAI. В форме есть поля API Key, Organization ID и Base URL. В API Key вставьте свой ключ sk-cxa-..., Organization ID оставьте пустым, а адрес https://api.openai.com/v1 в Base URL замените на https://api.pro-ai.online/v1.

После сохранения n8n проверит подключение. Эти учётные данные подойдут и обычному узлу OpenAI, и подузлу OpenAI Chat Model, который подключают к AI Agent. Для разбора и сортировки данных хватит gpt-6-luna, для писем, где важен слог, берите gpt-6-sol.

У подузла OpenAI Chat Model есть собственная настройка Options → Base URL, и она перекрывает адрес из учётных данных. Это удобно, если общие учётные данные OpenAI в команде менять нельзя: адрес можно задать прямо в одном узле.

Отдельные учётные данные для Claude не нужны. В подузле OpenAI Chat Model переключите выбор модели на ввод по ID и впишите claude-sonnet-5, deepseek-v4-flash или gemini-2.5-flash. Запрос уйдёт на /v1/chat/completions, ответ вернётся в привычном формате OpenAI.

Gemini, DeepSeek, Grok, Qwen, Kimi и GLM у нас работают только через Chat Completions. Если в настройках узла встретится вариант с Responses API, для этих моделей его надо выключить, иначе запрос не пройдёт.

HTTP Request пригодится, когда в форме узла OpenAI нет нужного параметра или хочется видеть запрос целиком. Нажмите Import cURL и вставьте пример с этой страницы, заменив $CODEX_API_KEY на свой ключ. n8n сам разложит адрес, заголовки и тело по полям.

Чтобы ключ не лежал открытым текстом в узле, выберите в Authentication вариант Generic Credential Type, затем Header Auth. Имя заголовка Authorization, значение Bearer и ваш ключ через пробел.

Текст из предыдущего узла подставляйте в JSON через выражение с JSON.stringify. Без этого первая же кавычка или перенос строки в письме ломают тело запроса. Ответ модели лежит в поле choices[0].message.content.

Приложение OpenAI в Make привязано к серверам OpenAI. Даже его модуль «Make an API call» принимает путь относительно https://api.openai.com, так что свой адрес туда не впишешь. Для Pro AI API берите универсальный модуль HTTP «Make a request».

Собирать JSON вручную и экранировать текст неудобно. Поставьте перед HTTP модуль Create JSON из приложения JSON, он соберёт корректное тело из полей письма или заявки. Путь к тексту ответа в Make выглядит как choices[1].message.content: элементы массива здесь нумеруются с единицы.

• URL: https://api.pro-ai.online/v1/chat/completions, метод POST.
• Заголовки: Authorization со значением Bearer и ваш ключ, Content-Type со значением application/json.
• Тело: JSON с полями model и messages, как в примере curl на этой странице.
• Разбор ответа: включите его, если в вашей версии модуля есть такая настройка, чтобы поля ответа можно было подставлять дальше.

Схема почти всегда одна: триггер забирает данные, модель их обрабатывает, следующий узел кладёт результат туда, где его увидит человек. Отправку наружу на первых неделях лучше не автоматизировать, пусть человек нажимает кнопку сам.

Расход считается от числа запусков. Типичный ответ GPT-6 Sol на 2000 токенов вопроса и 800 токенов ответа стоит у нас около 0,22 ₽, по официальным ценам OpenAI вышло бы около 1 ₽. Сценарий, который разбирает 300 писем в день, на GPT-6 Sol обойдётся примерно в 66 ₽ в день, на gpt-6-luna дешевле. Операции самой платформы Make считаются по её тарифу отдельно.

• Черновики ответов. Gmail или IMAP ловит письмо, модель пишет ответ в вашем тоне, узел почты сохраняет его в черновики.
• Разбор заявок. Заявка с формы, из Telegram или CRM уходит в модель с просьбой вернуть JSON с полями имя, телефон, тема и срочность. Дальше проверка, что JSON разобрался, и запись в таблицу или воронку.
• Выжимки для редакции. RSS или таблица с темами отдаёт материал, модель делает краткое содержание или черновик поста, результат уходит в Google Docs или редактору в личные сообщения.

Самые дорогие ошибки в автоматизации случаются, когда сценарий запускает сам себя или получает одно событие много раз. Например, модель пишет ответ в ту же таблицу, которую слушает триггер, и каждая новая строка запускает новый запрос.

Пока сценарий новый, гоняйте его на gpt-6-luna и на небольшой выборке. Ставьте фильтр до узла с моделью, чтобы в неё не уходили пустые письма, рассылки и автоответы. В первые дни заглядывайте в раздел «Расход»: если запросов в разы больше, чем событий, где-то повтор.

Повторы при ошибке настраивайте с ограничением. В n8n у узла есть настройка повторной попытки при сбое, в Make обработчики ошибок. Два-три повтора с паузой спасают от сетевого сбоя, бесконечный повтор при закончившемся балансе ничего не даст.

На старте почти все проблемы сводятся к адресу, ключу или телу запроса. Вот признаки и причины.

• Ошибка 404: в Base URL нет /v1 или, наоборот, на конце лишний /chat/completions. В n8n нужен ровно https://api.pro-ai.online/v1.
• Ошибка 401: в заголовке Authorization нет слова Bearer, пропущен пробел после него или ключ скопирован не целиком.
• Ответ «модель не найдена»: ID взят из старого списка. Актуальные ID есть в /docs#models.
• Ошибка разбора JSON: текст письма вставлен в тело как есть, и кавычки его ломают.
• Пустое поле ответа в Make: в пути указан индекс 0 вместо 1.
• Запросы перестали проходить: закончился баланс. Остаток и списания видны в кабинете.