Python w automatyzacji: kiedy kod wygrywa z no-code.

Kiedy warto wejść w Pythona

Cztery sygnały, że konkretny fragment automatyzacji zasługuje na Python zamiast n8n:

• Operacje na danych tabelarycznych: jeśli workflow obrabiają setki albo tysiące wierszy naraz (grupowanie, pivot, joins, data cleaning), pandas w kilka linijek robi to, co w n8n wymagałoby rozbudowanego łańcucha node'ów Item Lists, Merge i Function nodes. Czas wykonania też jest o rząd wielkości krótszy.
• Specyficzne biblioteki bez natywnego node'a: OpenPyXL do złożonych arkuszy Excel z formułami, Pandas-profiling do eksploracji, scikit-learn dla klasycznej klasyfikacji, imghdr do walidacji uploadowanych plików. n8n ma HTTP Request Node i Code Node, ale kiedy potrzebujesz dedykowanej biblioteki, tracisz więcej czasu na obejście niż na napisanie 50 linijek Pythona.
• Custom node do integracji niszowych: polskie ERP-y (Comarch Optima, enova365, Subiekt GT) nie mają natywnych n8n node'ów. Napisanie custom node w Pythonie (przez n8n-nodes-custom z Python subprocess, albo jako osobny FastAPI microservice wołany z HTTP Request Node) daje kontrolę nad auth, retries i error handling, której ad-hoc webhook nie zapewni.
• Przetwarzanie strumieni albo dużych plików: gdy musisz przetworzyć plik 500 MB (log serwera, export z CRM, historia transakcji) linia po linii, n8n włoży wszystko do pamięci i albo zamuli, albo padnie. Python ze yield, csv.DictReader i io.BytesIO przetwarza to strumieniowo, niezależnie od rozmiaru.

Code Node w n8n czyli Python in-line

n8n od wersji 1.x wspiera Python w Code Node (wcześniej tylko JavaScript). To najszybsza ścieżka do dodania Pythona do workflow bez wychodzenia z n8n:

• Zalety: zero overheadu ops (nie trzeba deployować osobnego serwisu), dostęp do $json, $input.all() i innych zmiennych n8n, inherit credentials z poprzednich node'ów.
• Ograniczenia: środowisko Pythona w n8n Code Node ma preinstalowane tylko podstawowe biblioteki (standard lib plus requests, numpy). Niestandardowe zależności wymagają budowy własnego Docker image n8n albo przejścia na microservice.
• Kiedy używam Code Node: proste transformacje danych (regex, formatowanie dat, parsowanie JSON), walidacje (czy email ma sens, czy NIP się zgadza z checksumą), lookup w lokalnych słownikach kodów.

FastAPI jako microservice dla n8n

Drugi wzorzec: Python FastAPI microservice stojący obok n8n, wołany przez HTTP Request Node. Używam tego dla:

• Cięższych obliczeń: OCR faktur z Document AI albo Tesseract, klasyfikacja tekstu z wyuczonym modelem, obróbka obrazów z Pillow. Te operacje trzymam w osobnym kontenerze, żeby nie pakować wszystkich bibliotek do image'u n8n.
• Stanu między wywołaniami: jeśli workflow wymaga cache w pamięci (np. słownik kodów walidowany co godzinę), mikroserwis trzyma go w Redisie albo lokalnej strukturze, n8n tylko pyta o wynik.
• Integracji z niszowymi API: polskie ERP-y, systemy medyczne, API telcoów. Napisanie FastAPI wrapper'a wokół nich daje customowy layer abstrakcji, który n8n używa jak zwykłego webhook'a.

Typowy stack FastAPI microservice:

• FastAPI jako framework (lekki, szybki, async-first, OpenAPI out-of-the-box).
• Pydantic do walidacji request i response.
• httpx albo aiohttp do wywołań zewnętrznych API (async).
• structlog albo standardowy logging z JSON formatter dla centralnego logowania.
• pytest plus httpx.AsyncClient do testów integracyjnych.

Python standalone, bez n8n

Są scenariusze, w których n8n przestaje być wartościowy dodatek:

• Skrypty batchowe uruchamiane raz dziennie albo rzadziej: cron-driven obróbka 100 plików na S3, raport z bazy wysyłany raz w tygodniu do stakeholderów. Prosty Python skrypt w Docker image z harmonogramem Kubernetes CronJob albo Cloud Scheduler jest czytelniejszy i tańszy niż workflow w n8n.
• Data pipeline z kilku etapów ETL: ingest z kilku baz, czyszczenie, transformacje, push do data warehouse. n8n da radę, ale Apache Airflow albo dbt są do tego celu zaprojektowane i zespoły data engineerów znają je lepiej. Nie walczę z ich stackiem, tylko integruję.
• Badania ad-hoc dla analityki: jupyter notebook z pandas, matplotlib i sqlalchemy do drążenia problemu. n8n nie jest do tego stworzony, choć Code Node czasem uprościł mi eksplorację.

Biblioteki, których używam najczęściej

Short-lista, do której wracam najczęściej w projektach automatyzacyjnych:

• Dane: pandas (tabele), polars (szybszy pandas dla dużych zbiorów), openpyxl (Excel z formułami i stylami), python-docx (Word), pypdf2 (PDF).
• HTTP i API: httpx (sync plus async), requests (legacy kiedy muszę), tenacity (retries z exponential backoff).
• OCR i obrazy: pytesseract (wrapper nad Tesseract), google-cloud-documentai (Vertex Document AI), Pillow (manipulacja obrazów).
• AI i LLM: google-cloud-aiplatform (Vertex AI), openai (OpenAI SDK), sentence-transformers (lokalne embeddingi).
• Baza i cache: psycopg2-binary albo asyncpg (PostgreSQL), pgvector (vector search), redis-py.
• Security: cryptography, pyjwt, passlib, argon2-cffi dla hashingu haseł jeśli budujesz auth.

Pułapki, w które wpadają klienci

Rzeczy, które regularnie widzę i które kosztują czas jeśli nikt nie ostrzegł:

• Dependency hell w n8n Code Node: chcesz zainstalować bibliotekę X, okazuje się że nie ma jej w środowisku, budujesz custom image, build failuje bo brakuje system package'a. Jeśli więcej niż 30 minut tracisz na zależności, migruj kod do FastAPI microservice.
• Blocking IO w async kontekście: Python async (FastAPI, aiohttp) wymaga async-wrappers dla IO. Wywołanie requests.get(...) w async funkcji zablokuje event loop. Użyj httpx.AsyncClient albo await asyncio.to_thread(...).
• Brak timeoutów na HTTP: requests.get(url) bez timeout= czeka w nieskończoność. Każde wywołanie zewnętrzne ma mieć explicit timeout (connect timeout 5s, read timeout 30s dla zwykłych API, więcej dla LLM calls).
• JSON field z nieprzewidzianymi kluczami: zewnętrzne API czasem zmieniają format response. Używaj Pydantic modeli z extra='allow' w development, extra='forbid' w production, żeby wcześnie zobaczyć nieoczekiwane pola.
• Nie commit'owanie requirements.txt albo pyproject.toml: bez lockfile'a kolejny developer dostaje inne wersje zależności. Używaj pip-tools albo Poetry dla produkcyjnego Pythona.

Najczęstsze pytania

Co warto przeczytać obok