Cómo construir flujos de trabajo de IA con n8n y LangChain
n8n y LangChain juntos resuelven un problema que la mayoría de equipos encuentran tarde o temprano: quieres agentes de IA que se conecten a datos reales y desencadenen acciones reales, pero integrar LangChain en Python significa mantener toda una pila de aplicaciones. Los nodos LangChain nativos de n8n te permiten arrastrar y soltar agentes, cadenas, memoria y almacenes de vectores en flujos de trabajo visuales — y luego conectarlos a más de 400 integraciones sin escribir código SDK.
Lo que obtienes: la biblioteca de nodos LangChain de n8n
n8n incluye más de 70 nodos de IA que implementan conceptos de LangChain como bloques visuales. En lugar de importar langchain en Python y enlazar módulos entre sí, conectas nodos en un canvas. Aquí está el desglose completo:
| Categoría de nodo | Qué hace | Nodos clave |
|---|---|---|
| Root Nodes | Lógica central de IA (el «cerebro») | AI Agent, Basic LLM Chain, Q&A Chain, Summarization Chain |
| Chat Models | Conexiones LLM | OpenAI, Anthropic Claude, Google Gemini, Ollama, Groq, Mistral, DeepSeek |
| Memory | Persistencia de conversaciones | Simple Memory, Redis, Postgres, MongoDB, Zep |
| Vector Stores | Almacenamiento + recuperación de documentos | Pinecone, Qdrant, Supabase, Chroma, Weaviate, PGVector, In-Memory |
| Embeddings | Conversión texto a vector | OpenAI, Cohere, HuggingFace, Ollama, AWS Bedrock |
| Tools | Capacidades externas para agentes | Calculator, SerpAPI, Wikipedia, Custom Code, MCP Client, Workflow Tool |
| Output Parsers | Formato estructurado de respuestas | Auto-fixing, Structured, Item List |
| Text Splitters | División de documentos en fragmentos | Character, Recursive Character, Token |
La arquitectura utiliza lo que n8n llama nodos de clúster — un nodo raíz (como el AI Agent) se conecta a sub-nodos (chat model, memory, tools) que amplían sus capacidades. Piénsalo como el sistema de módulos de LangChain, pero visual.
Cómo n8n mapea los conceptos de LangChain
Si ya has usado LangChain en código, el mapeo de n8n es sencillo:
| Concepto LangChain | Equivalente en n8n | Cuándo usarlo |
|---|---|---|
ChatOpenAI() | OpenAI Chat Model sub-node | Cualquier flujo de trabajo que necesite un LLM |
ConversationBufferMemory() | Simple Memory / Redis Memory | Conversaciones de múltiples turnos |
RetrievalQA.from_chain_type() | Q&A Chain + Vector Store Retriever | Preguntas y respuestas sobre documentos |
AgentExecutor con tools | AI Agent node (tipo Tools Agent) | Selección dinámica de herramientas |
RecursiveCharacterTextSplitter() | Recursive Character Text Splitter sub-node | Dividir documentos para RAG |
FAISS.from_documents() | Simple Vector Store (Insert Documents) | Almacenar embeddings localmente |
¿La diferencia crucial? En código, escribes 50–100 líneas para unir todo esto. En n8n, conectas 4–6 nodos en un canvas y los configuras mediante menús desplegables.
Construyendo un pipeline de Q&A sobre documentos (RAG)
Construyamos algo real. Este flujo de trabajo ingiere documentos PDF, los almacena en una base de datos vectorial y responde preguntas sobre su contenido. Es un patrón clásico de RAG (Retrieval-Augmented Generation) — el flujo de trabajo de LangChain más útil para equipos de negocio.
Paso 1: Configurar el flujo de trabajo de ingesta de datos
Crea un nuevo flujo de trabajo para cargar documentos. Lo ejecutarás una vez cuando tengas nuevos documentos que agregar.
Nodos a añadir:
- Manual Trigger — Clic para ejecutar la ingesta
- Nodo Google Drive (o HTTP Request, Read Binary File) — Obtiene tus documentos fuente
- Simple Vector Store — Establecer la operación en Insert Documents
- OpenAI Embeddings sub-node — Se conecta al Vector Store, convierte texto en vectores
- Default Data Loader sub-node — Analiza el contenido del documento en fragmentos
- Recursive Character Text Splitter sub-node — Divide el contenido en fragmentos de ~500 tokens con superposición de 50 tokens
Detalles de configuración para el Vector Store:
- Operación:
Insert Documents - Memory Key: Dale un nombre descriptivo como
company-docs(así lo referenciarás más tarde) - El Data Loader se conecta como sub-nodo y gestiona el análisis de PDF/texto automáticamente
Configuración para el Text Splitter:
- Chunk Size: 500 (tokens)
- Chunk Overlap: 50 (asegura que el contexto no se pierda en los límites)
- Método de división: Recursive Character (maneja Markdown, HTML y texto plano de forma inteligente)
Paso 2: Construir el flujo de trabajo del agente Q&A
Ahora crea un segundo flujo de trabajo — este es con el que interactúan los usuarios.
Nodos a añadir:
- Chat Trigger — Proporciona la interfaz de chat para preguntas
- AI Agent (tipo Tools Agent) — El cerebro que decide qué hacer
- OpenAI Chat Model sub-node — Conecta GPT-4o o GPT-4o-mini
- Simple Memory sub-node — Recuerda el contexto de la conversación
- Vector Store Tool sub-node — Da al agente acceso a tus documentos
Configuración para el nodo AI Agent:
- Tipo de agente: Tools Agent (la opción más flexible — decide cuándo y cómo usar las herramientas)
- System Prompt:
Eres un asistente útil que responde preguntas basándose en los documentos de nuestra empresa. Siempre cita en qué documento encontraste la respuesta. Si la información no está en los documentos, dilo claramente.
Configuración para el Vector Store Tool:
- Nombre:
search_documents - Descripción:
Busca en la base de conocimientos de la empresa información relevante. Usa esta herramienta cuando el usuario pregunte sobre políticas, procedimientos o documentación de la empresa. - Vector Store: Selecciona tu Simple Vector Store
- Modelo de embedding: El mismo modelo OpenAI Embeddings que usaste durante la ingesta
- Top K: 4 (número de fragmentos relevantes a recuperar)
Esa descripción importa más de lo que crees. El agente la usa para decidir cuándo llamar a la herramienta frente a responder desde su propio conocimiento. Sé específico.
Paso 3: Probar y refinar
Haz clic en Chat en el panel inferior para abrir la interfaz de chat integrada de n8n. Haz una pregunta sobre tus documentos. Observa el rastro de ejecución — n8n te muestra exactamente qué nodos se activaron, cuál fue el razonamiento del agente y qué fragmentos de documento se recuperaron.
Problemas comunes en esta etapa:
- El agente no usa la herramienta: Tu descripción de herramienta es demasiado vaga. Hazla específica sobre qué conocimiento contiene la herramienta.
- Recupera fragmentos irrelevantes: Aumenta la superposición de fragmentos o disminuye el tamaño del fragmento. Prueba con 300 tokens con superposición de 100.
- Respuestas lentas: Cambia a GPT-4o-mini para el modelo de chat. Es 10 veces más barato y suficientemente rápido para la mayoría de tareas Q&A.
Construyendo un agente con llamada a herramientas
El pipeline de Q&A anterior es excelente para documentos. Pero ¿qué hay de un agente que puede buscar en la web, realizar cálculos, consultar bases de datos Y responder desde documentos? Ahí es donde el Tools Agent realmente brilla.
La configuración del flujo de trabajo
- Chat Trigger — Entrada del usuario
- AI Agent (Tools Agent) — Enruta a la herramienta correcta
- OpenAI Chat Model — GPT-4o para razonamiento complejo
- Simple Memory — Historial de conversaciones
- Múltiples herramientas conectadas:
- SerpAPI Tool — Capacidad de búsqueda web
- Calculator Tool — Operaciones matemáticas
- Vector Store Tool — Tu base de conocimientos de documentos
- Custom Code Tool — Cualquier función JavaScript que escribas
- Workflow Tool — Desencadena otro flujo de trabajo n8n como herramienta
El Workflow Tool es el arma secreta de n8n. Te permite envolver cualquier flujo de trabajo n8n como una herramienta que el agente puede llamar. ¿Tienes un flujo de trabajo que verifica el inventario? Conviértelo en una herramienta. ¿Uno que envía mensajes de Slack? Herramienta. ¿Uno que consulta tu CRM? Herramienta. Así es como los más de 400 nodos de integración de n8n quedan disponibles para tu agente de IA.
System prompt para agentes con múltiples herramientas
Tu system prompt necesita informar al agente sobre sus capacidades:
You are a research assistant with access to the following tools:
- search_documents: Search our internal knowledge base
- web_search: Search the internet for current information
- calculator: Perform mathematical calculations
- send_notification: Send a Slack message to the team
For factual questions about our company, always check search_documents first.
For current events or external data, use web_search.
Show your reasoning before giving a final answer.Este patrón de prompt controla directamente cómo el agente enruta entre herramientas. Los prompts vagos llevan a los agentes a usar la búsqueda web cuando deberían comprobar primero tus documentos.
Elegir el tipo de agente correcto
n8n ofrece seis tipos de agentes. Aquí está cuándo elegir cada uno:
| Tipo de agente | Mejor para | ¿Soporta herramientas? | Notas |
|---|---|---|---|
| Tools Agent | La mayoría de casos de uso | Sí | Elección predeterminada — flexible, fiable |
| Conversational Agent | Chatbots simples | Sí | Menos capaz pero más ligero |
| ReAct Agent | Cadenas de razonamiento complejas | Sí | Muestra pasos de razonamiento explícitos |
| OpenAI Functions Agent | Características específicas de OpenAI | Sí | Usa la API de function calling de OpenAI |
| Plan and Execute Agent | Tareas de múltiples pasos | Sí | Planifica primero, luego ejecuta — bueno para flujos complejos |
| SQL Agent | Consultas de bases de datos | Limitado | Genera y ejecuta SQL contra tu base de datos |
Para la mayoría de equipos, Tools Agent es el punto de partida correcto. Maneja bien el enrutamiento de múltiples herramientas, funciona con cualquier proveedor de LLM y siempre puedes cambiar después. Si comparas esto con construir agentes en código con frameworks como LangGraph o CrewAI, la ventaja aquí es cero overhead de despliegue — tu agente se ejecuta dentro de la infraestructura de n8n.
Añadir memoria persistente
Por defecto, el Simple Memory sub-node mantiene el historial de conversaciones en memoria — desaparece cuando el flujo de trabajo se reinicia. Para uso en producción, querrás memoria persistente.
Tus opciones:
| Tipo de memoria | Persistencia | Esfuerzo de configuración | Mejor para |
|---|---|---|---|
| Simple Memory | Solo sesión | Ninguno | Pruebas, prototipado |
| Redis Chat Memory | Persistente, rápida | Medio (requiere Redis) | Chatbots de producción |
| Postgres Chat Memory | Persistente, consultable | Medio (requiere Postgres) | Cuando quieres analizar conversaciones |
| MongoDB Chat Memory | Persistente, flexible | Medio (requiere MongoDB) | Almacenamiento orientado a documentos |
| Zep Memory | Persistente + resumen | Medio (requiere Zep) | Conversaciones largas que superan ventanas de contexto |
Zep vale la pena destacar si estás construyendo algo con historiales de conversación largos. Resume automáticamente los mensajes más antiguos para que tu agente no supere la ventana de contexto en el turno 50 de una conversación.
Para añadir memoria persistente, simplemente intercambia el Simple Memory sub-node por Redis/Postgres/Zep. El resto de tu flujo de trabajo permanece idéntico.
Conectar con diferentes proveedores de LLM
Cada nodo raíz que necesita un LLM acepta un sub-nodo Chat Model. Cambiar de proveedor es un cambio de un solo nodo:
| Proveedor | Nombre del nodo | Modelos disponibles | Notas |
|---|---|---|---|
| OpenAI | OpenAI Chat Model | GPT-4o, GPT-4o-mini, o1, o3-mini | El más probado con n8n |
| Anthropic | Anthropic Chat Model | Claude 3.5 Sonnet, Claude 3 Opus | Fuerte para análisis y contexto largo |
| Google Gemini Chat Model | Gemini 1.5 Pro, Gemini Flash | Buen nivel gratuito | |
| Ollama | Ollama Chat Model | Llama 3, Mistral, Phi-3 | Completamente local, sin costes de API |
| Groq | Groq Chat Model | Llama 3, Mixtral | Inferencia extremadamente rápida |
| AWS Bedrock | AWS Bedrock Chat Model | Claude, Titan, Llama | Integración enterprise con AWS |
Para desarrollo local y pruebas, Ollama es la opción de coste cero — ejecuta modelos en tu máquina y conecta n8n a localhost:11434. Para producción, la mayoría de equipos usan OpenAI o Anthropic dependiendo de la tarea.
Recetas de flujos de trabajo del mundo real
Aquí hay tres patrones listos para producción que puedes construir en menos de 30 minutos:
Receta 1: Clasificación automática de tickets de soporte
Desencadenador: Llega un nuevo correo electrónico (nodo Gmail/Outlook) Chain: Basic LLM Chain con un prompt de clasificación Salida: Enruta a diferentes canales de Slack según la categoría
El prompt hace el trabajo pesado: Classify this support email into exactly one category: billing, technical, feature_request, or other. Respond with only the category name.
Receta 2: Digest de contenido semanal
Desencadenador: Programación (cada lunes a las 9 am) Agente: Tools Agent con SerpAPI + Custom Code Tool Memoria: No necesaria (tarea de una sola vez) Salida: Informe resumido enviado a Slack/Email
El agente busca noticias del sector, resume los 5 principales artículos y formatea un digest. El Custom Code Tool maneja cualquier lógica de formateo que sea más fácil en JavaScript que en un prompt.
Receta 3: Bot de Slack basado en documentos
Desencadenador: Mensaje de Slack en un canal específico Agente: Tools Agent con Vector Store Tool Memoria: Redis Chat Memory (con clave por ID de hilo de Slack) Salida: Respuesta al hilo de Slack
Este es el pipeline de Q&A anterior, pero activado por Slack en lugar de una interfaz de chat. La clave de memoria basada en hilo significa que cada conversación de Slack obtiene su propio contexto.
Para equipos que exploran qué herramientas RAG usar junto a n8n, la elección del almacén de vectores importa menos que tu estrategia de fragmentación. Empieza con el Simple (In-Memory) Vector Store para prototipado, luego pasa a Pinecone o Qdrant para producción.
Errores comunes y cómo evitarlos
Después de construir docenas de flujos de trabajo de IA en n8n, estos son los escollos que hacen tropezar a la gente:
1. Omitir el system prompt. El nodo AI Agent funciona sin system prompt, pero mal. Siempre define el rol del agente, las herramientas disponibles y el comportamiento preferido. Diez minutos en el prompt te ahorran horas depurando respuestas extrañas.
2. Usar un único flujo de trabajo gigante. Separa la ingesta y las consultas en flujos de trabajo distintos. El flujo de ingesta se ejecuta ocasionalmente (cuando llegan nuevos documentos). El flujo de consulta se ejecuta constantemente. Mezclarlos crea conflictos de ejecución.
3. Elegir el tamaño de fragmento incorrecto. La fragmentación predeterminada (1000 caracteres) funciona para contenido general. Para documentos técnicos, baja a 300–500 tokens. Para documentos legales, sube a 800–1000 tokens con mayor superposición. No hay un tamaño de fragmento universalmente «correcto» — prueba con tus documentos reales.
4. Ignorar el registro de ejecución. n8n muestra el rastro de ejecución completo para cada ejecución del flujo de trabajo. Cuando un agente da una respuesta incorrecta, verifica qué herramienta llamó (o no llamó), qué fragmentos se recuperaron y qué razonamiento mostró. El registro te dice exactamente dónde salieron mal las cosas.
5. Pagar por GPT-4o cuando no lo necesitas. Para clasificación, resumen y Q&A simple, GPT-4o-mini es un 90% tan bueno al 10% del coste. Reserva GPT-4o o Claude para razonamiento complejo de múltiples pasos.
Cómo Techsy aborda la automatización de IA con n8n
Hemos construido flujos de trabajo de IA con n8n para clientes que van desde startups de 3 personas hasta equipos empresariales. Nuestro proceso:
- Mapear el flujo de decisiones — Antes de abrir n8n, trazamos cada punto de decisión y fuente de datos
- Prototipar con Simple Vector Store — Hacer funcionar la lógica central con almacenamiento en memoria
- Probar con datos reales pronto — Los datos de prueba sintéticos ocultan problemas de fragmentación y recuperación
- Añadir memoria y persistencia — Solo después de validar la lógica central de Q&A o agente
- Monitorizar e iterar — Rastrear qué llamadas a herramientas tienen éxito, qué fragmentos se recuperan y dónde se frustran los usuarios
Si estás construyendo agentes de IA para flujos de trabajo empresariales y quieres ayuda para diseñar la arquitectura, contáctanos para una consulta gratuita.
Preguntas frecuentes
¿Necesito conocer LangChain para usar los nodos de IA de n8n?
No. n8n abstrae LangChain en nodos visuales con configuraciones de menú desplegable. Entender los conceptos de LangChain (agentes, cadenas, memoria, retrievers) te ayuda a tomar mejores decisiones de diseño, pero nunca escribes código LangChain a menos que elijas usar el nodo LangChain Code.
¿Puedo usar LLMs locales con n8n en lugar de OpenAI?
Sí. Conecta el sub-nodo Ollama Chat Model a cualquier modelo que se ejecute en tu máquina (Llama 3, Mistral, Phi-3, etc.). Apúntalo a http://localhost:11434 y tendrás un flujo de trabajo de IA completamente privado y sin coste. Groq es otra opción para inferencia rápida sin gestionar tu propio hardware.
¿Cuál es la diferencia entre una Chain y un Agent en n8n?
Una cadena sigue una secuencia fija — la entrada pasa por el paso A, luego B, luego C. Un agente decide dinámicamente qué herramientas llamar según la entrada. Usa cadenas para tareas predecibles (resumen, clasificación). Usa agentes cuando el flujo de trabajo necesita tomar decisiones sobre qué hacer a continuación.
¿Cuántos documentos puede manejar el Simple Vector Store?
El Simple (In-Memory) Vector Store funciona bien para prototipado con unos pocos cientos de documentos. Para producción con miles de documentos, cambia a Pinecone, Qdrant, Supabase o Chroma. El flujo de trabajo sigue igual — solo intercambias el nodo de almacén de vectores.
¿Puedo activar flujos de trabajo de IA de n8n desde aplicaciones externas?
Sí. Usa el nodo Webhook Trigger para exponer tu flujo de trabajo de IA como un endpoint de API. Cualquier aplicación que pueda hacer solicitudes HTTP puede enviar datos a tu agente y obtener una respuesta. Así es como integras flujos de trabajo de IA de n8n en productos existentes.
¿Es n8n gratuito para flujos de trabajo de IA?
La Community Edition de n8n es completamente de código abierto y gratuita para autoalojar. Todos los nodos LangChain están incluidos. Los planes Cloud comienzan en $24/mes si no quieres gestionar la infraestructura. Los costes de API del LLM (OpenAI, Anthropic, etc.) son separados y facturados por el proveedor.
¿Cómo maneja n8n los errores en los flujos de trabajo de agente de IA?
n8n tiene manejo de errores integrado a nivel de nodo. Puedes configurar lógica de reintento, rutas de respaldo y flujos de trabajo de error. Para problemas específicos de IA (como tiempos de espera de LLM o límites de velocidad), añade un reintento con retroceso exponencial en el sub-nodo Chat Model. El registro de ejecución muestra exactamente dónde ocurren los fallos.
¿Puedo usar los flujos de trabajo de IA de n8n con mis propias claves de API?
Sí. Cada nodo LLM requiere que crees una credencial con tu propia clave de API. n8n almacena las credenciales cifradas. Si te autoalojas, las claves nunca salen de tu infraestructura.
¿Para qué sirve el nodo LangChain Code?
El nodo LangChain Code te permite escribir JavaScript personalizado que usa módulos LangChain directamente. Es una salida de emergencia para cuando los nodos visuales de n8n no cubren exactamente tu caso de uso — quizás necesitas un retriever personalizado, una plantilla de prompt específica o un módulo LangChain que n8n aún no ha envuelto.
¿Cómo comparto flujos de trabajo de IA de n8n con mi equipo?
Exporta el flujo de trabajo como JSON (Ctrl+Shift+E) y comparte el archivo. Cualquiera puede importarlo en su instancia de n8n. Para colaboración en equipo, n8n Cloud incluye espacios de trabajo compartidos con historial de versiones. También puedes confirmar archivos JSON de flujo de trabajo en Git para control de versiones.