Cómo construir un AI agent con n8n
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
n8n es una plataforma de automatización de workflows que puede alojar usted mismo (self-hosting) o ejecutar en la nube. Desde 2024 incluye un AI Agent node dedicado para construir agents dentro del mismo lienzo visual que usaría para cualquier otro workflow. Usted construye un agent arrastrando el AI Agent node, conectando un modelo de chat, una o más herramientas y (normalmente) un componente de memoria; después n8n le entrega ese conjunto de herramientas al modelo y deja que decida qué llamar y en qué orden. Lo que distingue a n8n de la mayoría de los constructores de agents es que es fair-code y se puede alojar por cuenta propia, así que los equipos que quieren ser dueños de sus datos y de su infraestructura suelen empezar aquí.
Esta guía cubre por qué los equipos eligen n8n para trabajar con agents, de qué está hecho exactamente el AI Agent node, un recorrido completo de construcción, un ejemplo real, costos y límites reales, y cuándo n8n es la elección equivocada.
Por qué los equipos construyen agents en n8n
n8n ocupa un lugar específico en el panorama de plataformas de agents: más control que un constructor no-code puro, menos carga que escribir un agent desde cero. Tres factores lo explican.
Es fair-code, no un SaaS propietario exclusivamente. n8n se distribuye bajo su propia Sustainable Use License, con código fuente disponible y gratuito para alojar por cuenta propia, con una Enterprise License de pago para las funciones que necesitan los equipos más grandes (SSO, entornos, permisos avanzados). Eso importa en un agent de negocio en particular, porque con self-hosting sus datos, el contenido de sus tickets y los registros de sus clientes nunca tienen que salir de una infraestructura que usted controla.
Combina construcción visual con código real. La mayor parte de un workflow se arma con nodos de arrastrar y soltar. Pero cuando las herramientas integradas del AI Agent node no alcanzan, usted agrega un Code node y escribe JavaScript o Python en línea, en el mismo lienzo. No necesita salir de la plataforma para resolver un caso límite que una herramienta no-code le bloquearía.
La capa de AI es nativa, no un agregado. El AI Agent node está construido sobre LangChain, y n8n ahora incluye más de 400 integraciones, además de memoria, herramientas de evaluación y orquestación multi-agent, el tipo de diseño por capas que se explica en patrones de apilamiento para construir AI agents. No es un chatbot pegado a una herramienta de workflows. Es un entorno de ejecución de agents envuelto en una herramienta de workflows.
La demanda de este tipo de plataforma es real: en octubre de 2025 n8n levantó una Serie C de 180 millones de dólares liderada por Accel, con una valoración de 2.500 millones de dólares. En ese momento reportaba más de 230.000 usuarios activos y más de 40 millones de dólares en ingresos recurrentes anuales, impulsados sobre todo por equipos que construyen agents y no simples automatizaciones del tipo "si pasa esto, haz aquello".
De qué está hecho el AI Agent node
El AI Agent node es distinto del LLM node simple de n8n, que toma una entrada y devuelve una salida. El Agent node le da al modelo una lista de herramientas y el control del ciclo: puede llamar a una herramienta, leer el resultado, decidir llamar a otra y seguir hasta tener una respuesta. Ese ciclo es el mismo de razonar, actuar y observar que se explica en cómo razonan los AI agents.
| Componente | Qué hace | Sus opciones |
|---|---|---|
| Chat Model | El LLM que impulsa el razonamiento del agent | OpenAI, Google Gemini, Anthropic, DeepSeek, Groq, Azure OpenAI y otros mediante community nodes |
| Tools | Lo que el agent realmente puede hacer, no solo decir | Cualquier nodo de n8n envuelto como herramienta, un HTTP Request a una API, un sub-workflow o un servidor MCP externo |
| Memory | Lo que recuerda entre mensajes | Simple Memory (solo de sesión, se borra al reiniciar), Postgres Chat Memory (persistente, indexada por ID de sesión) u otros nodos de memoria |
Debe conectar al menos una herramienta para que el Agent node haga algo más que conversar. Es la misma distinción que se explica en cómo usan herramientas los AI agents: un modelo sin herramientas solo puede generar texto, y generar texto no es lo mismo que actuar sobre sus sistemas.
Conviene resolver bien la memoria desde el principio. Simple Memory sirve para una demo, pero es volátil y desaparece al reiniciar o volver a desplegar. Todo lo que atienda a clientes o dure mucho tiempo (por ejemplo, un hilo de soporte que continúa durante días) necesita Postgres Chat Memory o un almacén persistente equivalente, la misma distinción entre memoria de trabajo y memoria persistente que se explica en memoria de los AI agents.
También puede conectar un nodo de vector store para darle al agent recuperación sobre sus propios documentos, el patrón RAG que se explica a fondo en RAG para AI agents. No todo agent lo necesita. Un agent que enruta tickets necesita sobre todo herramientas; un agent que responde preguntas sobre políticas necesita sobre todo recuperación.
El recorrido de construcción
- Comience con un trigger. Un webhook, una programación, el envío de un formulario o el Chat Trigger integrado de n8n para probar en un panel de chat.
- Agregue el AI Agent node y conecte un Chat Model. Elija un proveedor de modelo y defina aquí su mensaje de sistema: los bloques de rol y reglas de cómo construir un AI agent, expresados con claridad. "Responda las consultas entrantes de soporte usando solo la knowledge base conectada; transfiera todo lo que no pueda responder con seguridad."
- Adjunte Tools. Envuelva como herramientas los nodos de n8n que el agent necesita: un HTTP Request a la API de su helpdesk, una consulta a la base de datos, un mensaje de Slack, una actualización del CRM. Cada herramienta necesita un nombre y una descripción claros, porque el modelo elige herramientas según esa descripción, no según lo que el nodo hace en realidad.
- Agregue Memory si el agent necesita mantener contexto entre turnos. Omítala en una tarea de una sola pasada (clasificar este ticket y terminar). Agregue Postgres Chat Memory para todo lo conversacional.
- Agregue RAG si el agent necesita responder a partir de sus propios documentos. Conecte un nodo de vector store cargado con su knowledge base.
- Pruebe en el panel de chat antes de conectar un trigger real. El chat de AI integrado de n8n le permite ejecutar el agent de forma conversacional y ver qué herramientas llama, lo que detecta la mayoría de los errores obvios antes de que algo toque datos de producción.
- Active el trigger real y supervise de cerca las primeras ejecuciones. Busque errores de selección de herramientas y barreras de protección faltantes antes de entregarle volumen real.
Para un recorrido más a fondo sobre cómo escribir el propio mensaje de sistema, cómo construir un AI agent cubre los seis componentes básicos (rol, herramientas, reglas, manual de escenarios, lógica de decisión y barreras de protección) que necesita un agent bien especificado, independientemente de la plataforma en la que lo construya.
Un ejemplo real: un AI Support Triage Agent en n8n
Así se arma una función real en la plataforma, con las propias piezas de n8n.
Trigger: un webhook se dispara cuando llega un ticket nuevo a su helpdesk.
Tools: un nodo HTTP Request lee el ticket completo y el nivel de plan del cliente desde la API de su helpdesk; un segundo HTTP Request consulta el estado de la cuenta del cliente en su CRM; un nodo de Slack publica un resumen en el canal correcto cuando el agent decide escalar; un HTTP Request final actualiza el estado y las etiquetas del ticket.
Memory: Postgres Chat Memory indexada por ID de ticket, de modo que si el cliente vuelve a responder antes de que el ticket se cierre, el agent tenga el hilo completo en lugar de empezar de cero.
Lógica de decisión, escrita en el mensaje de sistema: primero clasifique la gravedad y el tema. Si coincide con un patrón conocido de bajo riesgo (restablecimiento de contraseña, una consulta de facturación con respuesta clara en la knowledge base), redacte y envíe la respuesta directamente. Si es de gravedad alta, menciona una cancelación o la confianza del agent es baja, publique en el canal de escalada de Slack con el resumen del ticket y deténgase, sin adivinar.
Ese paso de escalada es exactamente el patrón de transferencia que se explica en sistemas multi-agent: un agent de triaje no necesita resolverlo todo por sí mismo, necesita resolver lo que pueda y transferir con limpieza el resto a una persona o a un segundo agent, como el que describe el plan de construcción del AI Escalation Manager Agent. El plan de construcción del AI Support Triage Agent incluye la especificación completa de esta función, con reglas y barreras de protección, por si prefiere copiar el diseño en lugar de escribirlo desde cero.
Costos y límites
n8n en sí es gratuito para alojar por cuenta propia bajo la licencia fair-code. La versión Cloud tiene planes de pago según las ejecuciones de workflows. En ambos casos, el costo que realmente crece con el uso son las llamadas al modelo detrás de su Chat Model node, que factura directamente el proveedor que conecte (OpenAI, Anthropic, Google, etc.), no n8n. Presupueste eso por separado y lea costo total de propiedad de la AI antes de comprometerse con un agent pesado y siempre activo, porque el gasto en tokens con volumen real se acumula más rápido que la mayoría de las primeras estimaciones.
Los límites reales no son el precio, sino la operación. n8n no reintenta automáticamente una llamada de herramienta fallida ni cubre todos los casos límite; usted configura el manejo de errores, igual que en cualquier workflow. Con self-hosting, usted es responsable de la disponibilidad, las copias de seguridad y los parches de seguridad. Y como un agent con acceso a herramientas puede ser manipulado por lo que lee, cualquier agent de n8n con un trigger webhook expuesto al público necesita el mismo enfoque de defensa en profundidad que se explica en seguridad de los AI agents y prompt injection: trate el contenido entrante como datos que evaluar, no como instrucciones que seguir, y limite las credenciales de cada herramienta a lo que ese agent concreto necesita.
Cuándo elegir n8n frente a otras opciones
| Si usted quiere... | Elija |
|---|---|
| Self-hosting, control total, y no le molesta armar usted más de la lógica | n8n |
| Un constructor visual puro con el catálogo más profundo de integraciones de apps | Make |
| El camino más rápido a un agent funcional sin nada de código | Lindy |
| Control total del código sobre los propios modelos de OpenAI, sin capa visual | Responses API de OpenAI |
n8n se ubica entre esos polos. No es el camino más rápido a una primera demo, ese suele ser Lindy. No es la biblioteca de integraciones más amplia, esa suele ser Make. Lo que ofrece, en cambio, es un workflow que usted controla por completo, sobre una infraestructura que usted gobierna, con una salida a código real cada vez que la capa visual se queda corta. Esa compensación, más armado a cambio de más control, es la misma que se pesa en la comparación de plataformas de cómo construir un AI agent.
También conviene recordar que estas opciones no son mutuamente excluyentes. Un agent construido en n8n puede usar los modelos de OpenAI como su Chat Model. n8n es la capa de orquestación; el modelo que hay debajo es una decisión aparte.
Datos clave
- n8n construye agents con un AI Agent node conectado a un Chat Model, una o más Tools y (normalmente) Memory, sobre LangChain internamente.
- n8n es fair-code bajo su propia Sustainable Use License: gratuito para self-hosting, con planes Cloud y Enterprise de pago.
- n8n levantó una Serie C de 180 millones de dólares liderada por Accel en octubre de 2025, con una valoración de 2.500 millones de dólares, y reportaba más de 230.000 usuarios activos y más de 40 millones de dólares en ARR en ese momento.
- La plataforma incluye más de 400 integraciones nativas, además de Code nodes personalizados en JavaScript o Python cuando un nodo integrado no alcanza.
- Los costos del modelo los factura por separado el proveedor que usted elija (OpenAI, Anthropic, Google y otros); los precios de n8n cubren el alojamiento y las ejecuciones, no los tokens.
Preguntas frecuentes sobre cómo construir un AI agent con n8n
¿Necesito saber programar para construir un agent en n8n?
No, la mayoría de los agents pueden construirse por completo con los nodos visuales de n8n: un trigger, el AI Agent node, un Chat Model, Tools y Memory. El código resulta útil, no obligatorio, cuando necesita lógica personalizada que un nodo integrado no puede expresar, y el Code node de n8n le permite escribir JavaScript o Python en línea cuando eso ocurre.
¿Cuál es la diferencia entre el AI Agent node de n8n y su LLM node normal?
El LLM node simple toma una entrada y devuelve una salida, una sola pasada. El AI Agent node le da al modelo una lista de herramientas conectadas y le permite decidir cuál llamar, en qué orden y si llamar a más de una antes de responder, el ciclo de razonamiento que lo convierte en un agent y no en una simple completion.
¿Puedo alojar n8n por cuenta propia de forma gratuita?
Sí. n8n es fair-code bajo su propia Sustainable Use License, lo que significa que el código fuente está disponible y el self-hosting es gratuito. Una Enterprise License de pago agrega funciones que necesitan los equipos más grandes, como SSO y gestión de entornos, y n8n Cloud ofrece una opción totalmente alojada con precio según las ejecuciones de workflows.
¿Qué modelos de AI puedo usar con el AI Agent node de n8n?
El sub-nodo Chat Model admite OpenAI, Google Gemini, Anthropic, DeepSeek, Groq y Azure OpenAI, entre otros, además de conectores creados por la comunidad para proveedores adicionales. También puede cambiar de modelo por workflow sin reconstruir las herramientas ni la memoria del agent.
¿Cómo se maneja la memoria en un agent de n8n?
Mediante un sub-nodo Memory conectado al AI Agent node. Simple Memory guarda el historial de la conversación en la sesión del workflow y se borra cuando n8n se reinicia, algo adecuado para pruebas. Postgres Chat Memory persiste tras los reinicios e indexa las conversaciones por ID de sesión, que es lo que necesitan la mayoría de los agents en producción.
Siguientes pasos
n8n es un camino hacia un agent funcional, no el único. Si su equipo quiere el catálogo de apps más amplio y un constructor visual más guiado, vea cómo construir un AI agent con Make. Si quiere el primer agent más rápido posible y sin nada de armado, vea cómo construir un AI agent con Lindy. Elija la plataforma que elija, el resumen de herramientas de automatización y la guía de las mejores herramientas de automatización no-code son referencias útiles para comparar n8n con el resto de la categoría antes de decidir.
