Tutorial de Agentes IA con n8n: Construir Workflows Inteligentes Paso a Paso

Tutorial de Agentes IA con n8n: Construir Workflows Inteligentes Paso a Paso

La brecha entre "quiero un agente IA" y "tengo un agente IA funcionando" suele ser cientos de líneas de código Python de conexión. Los agentes IA de n8n cierran esa brecha con un editor visual de workflows donde arrastras, sueltas y conectas agentes con LLM que realmente hacen cosas — buscar en la web, consultar bases de datos, enviar correos electrónicos, actualizar hojas de cálculo. Escribes un prompt del sistema en lugar del código repetitivo de un framework.

Este tutorial te guía en la construcción de dos workflows de agentes reales desde cero: un agente de investigación web y un bot de atención al cliente con memoria. Al final, comprenderás cada tipo de nodo que necesitas y cómo encajan entre sí.

¿Qué es n8n (y por qué usarlo para agentes IA)?

n8n es una plataforma de automatización de workflows de código abierto — piensa en Zapier, pero autoalojable con una filosofía de "código cuando lo necesitas". Conecta más de 500 servicios a través de un editor visual basado en nodos.

Lo que hace que n8n sea especialmente interesante para los agentes IA es su integración nativa con LangChain. En lugar de escribir código Python de LangChain, configuras los mismos conceptos (agentes, herramientas, memoria, modelos) como nodos visuales. El nodo AI Agent maneja el bucle de razonamiento — tú simplemente conectas con qué debe pensar y qué puede hacer.

¿Por qué elegir n8n en lugar de código puro?

• Depuración visual: ves exactamente dónde se rompe la cadena de razonamiento del agente
• Más de 500 integraciones se convierten en herramientas de agente instantáneas (Slack, Gmail, Google Sheets, bases de datos)
• Autoalojamiento gratuito (Community Edition) o n8n Cloud desde $20/mes
• El soporte MCP permite que los workflows de n8n se conviertan en herramientas para agentes IA externos, y viceversa

Si estás evaluando diferentes frameworks de agentes como LangGraph, CrewAI o el OpenAI Agents SDK, n8n pertenece a una categoría diferente — es para personas que quieren agentes en producción sin gestionar un runtime de Python.

Cómo funciona el nodo AI Agent de n8n

Cada workflow de agente IA en n8n tiene una estructura jerárquica. El nodo Agent está en el centro, y los sub-nodos se conectan debajo para proporcionar capacidades.

Esta es la anatomía:

El Tools Agent es el que usarás en el 90% de los casos. Es el tipo de agente más flexible — toma tu prompt, razona sobre qué herramientas llamar, las ejecuta y repite hasta tener una respuesta. Internamente, ejecuta un bucle ReAct (Reason + Act): pensar, actuar, observar, repetir.

n8n también ofrece agentes especializados — un SQL Agent para consultas de bases de datos, un Plan and Execute Agent que divide las tareas en subpasos, y un Conversational Agent para flujos de chat más simples. Pero el Tools Agent cubre la mayoría de los casos de uso.

Lo que necesitas antes de empezar

Antes de construir cualquier cosa, ordena estas tres cosas:

1. Una instancia de n8n — ya sea registrarte en n8n Cloud ($20/mes Starter) o autoalojar con Docker:

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

1. Una clave API de LLM — OpenAI, Anthropic o Google Gemini. También puedes usar Ollama para modelos locales gratuitos, aunque el rendimiento del tool-calling varía.

2. Una clave API de herramienta (opcional) — SerpAPI para búsqueda web ($50/mes) o Brave Search API (nivel gratuito). Puedes construir agentes sin búsqueda, pero es la herramienta inicial más común.

Una vez que n8n esté en funcionamiento, abre http://localhost:5678 (autoalojado) o tu panel de control en la nube. Crea un nuevo workflow y estarás listo.

Construir el Agente 1: Un Agente de Investigación Web

Este agente toma un tema, busca en la web, lee los resultados y escribe un resumen estructurado. Es el "hola mundo" de los agentes IA de n8n y es genuinamente útil para la investigación de contenido.

Paso 1: Añadir un Manual Trigger

Haz clic en + y busca "Manual Trigger". Suéltalo en el lienzo. Esto te permite probar el workflow haciendo clic en "Test Workflow" — lo cambiarás más tarde por un webhook o chat trigger.

Paso 2: Añadir un nodo Edit Fields

Añade un nodo Edit Fields después del trigger. Establece un campo llamado topic con un valor de cadena como "Últimos desarrollos en Model Context Protocol". Esto simula la entrada del usuario.

Paso 3: Añadir el nodo AI Agent

Busca "AI Agent" y añádelo. Selecciona Tools Agent como tipo de agente.

En el campo System Message, escribe un prompt que defina el comportamiento:

You are a research assistant. When given a topic:
1. Search the web for the latest information
2. Read at least 3 different sources
3. Write a structured summary with:
   - Key findings (bullet points)
   - Notable quotes or data points
   - Sources used

Be specific. Include dates, names, and numbers when available.
Do NOT make up information. If search results are unclear, say so.

Bajo Prompt, establece la expresión: {{ $json.topic }} — esto extrae el tema del nodo Edit Fields.

Paso 4: Conectar un Chat Model

Haz clic en + debajo del nodo Agent para añadir un sub-nodo. Selecciona OpenAI Chat Model (o el LLM que estés usando).

Configúralo:

• Model: gpt-4o (o gpt-4o-mini para ejecuciones más económicas)
• Temperature: 0.3 (más bajo = más factual, menos creativo)

Pega tu clave API en la sección de credenciales.

Paso 5: Añadir la herramienta de búsqueda

Haz clic en + de nuevo para añadir un sub-nodo de herramienta. Elige SerpAPI (o HTTP Request Tool si quieres llamar a una API de búsqueda personalizada).

Para SerpAPI:

• Añade tu clave API como credencial
• El agente llamará a esta herramienta siempre que decida que necesita buscar

Para una alternativa gratuita, usa el HTTP Request Tool configurado para acceder a la Brave Search API:

URL: https://api.search.brave.com/res/v1/web/search
Method: GET
Query Parameters: q={{ $fromAI("query", "search query") }}
Headers: X-Subscription-Token: YOUR_BRAVE_KEY

La expresión $fromAI() es la magia — le dice al agente "tú decides qué valor pasar aquí."

Paso 6: Probar

Haz clic en Test Workflow. Observa el panel de ejecución a la derecha. Verás:

1. El agente recibe el tema
2. Decide buscar (llamada a herramienta)
3. SerpAPI devuelve resultados
4. El agente razona sobre los resultados
5. Podría buscar de nuevo para obtener más detalles
6. Produce un resumen final

Si el agente hace bucles sin converger, tu prompt del sistema probablemente necesita instrucciones más precisas. Dile exactamente cuándo dejar de buscar.

Construir el Agente 2: Un Bot de Atención al Cliente con Memoria

El agente de investigación no tenía estado — olvidaba todo después de cada ejecución. Un bot de atención al cliente necesita recordar la conversación. Aquí es donde entra la memoria del agente.

Paso 1: Usar un Chat Trigger

Esta vez, comienza con el nodo Chat Trigger en lugar del Manual Trigger. Esto te da el widget de chat integrado de n8n para probar conversaciones.

Paso 2: Configurar el agente

Añade un nodo Tools Agent. Prompt del sistema:

You are a customer support agent for a SaaS project management tool called "TaskFlow."

Rules:
- Always greet the user by name if provided
- Check the knowledge base before answering questions
- If you cannot find an answer, say: "Let me connect you with a human agent"
- Never make up features or pricing that you don't find in the knowledge base
- Keep responses concise (2-3 sentences max unless the user asks for detail)

Available tools:
- Knowledge base search: use this for product questions
- Ticket creation: use this when the user reports a bug or requests a feature

Paso 3: Añadir memoria

Haz clic en + en el Agent para añadir un sub-nodo y selecciona Window Buffer Memory.

• Context Window Length: 10 (recuerda los últimos 10 pares de mensajes)
• Session ID: {{ $json.sessionId }} (del chat trigger)

Esta es la opción de memoria más simple — mantiene los mensajes recientes en una ventana deslizante. Para bots de producción que necesitan memoria persistente entre sesiones, usa Postgres Chat Memory o Redis Chat Memory en su lugar. Nuestra guía sobre las mejores herramientas de memoria para agentes IA cubre las diferencias entre estos enfoques.

Paso 4: Añadir herramientas

Añade dos sub-nodos de herramientas:

Herramienta 1 — Base de conocimiento (Vector Store QA): Si tienes documentos de producto en un vector store (Pinecone, Qdrant, Supabase), usa el Vector Store Question Answer Tool. Esto es esencialmente RAG (Retrieval-Augmented Generation) en un solo nodo.

Herramienta 2 — Creación de tickets (HTTP Request): Añade un HTTP Request Tool configurado para hacer POST a tu API de tickets:

URL: https://api.yourapp.com/tickets
Method: POST
Body (JSON):
{
  "title": "{{ $fromAI('title', 'ticket title') }}",
  "description": "{{ $fromAI('description', 'issue description') }}",
  "priority": "{{ $fromAI('priority', 'low, medium, or high') }}"
}

Paso 5: Probar la conversación

Haz clic en Test Workflow y abre el panel de chat. Prueba una conversación de varios turnos:

• "Hola, soy Alex. ¿Cómo exporto mis tareas a CSV?"
• "¿Y la exportación a PDF?"
• "En realidad, la exportación a PDF no funciona para mí — ¿puedes reportar un error?"

Observa cómo el agente busca en la base de conocimiento para las dos primeras preguntas y crea un ticket para la tercera. El nodo de memoria garantiza que recuerde el nombre de Alex y el contexto del problema de PDF.

Usar MCP para Ampliar tus Agentes

n8n ahora soporta el Model Context Protocol (MCP) en ambas direcciones — y aquí es donde las cosas se vuelven poderosas.

Consumir servidores MCP: Añade el sub-nodo MCP Client Tool a tu agente. Apúntalo a cualquier URL de servidor MCP y el agente descubre y puede invocar automáticamente todas las herramientas que ese servidor expone. Un nodo, docenas de herramientas.

Exponer workflows como herramientas MCP: Usa el nodo MCP Server Trigger para convertir cualquier workflow de n8n en una herramienta compatible con MCP. Los agentes externos que funcionan en Claude Desktop, Cursor o VS Code pueden entonces descubrir y llamar a tus workflows de n8n. Construye una vez un workflow "enviar notificación de Slack" y cada agente compatible con MCP en tu stack puede usarlo.

Este soporte MCP bidireccional convierte a n8n en un hub de agentes — tus agentes n8n llaman a herramientas externas vía MCP, y los agentes externos llaman a tus workflows de n8n vía MCP.

Consejos Prácticos para Mejores Agentes n8n

Después de construir docenas de workflows de agentes, esto es lo que realmente importa:

Mantén el número de herramientas bajo. Los agentes se confunden con más de 5–7 herramientas. Si necesitas más, crea un "agente manager" que delegue a "agentes worker" especializados — n8n soporta workflows de agente a agente.

Sé prescriptivo en los prompts del sistema. No digas solo "ayuda al usuario". Especifica reglas exactas, formatos de salida y cuándo usar cada herramienta. Cuanto más específico sea tu prompt, menos llamadas a herramientas sorpresivas.

Establece límites de tokens. En la configuración del Chat Model, establece un límite máximo de tokens. Sin uno, un agente confundido puede agotar tu presupuesto de API en un solo bucle.

Usa nodos de manejo de errores. Añade un workflow Error Trigger que capture fallos y te notifique por Slack o correo electrónico. De lo contrario, los agentes fallan silenciosamente.

Prueba primero con casos límite. Pregunta a tu agente algo que no debería saber. Si alucina en lugar de decir "no sé", tu prompt necesita barreras de seguridad.

Registra todo durante el desarrollo. Activa el registro de ejecuciones (disponible en el plan Pro o autoalojado) para poder reproducir y depurar exactamente dónde se equivocó un agente.

Cuándo los Agentes n8n Tienen Sentido (y Cuándo No)

n8n es una buena opción si:

• Quieres agentes en producción sin gestionar infraestructura Python
• Tus workflows conectan múltiples herramientas SaaS (Slack, Gmail, Notion, bases de datos)
• Tu equipo incluye no desarrolladores que necesitan modificar el comportamiento del agente
• Necesitas depuración visual de cadenas de razonamiento del agente

n8n es probablemente la opción equivocada si:

• Necesitas control detallado sobre las arquitecturas de agentes (usa LangGraph o CrewAI en su lugar)
• Tu agente es puramente computacional (pipeline ML, procesamiento de datos) sin integraciones
• Estás construyendo un sistema de investigación multi-agente con gestión de estado compleja

Para casos de uso de automatización empresarial — bots de atención al cliente, agentes de procesamiento de datos, asistentes de investigación, calificación de leads — n8n alcanza el equilibrio perfecto entre potencia y accesibilidad.

Preguntas Frecuentes

¿Qué LLMs soporta n8n para agentes IA?

n8n soporta OpenAI (GPT-4o, GPT-4, GPT-3.5), Anthropic Claude (familia Claude 3.5 y 4), Google Gemini, Mistral, Cohere, modelos HuggingFace y modelos locales vía Ollama. Cambias de modelo modificando un solo sub-nodo — no se necesitan cambios en el workflow.

¿Es n8n gratuito para construir agentes IA?

La Community Edition autoalojada es completamente gratuita sin límites de ejecución. n8n Cloud comienza en $20/mes (Starter) con 2.500 ejecuciones. Seguirás pagando por separado a tu proveedor de LLM (OpenAI, Anthropic, etc.) por las llamadas a la API.

¿Cómo se compara el agente IA de n8n con escribir agentes en Python?

n8n intercambia personalización por velocidad. Un agente Python con LangChain te da control total sobre cada paso de razonamiento. n8n te da el 80% de esa capacidad en el 20% del tiempo, con depuración visual y más de 500 integraciones integradas. Elige Python para investigación o arquitecturas novedosas; elige n8n para automatización empresarial.

¿Pueden los agentes n8n usar herramientas como búsqueda web y bases de datos?

Sí. Los agentes n8n pueden usar cualquier herramienta disponible como nodo — SerpAPI, Brave Search, HTTP Request (para cualquier API), bases de datos SQL, Google Sheets, Slack y cientos más. Los añades como sub-nodos debajo del nodo Agent.

¿Qué es el MCP Client Tool en n8n?

El MCP Client Tool conecta tu agente n8n con servidores MCP (Model Context Protocol) externos. Tu agente descubre automáticamente todas las herramientas que ese servidor expone y puede llamarlas durante el razonamiento. Es un solo nodo que puede desbloquear docenas de herramientas externas.

¿Cómo añado memoria a un agente IA de n8n?

Añade un sub-nodo de memoria debajo de tu nodo Agent. Window Buffer Memory es la opción más simple (mantiene los últimos N mensajes). Para memoria persistente entre sesiones, usa Postgres Chat Memory, Redis Chat Memory o Zep Memory. Establece un ID de sesión para rastrear conversaciones individuales.

¿Puedo conectar múltiples agentes en n8n?

Sí. n8n soporta workflows de agente a agente donde un agente "manager" delega tareas a "agentes worker" especializados. Construyes cada worker como un sub-workflow separado y los conectas mediante la herramienta Call n8n Workflow.

¿Cuál es la diferencia entre el Tools Agent y otros tipos de agentes?

El Tools Agent usa un bucle de razonamiento ReAct y funciona con cualquier herramienta. El OpenAI Functions Agent usa la API nativa de function-calling de OpenAI (ligeramente más rápido pero solo para OpenAI). El SQL Agent está especializado en consultas de bases de datos. El Plan and Execute Agent divide las tareas complejas en subpasos. Para la mayoría de los casos de uso, comienza con el Tools Agent.

¿Cómo despliego un agente n8n en producción?

Para autoalojado: usa Docker Compose con PostgreSQL y Redis, activa el modo cola para escalado horizontal y ponlo detrás de un proxy inverso con SSL. Para cloud: simplemente activa el workflow — n8n gestiona la infraestructura. En ambos casos, cambia el Chat Trigger por un Webhook trigger para que las aplicaciones externas puedan llamar a tu agente.

¿Pueden los agentes n8n manejar cargas de archivos e imágenes?

n8n puede procesar archivos a través de su manejo de datos binarios. Puedes construir agentes que reciban cargas de archivos vía webhook, extraigan texto (usando un nodo Code con un parser de PDF, por ejemplo) y razonen sobre el contenido. El análisis de visión/imágenes nativo depende de que tu LLM soporte entrada multimodal (GPT-4o lo hace, por ejemplo).

Fuentes

• n8n AI Agent Node Documentation
• n8n AI Agents Platform Overview
• n8n Pricing Plans
• n8n MCP Server Integration