Crear un agente de IA con n8n consiste en colocar el nodo AI Agent y conectarle tres piezas: un modelo de chat tipo GPT, Claude o Gemini, una memoria y una o varias herramientas. El agente decide por cuenta propia qué herramientas usar para cumplir cada instrucción. Es el camino más directo para pasar de un chatbot que solo responde a un agente que actúa.
Actualizado: 31 de mayo de 2026. Este es un tutorial práctico centrado en construir agentes. Si todavía no tienes claro qué es un agente de IA frente a un prompt normal, repasa primero nuestra guía sobre qué es un agente de IA y cuándo usarlo.
Qué es un agente de IA en n8n
En un workflow tradicional de n8n defines la ruta exacta: si llega un correo, extrae el adjunto, guárdalo en Drive y avisa por Slack. El flujo repite los mismos pasos en el mismo orden.
Un agente de IA invierte la lógica. Le das un objetivo y un conjunto de herramientas, y el modelo decide en tiempo de ejecución qué herramienta llamar, con qué parámetros y en qué orden, con un ciclo de razonar, actuar y observar hasta resolver la tarea. Ese bucle sigue el patrón ReAct popularizado por la comunidad de LangChain, el framework sobre el que n8n construye sus nodos de IA.
El repositorio de n8n supera 100k estrellas en GitHub y figura entre las plataformas abiertas de automatización más usadas en 2026. La ventaja del agente: atiende peticiones impredecibles tipo "¿cuánto facturamos en abril y mándalo al canal de finanzas?" sin necesidad de prever cada caso. La contrapartida: menor determinismo, así que conviene acotar herramientas y registrar cada ejecución.
Los componentes de un agente en n8n
El nodo AI Agent funciona como cerebro con tres tipos de sub-nodos conectados por debajo:
- Chat Model: el modelo de lenguaje que razona. n8n soporta OpenAI con GPT, Anthropic con Claude, Google con Gemini, Mistral, Groq y modelos locales vía Ollama, entre otros.
- Memory: el contexto entre mensajes de una misma sesión. Va de Simple Memory con buffer de ventana en memoria hasta memoria persistente en Postgres o Redis.
- Tools: las acciones disponibles. Cada herramienta ejecuta una acción: llamada HTTP, consulta a base vectorial, sub-workflow de n8n o herramienta externa vía MCP.
La documentación de n8n en 2026 describe tres sub-nodos mínimos para un agente funcional: modelo de chat, memoria y al menos una herramienta.
Empieza siempre con una sola herramienta y un objetivo claro. Un agente con diez herramientas mal descritas se equivoca mucho más que uno con dos herramientas bien definidas.
Tutorial: construye tu primer agente paso a paso
El ejemplo guía monta un agente de soporte que responde preguntas y consulta una API externa cuando hace falta.
Paso 1: prepara el entorno
Puedes usar n8n Cloud con registro directo o autoalojarlo con Docker. La versión de código abierto es gratuita y da control total sobre los datos, punto clave con información sensible de clientes.
Paso 2: añade un disparador
Crea un workflow nuevo y agrega el nodo Chat Trigger, también llamado When chat message received. Obtienes una interfaz de chat para probar el agente sin salir de n8n. En producción puedes cambiarlo por Webhook o por triggers de Telegram, Slack o WhatsApp.
Paso 3: añade el nodo AI Agent
Conecta el trigger al nodo AI Agent. En su configuración define el system prompt con personalidad y reglas. Ejemplo:
Eres el asistente de soporte de AIClases. Responde en español, de forma breve y cordial. Si no sabes algo, dilo; no inventes datos.
Paso 4: conecta el modelo de chat
En el conector inferior del AI Agent agrega un sub-nodo de Chat Model. Elige proveedor, por ejemplo Anthropic Chat Model con Claude u OpenAI Chat Model con GPT, e introduce tu credencial de API. Allí defines el modelo concreto y parámetros como la temperatura.
Paso 5: añade memoria
Conecta un sub-nodo de Memory. Para empezar, Simple Memory basta: guarda los últimos mensajes para conservar el hilo. Para producción multiusuario, usa clave de sesión por usuario con memoria en Postgres o Redis.
Paso 6: dale herramientas
Aquí el agente cobra vida. Conecta uno o más sub-nodos de Tool:
- HTTP Request Tool: llama a cualquier API de CRM, stock o calendario.
- Vector Store Tool: responde con tu base de conocimiento mediante RAG.
- Code Tool: ejecuta cálculos o transformaciones con JavaScript.
- Workflow Tool: convierte otro workflow de n8n en herramienta reutilizable.
- MCP Client Tool: conecta herramientas externas del protocolo MCP.
Lo decisivo de cada herramienta es su descripción, porque el agente la lee para decidir su uso. Redáctala con detalle operativo: "Usa esta herramienta para consultar el estado de un pedido a partir de su número."
Paso 7: prueba, observa y ajusta
Abre el chat de prueba y lanza una petición. n8n muestra el rastro de ejecución: qué pensó el agente, qué herramienta llamó y con qué datos. Ante errores, la solución habitual está en afinar el system prompt o las descripciones de herramientas antes de cambiar de modelo. Para ubicar el patrón completo, la guía sobre agente IA y guía práctica 2026 ayuda a separar decisión, contexto y herramientas.
Agente frente a chatbot frente a workflow fijo
Casos de uso reales con agentes n8n en 2026
- Soporte al cliente con acción: el agente consulta el estado del pedido, crea un ticket o programa una devolución, además de responder.
- Asistente interno de datos: responde las ventas del mes tras consultar la base de datos con una herramienta SQL.
- Investigación y resumen: busca en la web, recupera documentos del vector store con RAG y entrega un informe.
- Agentes conectados por MCP: un agente expone sus workflows como herramientas para reutilización por otros agentes.
La pieza de RAG es clave para que el agente responda con TU conocimiento y no invente. Si quieres entenderla a fondo, lee qué es RAG (Retrieval-Augmented Generation) y la comparativa RAG vs fine-tuning.
Cuando el agente falla: diagnóstico en orden
La mayoría de fallos cae en cuatro grupos. Este orden de revisión ahorra cambios de modelo innecesarios:
- Descripciones vagas. Si dos herramientas se solapan, el agente elige mal. Reescribe cada descripción con condición de uso, ejemplo de petición y ejemplo de cuándo evitarla.
- System prompt permisivo. Agrega límites explícitos: idioma, longitud, fuentes permitidas y frase obligatoria ante duda, por ejemplo "No tengo ese dato en la base, te derivo con soporte."
- Memoria mal acotada. Con Simple Memory y conversaciones largas, el contexto se llena y el agente olvida instrucciones. Reduce la ventana o mueve historial a Postgres con clave por usuario.
- Herramientas con errores opacos. Si la API devuelve un error técnico, el agente lo propaga tal cual. Envuelve la llamada con manejo de errores y devuelve mensajes claros tipo "Pedido no encontrado, verifica el número de 6 dígitos."
Prueba con una batería fija de cinco casos: petición normal, petición ambigua, dato inexistente, herramienta caída y usuario que cambia de tema a mitad de conversación. Guarda esas ejecuciones como referencia. Cuando algo se rompe en producción, repite la batería y compara trazas antes de tocar la configuración.
Buenas prácticas para agentes en producción
- Acota las herramientas. Pocas herramientas bien descritas rinden mejor que un arsenal confuso.
- Pon límites de iteración. Evita bucles infinitos con un máximo de pasos por ejecución.
- Registra todo. Guarda ejecuciones para auditar decisiones y detectar fallos.
- Maneja credenciales con cuidado. Usa el gestor de credenciales de n8n. Mantén las claves fuera del prompt.
- Controla el coste. Cada llamada al modelo consume tokens. Vigila temperatura y longitud de contexto.
Un agente con acceso a herramientas de escritura (borrar registros, enviar correos, mover dinero) puede causar daños reales si se equivoca. Empieza con herramientas de solo lectura y exige confirmación humana para acciones irreversibles.
Cómo seguir con agentes, RAG y MCP
En AIClases hay cursos prácticos de automatización e IA donde construyes agentes reales paso a paso, del primer nodo al despliegue en producción. Para dominar n8n con agentes, RAG y MCP, el camino corto combina la ruta de aprender, la biblioteca de prompts y la práctica con agentes. Empieza con un caso de soporte o datos internos, mide respuestas aceptadas sin edición mayor y amplía herramientas solo cuando la batería de pruebas se mantiene estable.
Preguntas frecuentes
¿Qué es el nodo AI Agent de n8n?
El nodo AI Agent es el componente de n8n que orquesta un agente de IA. Recibe una instrucción, decide qué herramientas usar para cumplirla, ejecuta esos pasos en bucle y devuelve una respuesta. Se apoya en sub-nodos de modelo de chat, memoria y herramientas conectados por debajo.
¿Necesito saber programar para crear un agente de IA en n8n?
No es imprescindible. n8n es una plataforma de automatización visual de bajo código: puedes montar un agente conectando nodos sin escribir código. Saber algo de JavaScript o de APIs ayuda en casos avanzados, pero el flujo básico se construye arrastrando y configurando nodos.
¿Qué modelos de IA puedo conectar al agente en n8n?
n8n permite conectar modelos de chat de OpenAI (GPT), Anthropic (Claude), Google (Gemini), Mistral, Groq y modelos locales vía Ollama, entre otros. El modelo se conecta como sub-nodo del AI Agent, así que puedes cambiarlo sin rehacer el resto del flujo.
¿Qué diferencia hay entre un workflow normal y un agente de IA en n8n?
Un workflow normal sigue una ruta fija definida por ti. Un agente de IA decide en tiempo de ejecución qué herramientas invocar y en qué orden para resolver la tarea, por lo que es más flexible ante peticiones impredecibles, a cambio de menos determinismo.
¿Puedo darle memoria a un agente de n8n para que recuerde conversaciones?
Sí. n8n ofrece sub-nodos de memoria, como Simple Memory (buffer de ventana) o memoria persistente en Postgres y Redis, que conectas al AI Agent para que conserve el contexto entre mensajes de una misma sesión.
¿Qué es el nodo MCP en n8n y para qué sirve en un agente?
MCP (Model Context Protocol) es un estándar abierto para conectar modelos con herramientas externas. n8n incluye nodos de cliente y servidor MCP, de modo que tu agente puede usar herramientas MCP de terceros o exponer tus propios workflows como herramientas para otros agentes.
Actualizado: 31 de mayo de 2026.