Cómo crear un agente de IA que responde con tus documentos (RAG) en n8n

Un agente de IA sabe mucho de todo, pero no sabe nada de tu negocio: tus precios, tus condiciones de envío o cómo funciona tu servicio. Si le preguntan, o no lo sabe o, peor, se lo inventa. La solución tiene un nombre algo técnico, RAG, pero la idea es sencilla: antes de contestar, el agente busca en tus documentos el trozo que habla de lo que le han preguntado y responde a partir de ahí.

En esta guía lo montamos en n8n, sin programar, uniendo bloques en pantalla.

Cómo funciona, en palabras normales

Piensa en una biblioteca con un buen bibliotecario:

Preparas la biblioteca: coges tus documentos, los partes en trozos pequeños y guardas cada trozo de forma que luego se pueda encontrar por su significado, no solo por palabras exactas. A esa forma de guardar se le llama embeddings, y al almacén, base de datos vectorial.
Alguien pregunta: el agente busca en la biblioteca los trozos más parecidos a la pregunta, los lee y contesta con esa información.

Por eso en n8n tendrás dos partes: un flujo que carga los documentos y otro con el agente que los consulta.

Lo que necesitas

n8n funcionando (si aún no lo tienes, mira cómo instalar n8n gratis con Docker).
Una clave de API de OpenAI u otro proveedor, que se usa tanto para el modelo como para los embeddings.
Tus documentos en un formato sencillo: PDF, texto o un documento de Google. Mejor si están ordenados y al día.

Paso 1: carga tus documentos

Crea un flujo nuevo. Para empezar, lo más fácil es usar On form submission (un formulario de n8n con un campo de tipo archivo) o un disparador manual seguido de Google Drive en modo Download para bajar un archivo concreto.

Después añade un nodo de base vectorial. Para probar, usa Simple Vector Store en modo Insert Documents: guarda los datos en la memoria de n8n, sin instalar nada más. Ponle una clave de memoria, por ejemplo docs_negocio, que usarás después para consultarla.

Paso 2: troceado y embeddings

Al nodo de la base vectorial se le enchufan dos piezas:

Embeddings: añade Embeddings OpenAI con tu credencial. Es lo que convierte cada trozo de texto en algo que se puede buscar por significado.
Document: añade Default Data Loader. Indica que los datos son binarios (el archivo) y, en el hueco de Text Splitter, pon Recursive Character Text Splitter. Un tamaño de trozo de unos cientos o mil caracteres, con algo de solapamiento, suele ir bien para empezar.

Ejecuta el flujo y sube tu documento. Si todo va bien, verás en el nodo cuántos trozos se han guardado.

Paso 3: el agente que consulta

Crea otro flujo (o una segunda rama) con un Chat Trigger y un nodo AI Agent, igual que en la guía de tu primer agente en n8n: modelo de chat y Simple Memory.

En el hueco Tool del agente añade otra vez Simple Vector Store, ahora en modo de consulta como herramienta (Retrieve Documents as Tool for AI Agent), con la misma clave de memoria (docs_negocio) y el mismo modelo de embeddings. Dale un nombre y una descripción claros, por ejemplo:

Nombre: documentos_negocio
Descripción: Busca en los documentos oficiales del negocio
(precios, condiciones, envíos, horarios y preguntas frecuentes).
Úsala siempre antes de responder a cualquier pregunta sobre el negocio.

Paso 4: instrucciones que evitan inventos

En System Message del agente, deja claro que solo puede responder con lo que encuentre:

Eres el asistente de [NOMBRE DEL NEGOCIO].
Antes de responder sobre el negocio, consulta siempre
la herramienta "documentos_negocio".
Responde solo con información que aparezca en los documentos.
Si no aparece, dilo con claridad y ofrece que el equipo le contacte.
No inventes precios, plazos ni condiciones.
Responde en el idioma del usuario, en 2-4 frases.

Si quieres afinar el tono y los casos difíciles, en el prompt para un agente de atención al cliente con IA tienes una plantilla más completa.

Paso 5: prueba y pasa a producción

Abre el chat y pregunta cosas que estén en el documento, cosas que estén dichas con otras palabras y cosas que no estén. En el panel del agente verás qué trozos ha recuperado en cada respuesta, y así entenderás por qué contesta lo que contesta.

Simple Vector Store es solo para pruebas: los datos se pierden si n8n se reinicia. Cuando te convenza, cambia los dos nodos por una base vectorial permanente que n8n admite, como Supabase, Qdrant, Pinecone o Postgres con PGVector, y vuelve a cargar los documentos.

Después solo queda conectar el agente al canal que uses: tu web, WhatsApp o Telegram.

Errores frecuentes

Contesta sin buscar. Refuerza la descripción de la herramienta y menciónala por su nombre en las instrucciones.
No encuentra nada. Casi siempre es porque la carga y la consulta usan distinta clave de memoria o distinto modelo de embeddings. Tienen que coincidir.
Respuestas incompletas. Los trozos pueden ser demasiado pequeños o recuperarse pocos. Prueba trozos algo más grandes o pide más resultados en la herramienta.
Información vieja. Si cambias un precio, vuelve a cargar el documento. Lo más cómodo es tener un único documento «oficial» y recargarlo cuando cambie.
Documentos desordenados. Un PDF lleno de tablas o escaneado se lee mal. Un texto claro, con títulos y una pregunta por apartado, funciona mucho mejor.

Atajo: agentes ya montados

Si prefieres empezar con algo que ya funciona, el pack AgentKiosk trae agentes listos para importar en n8n, con sus instrucciones escritas y reglas para no inventar. Y si quieres probar gratis, descarga el agente de WhatsApp y échale un vistazo a 7 automatizaciones con IA para pequeños negocios.