🤖 Cómo usar n8n y LangChain para crear pipelines de IA personalizados (sin morir en el intento)

⚡️ ¿Por qué combinar n8n y LangChain? La unión perfecta para rebeldes digitales

¿Estás hasta las narices de copiar y pegar en ChatGPT? ¿Quieres automatizar tus flujos de IA pero no tienes ganas de escribir 500 líneas de Python? Estás en el lugar adecuado, porque hoy vamos a combinar la potencia visual de n8n con el cerebro de LangChain para crear pipelines de IA que funcionen solos mientras tú te tomas una cerveza.

🧰 Herramientas que necesitarás

• n8n: El cerebro orquestador visual (drag & drop) que conectará todo.
• LangChain: Framework para conectar y personalizar modelos de lenguaje.
• Un modelo LLM: OpenAI, OpenRouter, Ollama local o APIs alternativas.
• Base de datos: PostgreSQL para almacenar datos y conversaciones (opcional pero recomendado).
• Un servidor: Puedes usar tu PC, pero idealmente una Raspberry Pi 4 o servidor casero.

1️⃣ Instalación: montando el laboratorio punk

Opción A: Instalación local con Node.js

# Instalar Node.js (si no lo tienes)
# Luego ejecutar:
npx n8n

# La interfaz estará disponible en http://localhost:5678

Opción B: Instalación con Docker (recomendada)(guía punk aquí)

Truco punk #1: Si lo ejecutas en producción, añade --restart always para que Docker reinicie n8n automáticamente tras reinicios del servidor. La fiabilidad también es punk.

2️⃣ Primera conexión: OpenAI o Ollama

Para comenzar necesitamos conectar n8n con un cerebro IA. Tienes dos opciones:

Opción A: OpenAI (API pagando)

1. Accede a tu dashboard de n8n (http://localhost:5678).
2. Crea un nuevo workflow haciendo clic en «Workflows» → «+ Workflow».
3. Añade un nodo haciendo clic en el botón «+», busca «OpenAI» y selecciónalo.
4. Configura tu API key:
   • Haz clic en «Add Credential» → «OpenAI API»
   • Pega tu API key de OpenAI
   • Guarda la credencial
5. Configura el nodo OpenAI:
   • Operación: «Chat»
   • Modelo: «gpt-4o» (o el que prefieras)
   • Modo de respuesta: «JSON» (importante para procesamiento posterior)
   • Prompt: «Eres un asistente punk. Responde con actitud rebelde.»

Opción B: Ollama (totalmente local y gratis)

1. Instala Ollama en tu servidor: curl -fsSL https://ollama.com/install.sh | sh
2. Descarga un modelo (por ejemplo, DeepSeek R1): ollama pull deepseek-r1
3. En n8n, añade un nodo HTTP Request:
   • Método: POST
   • URL: http://localhost:11434/api/chat
   • Body: JSON { "model": "deepseek-r1", "messages": [ { "role": "system", "content": "Eres un asistente punk. Responde con actitud rebelde." }, { "role": "user", "content": "{{$json.input}}" } ] }

3️⃣ Integración con LangChain: el poder real comienza aquí

¡Ahora viene lo bueno! LangChain nos permite crear pipelines avanzadas con memoria, herramientas y contexto. Afortunadamente, n8n tiene integración nativa:

Paso 1: Añadir el nodo LangChain

1. Añade un nodo haciendo clic en el botón «+».
2. Busca «LangChain» y selecciónalo.
3. Configura tu modelo:
   • Si usas OpenAI, selecciona la credencial que creaste antes.
   • Si prefieres Ollama local, configura la URL http://localhost:11434 y el modelo.

Paso 2: Configurar una cadena LangChain básica

{
  "systemMessagePrompt": "Eres un asistente punk experto en automatización. Ayuda a los usuarios a crear flujos de trabajo rebeldes.",
  "humanMessagePrompt": "{{$json.pregunta}}",
  "memory": {
    "type": "buffer",
    "memoryKey": "chat_history",
    "inputKey": "pregunta",
    "outputKey": "respuesta",
    "returnMessages": true
  }
}

Truco punk #2: La memoria es crucial para tener conversaciones con contexto. LangChain en n8n soporta varios tipos: Buffer, ConversationSummary, Vector store, etc. Elige según tu caso.

4️⃣ Creando tu primer pipeline RAG (Retrieval Augmented Generation)

Ahora vamos a crear un sistema que busca información en tus propios datos antes de responder. Esto es lo que hace que la IA sea realmente útil, porque responde con tu información y no con datos genéricos.

Paso 1: Preparar la base de conocimiento

1. Añade un nodo «HTTP Request» para obtener tus documentos o un nodo «Read Binary Files» si están en local.
2. Añade un nodo «Text Splitter» para dividir el contenido en fragmentos manejables: { "text": "{{$node['HTTP Request'].json.content}}", "chunkSize": 1000, "chunkOverlap": 200 }

Paso 2: Crear embeddings y almacenarlos

1. Añade un nodo «LangChain» configurado como «Embeddings»: { "operation": "embeddings", "model": "text-embedding-3-small", "texts": "={{$node['Text Splitter'].json.chunks}}" }
2. Conecta con una base de vectores (Qdrant, Pinecone o incluso PostgreSQL con pgvector): { "operation": "insert", "collection": "mi_base_conocimiento", "vectors": "={{$node['LangChain'].json.embeddings}}", "metadata": "={{$node['Text Splitter'].json.metadata}}" }

Paso 3: Configurar la búsqueda y respuesta

{
  "systemMessagePrompt": "Eres un asistente punk. Usa SOLO el contexto proporcionado para responder.",
  "humanMessagePrompt": "{{$json.pregunta}}",
  "memory": {
    "type": "buffer",
    "memoryKey": "chat_history"
  },
  "tools": [
    {
      "type": "vectorStoreRetriever",
      "name": "buscar_en_mi_base",
      "description": "Busca información en mis documentos",
      "vectorStoreName": "mi_base_conocimiento",
      "topK": 3
    }
  ]
}

5️⃣ Creando un agente IA que ejecuta tareas

Esta es la parte más punk de todas: tu pipeline puede tomar decisiones y ejecutar acciones automáticamente.

Agente básico con herramientas

{
  "model": "gpt-4o",
  "temperature": 0,
  "systemMessagePrompt": "Eres un agente automatizado. Tu trabajo es ayudar con tareas de automatización.",
  "humanMessagePrompt": "{{$json.instruccion}}",
  "agentType": "openai-functions",
  "memory": {
    "type": "buffer",
    "memoryKey": "chat_history"
  },
  "tools": [
    {
      "type": "serpApi",
      "name": "buscar_en_google",
      "description": "Busca información actual en Google"
    },
    {
      "type": "nodeFunction",
      "name": "enviar_telegram",
      "description": "Envía un mensaje por Telegram",
      "operation": "custom",
      "functionCode": "async function enviar(mensaje) { // código para enviar a Telegram }"
    },
    {
      "type": "tool",
      "name": "verificar_servidor",
      "description": "Verifica el estado del servidor",
      "returnDirect": false
    }
  ]
}

6️⃣ Ejemplo real: Bot de soporte técnico inteligente

Pipeline completo:

1. Trigger: Webhook o integración con Telegram/WhatsApp
2. Consulta documentación: Vector search en tu base de conocimiento
3. Verificación de acciones: ¿Necesita ejecutar comandos?
4. Agente LangChain: Procesa y decide la respuesta
5. Ejecución de acciones: Reiniciar servicios, verificar logs, etc.
6. Respuesta al usuario: Mensaje con solución o más preguntas

Nodos clave del workflow:

Telegram → LangChain (RAG) → IF Branch → Execute Command → LangChain (Agent) → Telegram

7️⃣ Optimizaciones y solución de problemas

• Problema: Respuestas lentas.
  Solución: Usa modelos locales como Ollama o asincronía en n8n.
• Problema: Alucinaciones o respuestas incorrectas.
  Solución: Mejora tu RAG con metadata y filtrado.
• Problema: Error de conexión con Ollama.
  Solución: Verifica que esté corriendo en la misma red o ajusta Docker para exponer los puertos correctamente.
• Problema: Memoria limitada.
  Solución: Usa el nodo «Set» para filtrar solo la información relevante del historial.

8️⃣ Plantillas para copiar y pegar

Workflow RAG completo con memoria

{
  "nodes": [
    {
      "parameters": {
        "authentication": "headerAuth",
        "url": "http://localhost:11434/api/chat",
        "option": {
          "raw": {
            "language": "json"
          }
        },
        "body": {
          "model": "deepseek-r1",
          "messages": [
            {
              "role": "system",
              "content": "Eres un asistente punk. Responde con actitud y usa la información provista."
            },
            {
              "role": "user",
              "content": "{{$json.pregunta}}"
            }
          ],
          "context": "{{$node['Vector Store'].json.results}}"
        }
      },
      "name": "LLM Request",
      "type": "n8n-nodes-base.httpRequest",
      "position": [960, 300]
    },
    {
      "parameters": {
        "authentication": "serviceAccount",
        "operation": "query",
        "returnAll": true,
        "query": "SELECT * FROM chat_history WHERE user_id = {{$json.user_id}} ORDER BY timestamp DESC LIMIT 10"
      },
      "name": "Get History",
      "type": "n8n-nodes-base.postgres",
      "position": [500, 300]
    }
  ]
}

🎸 Conclusión: El futuro es automatizar lo aburrido

Con n8n y LangChain, has creado un sistema de IA que no solo responde preguntas, sino que ejecuta acciones, busca en tus datos y mantiene conversaciones con contexto. Y lo mejor: todo configurable con arrastrar y soltar, sin tener que escribir cientos de líneas de código Python.

¿Has creado algún pipeline interesante? ¿Te gustaría ver algún caso de uso específico en futuros artículos? Cuéntanos en los comentarios y ¡rebélate contra el código innecesario!