| name | n8n-ai-agents |
| description | Construye agentes IA en n8n con Claude, OpenAI o LangChain. Usar cuando: "n8n AI", "n8n agent", "n8n Claude", "agente n8n", "automatización con IA", "RAG en n8n", "n8n vector store", "n8n memory", "clasificar con IA", "extraer datos con IA", "n8n + GPT".
|
n8n AI Agents
1. Nodos de IA en n8n
| Nodo | Uso | Cuando |
|---|
| AI Transform | Input > prompt > output simple | Clasificar, resumir, traducir |
| Information Extractor | Texto libre > JSON estructurado | Extraer campos de emails/docs |
| Basic LLM Chain | Prompt template + modelo | Transformaciones controladas |
| AI Agent | Agente con tools + memoria | Tareas multi-paso, decisiones |
AI Transform/Extractor: operacion determinista unica. AI Agent: cuando el modelo decide que tool usar, loop de razonamiento, o memoria.
Modelos recomendados:
claude-haiku-4-5: tareas simples — 70% mas baratoclaude-sonnet-4-6: agentes complejos multi-pasogpt-4o-mini: alternativa economica para volumen alto
2. AI Transform — Transformaciones Simples
Prompt para clasificar emails:
Clasifica este email en UNA de estas categorias:
- BILLING: pagos, facturas, cobros
- TECHNICAL: bugs, errores, no funciona
- GENERAL: preguntas, informacion
Responde SOLO con la categoria (una palabra, mayusculas).
Email: {{ $json.body }}
Formato estricto porque el output va a nodo Switch/IF.
Otros: sentimiento (POSITIVO/NEGATIVO/NEUTRO), idioma (ISO 639-1), urgencia (URGENTE/NORMAL).
3. Information Extractor — Datos Estructurados
Schema de ejemplo para leads:
{
"company": { "type": "string" },
"contact_name": { "type": "string" },
"budget_usd": { "type": "number" },
"timeline": { "type": "string" },
"pain_points": { "type": "array", "items": { "type": "string" } },
"urgency": { "type": "string", "enum": ["low"
Maneja retry automatico si el LLM no devuelve JSON valido. Resultado accesible como $json.company, etc.
Casos: email lead > CRM, feedback > Supabase, factura > contabilidad, CV > ATS.
4. Basic LLM Chain
Usar sobre AI Transform cuando necesitas System Message separado o prompt dinamico.
System: Eres el asistente de soporte de {{ $vars.company_name }}.
Responde en el mismo idioma que el usuario. Fecha: {{ $now.format('DD/MM/YYYY') }}
User: {{ $json.message }}
5. AI Agent — Agentes con Tools
Chat Model: claude-sonnet-4-6 (necesita tool use)
Tools disponibles: HTTP Request Tool, Code Tool, Supabase/PostgreSQL Tool, Calculator, Custom HTTP APIs.
Memory: Window Buffer Memory para multi-turn (default 10 msgs). Para produccion: Postgres Chat Memory con sessionId.
Ver references/agent-patterns.md para ejemplo completo de agente de investigacion y setup de memoria.
6. RAG en n8n
Setup: Document Loader (PDF/texto/URL) > Embeddings > Vector Store (Supabase pgvector) > Retriever como tool del Agent.
Nodos: Default Data Loader/PDF Loader, Embeddings OpenAI/Anthropic, Supabase Vector Store, Vector Store Retriever.
Ver references/agent-patterns.md para setup SQL pgvector completo y workflow paso a paso.
7. Memoria y Sesiones
| Tipo | Pros | Contras |
|---|
| Window Buffer Memory | Simple, sin setup | Se pierde al reiniciar |
| Postgres Chat Memory | Persiste, sesiones paralelas | Requiere tabla SQL |
Session ID: {{ $json.user_id }}_{{ $json.conversation_id }}
Table Name: n8n_chat_memory
Ver references/agent-patterns.md para schema SQL de n8n_chat_memory.
8. Integracion con Next.js
Usuario escribe > POST /api/chat > n8n Webhook > AI Agent (memoria Postgres) > Respond to Webhook > streaming response
Para los 4 patrones de comunicación Next.js ↔ n8n, ver skill n8n-to-api.
9. Costos
| Operacion | Modelo | Costo aprox |
|---|
| Clasificar email | haiku | ~$0.0001 |
| Extraer datos doc | sonnet | ~$0.005 |
| Agent 5 tool calls | sonnet | ~$0.05 |
Control: nodo IF antes de AI para filtrar, haiku para clasificacion inicial + sonnet solo para complejos, loguear tokens.
Referencias
references/agent-patterns.md — Agentes, RAG pgvector, integracion Next.jsreferences/prompt-engineering.md — Prompts por caso: soporte, ventas, extraccion, moderacion
