Tutorial de Agente IA N8N: De Prompt Simple a Datos de Flujo de Trabajo Estructurado

Por qué la automatización de flujos de trabajo ahora necesita más que reglas fijas

Imagina que un flujo de trabajo recibe una oración como esta: “Un nuevo cliente llamado John compró un gpu server el 01/06/2026.” Una persona lee eso e instantáneamente ve tres valores útiles: el nombre del cliente, el producto y la fecha.

Un flujo de trabajo rígido no. Puede dividir texto, buscar patrones y validar formatos, pero en el momento en que cambia la redacción — “John acaba de ordenar un GPU server ayer” o “Nuevo cliente John compró hosting el 1 de junio” — el análisis frágil comienza a fallar.

Ese es el límite entre la automatización clásica y la capa de IA. Los flujos de trabajo deterministas sobresalen una vez que las entradas están limpias: enrutamiento de datos, transformación de campos, validación de registros, llamadas a APIs y repetición de secuencias de manera confiable. Tropiezan en el primer paso desordenado—interpretar intención, clasificar solicitudes, resumir contenido no estructurado o extraer campos del lenguaje natural antes de que el flujo de trabajo pueda actuar.

Ese es exactamente donde un n8n AI Agent se vuelve práctico. En esta guía, primero obtendrás una comprensión en lenguaje simple de qué es realmente el n8n AI Agent dentro de un flujo de trabajo, luego construirás un caso de uso fundamentado que convierte lenguaje natural en datos estructurados.

Qué es realmente un Agente AI de n8n

Dentro de n8n, un Agente AI se entiende mejor como un paso de razonamiento dentro de un flujo de trabajo. Es un nodo que utiliza un modelo para interpretar entrada, trabajar con contexto y ayudar a dar forma a lo que sucede después. Eso puede significar responder a un mensaje, extraer campos, clasificar una solicitud o decidir cómo se debe preparar el siguiente paso del flujo de trabajo. La parte importante es que el agente vive dentro del flujo de trabajo. No es el sistema completo por sí solo.

Las partes móviles son más fáciles de entender cuando las separas por rol:

El modelo maneja la interpretación flexible. Los nodos n8n circundantes aún poseen la estructura: de dónde provienen los datos, cómo se mapean, qué se valida, qué nodo se ejecuta después y qué finalmente se escribe en otro sistema. Si necesitas ejecución predecible, aprobaciones, integraciones o reglas de negocio, el flujo de trabajo sigue siendo el responsable.

💡 Consejo: El modelo mental más limpio es este: el flujo de trabajo sigue siendo los rieles; el agente es el paso de razonamiento dentro de esos rieles.

Eso también facilita decir qué no es el Agente AI de n8n. No es solo un nodo de chatbot. No es autonomía mágica. No es algo que todo flujo de trabajo necesite. Si una regla fija, una transformación simple o un mensaje AI acotado ya resuelven el trabajo, agregar una capa de agente solo añade complejidad. El valor aparece cuando el flujo de trabajo tiene que lidiar con la ambigüedad antes de poder volverse determinista nuevamente.

Dónde los Agentes de IA de n8n ayudan más en flujos de trabajo reales

El mejor lugar para usar un Agente de IA de n8n es en el límite donde la ambigüedad humana entra en el sistema.

• Los equipos de soporte podrían necesitar leer una solicitud entrante y clasificar si es de facturación, técnica o urgente.
• Los equipos de operaciones podrían recibir solicitudes internas en lenguaje natural y necesitar extraer campos antes de enrutarlos.
• Los equipos de ventas podrían querer convertir un mensaje de cliente potencial desordenado en datos limpios listos para CRM.
• Los flujos de trabajo con muchos documentos podrían necesitar extraer nombres, fechas, números de factura o detalles de servicio de texto no estructurado.

En cada uno de esos casos, la división del trabajo sigue siendo la misma. El agente interpreta, extrae, resume o clasifica. Los nodos determinísticos luego validan la salida, la enrutan a la rama correcta, crean registros, notifican a las personas o escriben el resultado en otro sistema. Ese límite importa porque mantiene la parte útil de la IA — interpretación flexible — sin renunciar a la previsibilidad que hace que la automatización de flujos de trabajo valga la pena usar.

La extracción estructurada es un caso de uso particularmente fuerte porque está acotado, es visible e inmediatamente útil aguas abajo. Puedes ver la oración de entrada, definir los campos que deseas obtener, y luego usar esos campos como datos de flujo de trabajo normales. Eso hace que el resultado sea concreto. En lugar de “la IA dijo algo útil,” obtienes “el flujo de trabajo ahora tiene nombre, producto y fecha, y el siguiente nodo puede actuar sobre ellos.”

También es un buen lugar para mantener una disciplina en mente: más comportamiento del agente no es automáticamente mejor. Si una regla fija o un único prompt ya resuelve el problema, probablemente no necesites una capa de agente completa. Este artículo se enfoca en la extracción estructurada porque muestra valor real de flujo de trabajo sin pretender que cada problema de automatización necesita una autonomía amplia.

Lo que estamos construyendo en este tutorial

Este tutorial enseña dos flujos de trabajo a propósito. El flujo de trabajo A es el patrón más pequeño posible:

Manual Trigger -> Set -> AI Agent -> OpenRouter Chat Model -> plain response

Su trabajo no es impresionarte. Su trabajo es hacer visible la ruta de datos para que puedas ver exactamente cómo el prompt entra en el flujo de trabajo, llega al agente y regresa como una respuesta normal.

El flujo de trabajo B mantiene esa misma base y la mejora con un Structured Output Parser más un nodo de código Create invoice. En lugar de devolver un párrafo, el agente devolverá campos predecibles. Esos campos se utilizan entonces para construir un objeto de factura, lo que hace que el resultado sea inmediatamente útil para el resto del flujo de trabajo.

Esa progresión de dos pasos es importante. Primero, ves cómo se comporta el agente en su forma más simple posible. Luego, ves por qué la salida de IA simple es solo la mitad de la historia para la automatización. El verdadero beneficio llega cuando el flujo de trabajo convierte el lenguaje natural en datos estructurados.

Antes de comenzar: requisitos previos y preparación

Antes de construir el flujo de trabajo, ten tres cosas listas:

1. Una instancia n8n en funcionamiento
2. Permiso para crear y editar un flujo de trabajo
3. Credenciales de API de OpenRouter funcionando

Puedes ejecutar la misma lógica en n8n Cloud si lo deseas, pero este artículo se centra en un entorno autohospedado porque es un caso de uso común al estilo AlexHost cuando los equipos quieren más control sobre datos, redes o integraciones privadas.

La fuente práctica para este tutorial se observó en n8n 2.26.8 ejecutándose en un VPS de AlexHost. Si aún necesitas implementar n8n antes de probar la parte de IA, utiliza la guía separada de AlexHost aquí: n8n automation tutorial for Ubuntu: from zero to flow.

📓 Nota: Una pequeña aclaración de terminología antes de continuar: la documentación más reciente puede mostrar el nodo Set como Edit Fields (Set), pero este tutorial mantiene la terminología más simple Set porque es lo que usa la fuente práctica.

La razón por la que este artículo comienza con Manual Trigger + Set en lugar de Chat Trigger es simple: mantiene la entrada explícita, facilita la inspección del mapeo y elimina una capa de confusión para una primera construcción. Estás aprendiendo cómo un nodo AI Agent se ajusta a un flujo de trabajo y cómo ese flujo de trabajo se mueve desde un prompt de forma libre a una salida estructurada y lista para automatización.

Hands-on Part 1: construir el flujo de AI Agent n8n más pequeño posible

Este primer flujo de trabajo prueba el patrón base antes de pedirle que haga algo más útil. Crearás una entrada visible, la pasarás al AI Agent, conectarás un modelo OpenRouter y confirmarás que el flujo de trabajo devuelve una respuesta de texto normal.

1.0 Agregar el nodo de activación y el nodo de entrada

Comienza colocando un nodo Manual Trigger y un nodo Set en el lienzo. Esto mantiene el punto de entrada simple y te da un campo claro para pasar al agente.

En este punto, aún no estás haciendo nada “específico de IA”. Estás preparando una entrada de flujo de trabajo limpia para que el siguiente nodo tenga algo explícito que leer.

1.1 Configurar el nodo Set

Abre el nodo Set, cámbialo a Manual Mapping, crea un campo llamado prompt y pega el texto inicial a continuación. Esto le da al flujo de trabajo un valor visible que luego puedes cambiar por una oración más empresarial.

Hello, who are you?

Lo que esto hace es simple pero importante: en lugar de ocultar el prompt dentro del nodo de IA, lo mantienes en datos normales del flujo de trabajo. Eso hace que la ruta de entrada sea más fácil de entender y reutilizar.

2.0 Colocar el AI Agent y conectar un modelo de chat

Ahora agrega un nodo AI Agent y conecta un OpenRouter Chat Model a su entrada Chat Model. En términos para principiantes, las entradas visibles significan esto: Chat Model es el modelo que el agente usa para responder, Memory es contexto opcional que persiste entre turnos, y Tool es la conexión opcional que permite que el agente llame a capacidades externas. En este primer flujo de trabajo, solo el modelo está conectado porque el objetivo es entender el patrón de trabajo más pequeño.

Una vez que esto esté en su lugar, la división de roles se vuelve visible: el flujo de trabajo lleva la entrada y el agente manejará el paso de interpretación.

2.1 Configurar el modelo OpenRouter

Selecciona tu credencial de cuenta OpenRouter y elige el mismo modelo que se muestra en el flujo de trabajo de origen: deepseek/deepseek-v4-flash. No necesitas ajustes adicionales para este primer paso.

📝 Nota: Los modelos disponibles de OpenRouter pueden variar según la cuenta, aunque el ejemplo de fuente de verdad aquí usa deepseek/deepseek-v4-flash.

Si tu cuenta muestra una lista diferente, el patrón del flujo de trabajo sigue siendo más importante que el nombre exacto del modelo.

3.0 Mapear el campo prompt en el AI Agent

Conecta la salida del nodo Set al AI Agent, establece Source for Prompt (User Message) en Define below y mapea el valor del flujo de trabajo al campo de prompt usando la expresión a continuación. Esto le dice al agente que lea el valor prompt de los datos anteriores en lugar de usar un mensaje codificado dentro del nodo.

{{ $json.prompt }}

Ese mapeo es el puente clave entre datos normales de n8n y el paso de IA. Una vez que lo entiendas, el resto del tutorial se vuelve mucho más fácil de seguir.

3.1 Ejecutar el flujo de trabajo

Ejecuta el flujo de trabajo para que los datos se muevan a través de la cadena completa: Manual Trigger -> Set -> AI Agent -> OpenRouter Chat Model. Estás verificando no solo que el modelo responda, sino que el flujo de trabajo pase el prompt limpiamente de un nodo al siguiente.

Si la ejecución tiene éxito, ahora tienes prueba de que el agente puede consumir datos del flujo de trabajo en lugar de solo escribir libremente dentro de su propia interfaz.

3.2 Revisar la respuesta

Abre la salida e inspecciona el resultado. En esta etapa, el AI Agent devuelve una respuesta de texto normal al prompt. Ese es el patrón básico en su forma más simple: entrada de prompt, salida de respuesta.

Ese primer flujo de trabajo es importante porque prueba la tubería. También muestra la limitación claramente: un párrafo está bien para la interacción, pero es incómodo para la automatización posterior. El siguiente paso es donde el flujo de trabajo se vuelve mucho más útil.

Parte práctica 2: convertir la respuesta en datos de flujo de trabajo estructurado

Ahora mantenemos el mismo flujo de trabajo base y cambiamos el objetivo. En lugar de pedirle al agente una respuesta general, le pediremos que extraiga campos predecibles que el siguiente nodo pueda usar como JSON normal.

4.0 Cambiar el prompt y requerir un formato específico

Vuelve al nodo Set y reemplaza el saludo casual con la oración de estilo empresarial que se muestra a continuación. Luego activa Require Specific Output Format en el AI Agent para que el flujo de trabajo deje de apuntar a prosa y comience a apuntar a extracción estructurada.

A new client named John bought a gpu server on 01/06/2026

Este es el momento en que el caso de uso se vuelve real. La oración contiene datos que un humano entiende instantáneamente, y el flujo de trabajo ahora está siendo entrenado para devolver esos datos en una forma utilizable por máquinas.

4.1 Agregar un analizador de salida estructurada

Conecta un Structured Output Parser a la entrada Output Parser del AI Agent. Este analizador es lo que le da al modelo una estructura objetivo en lugar de permitirle responder en texto libre.

📝 Nota: El Structured Output Parser es una buena opción para esta primera demostración, pero la orientación oficial de n8n señala que el análisis directo en agentes puede ser menos confiable en flujos de trabajo más avanzados. Para este patrón para principiantes, sigue siendo el paso de enseñanza correcto porque hace que el cambio de forma de datos sea fácil de ver.

La idea importante no es el nodo adicional en sí. Es que estás convirtiendo “respuesta de IA” en “contrato de flujo de trabajo”.

4.2 Definir el esquema de salida a partir de un ejemplo JSON

En el analizador, establece Schema Type en Generate From JSON Example y usa el ejemplo exacto que se muestra a continuación. Esto le da al agente un esquema claro con los tres campos que el flujo de trabajo espera recuperar.

{
  "name": "Alex",
  "product": "VPS hosting",
  "date": "21/6/2026"
}

Una vez que definas ese ejemplo, ya no le estás pidiendo al modelo que “diga algo útil”. Le estás pidiendo que devuelva una estructura predecible con name, product y date.

4.3 Verificar el resultado estructurado

Ejecuta el flujo de trabajo nuevamente e inspecciona la salida del AI Agent. Esta vez, el resultado debe volver como campos en lugar de un párrafo.

Ese cambio de forma es la verdadera mejora. La salida estructurada no es solo un formato más bonito. Es lo que hace que el resultado sea lo suficientemente confiable para que la lógica posterior lo consuma sin adivinar.

4.4 Usar los campos analizados en un nodo JavaScript de factura

Ahora pasa el resultado a un nodo JavaScript Create invoice. El detalle clave de fuente de verdad en este tutorial es que el objeto analizado se lee desde $input.first().json.output, lo que significa que el código está consumiendo la salida del agente estructurado directamente.

// Input data
const order = $input.first().json.output

// Parse the order date
const [day, month, year] = order.date.split("/");
const orderDate = new Date(`${year}-${month}-${day}`);

// Generate a pseudo unique invoice ID (8 chars)
function generateId() {
  return Math.random().toString(36).substring(2, 10);
}
const invoiceId = generateId();

// Calculate payment due date (7 days later)
const dueDate = new Date(orderDate);
dueDate.setDate(orderDate.getDate() + 7);

// Build invoice record
const invoice = {
  invoice_id: invoiceId,
  customer: order.name,
  product: order.product,
  order_date: orderDate.toISOString().split("T")[0],
  due_date: dueDate.toISOString().split("T")[0],
  status: "Pending"
};

// Print invoice
console.log("Invoice Generated:");
for (const [key, value] of Object.entries(invoice)) {
  console.log(`${key}: ${value}`);
}

// If inside n8n Function node, return JSON
return [{ json: invoice }];

Aquí es donde el flujo de trabajo deja de comportarse como una demostración de chat y comienza a comportarse como automatización. El agente extrajo los campos, y el siguiente nodo los usó exactamente como cualquier otra entrada estructurada.

4.5 Revisar los datos de factura generados

Abre la salida final e inspecciona el objeto de factura. Deberías ver campos utilizables como invoice_id, customer, product, order_date, due_date y status.

Ese es el ciclo de vida completo hacia el que el artículo ha estado construyendo: oración en lenguaje natural -> extracción estructurada -> registro de factura. Una vez que el resultado tiene esa forma, el flujo de trabajo puede pasarlo a pasos posteriores con la misma confiabilidad que cualquier otra carga útil JSON.

Lo que estos dos primeros flujos de trabajo realmente demuestran

En conjunto, los dos flujos de trabajo muestran dos patrones diferentes para el n8n AI Agent. El primer patrón es prompt-respuesta simple: el agente recibe texto y responde con texto. El segundo patrón es extracción estructurada: el agente recibe lenguaje humano desordenado y devuelve campos que el flujo de trabajo puede usar realmente.

Esa diferencia importa porque la actualización se trata de capacidad, no de cosméticos. La generación de texto ayuda con la interacción. La extracción estructurada ayuda con la automatización. El segundo patrón es lo que convierte el paso de IA de “interesante” a operacionalmente útil.

La tabla a continuación resume ese cambio:

Una vez que entiendas esa ruta de actualización, el ejemplo de factura deja de ser “un tutorial de facturas” y se convierte en un patrón de flujo de trabajo reutilizable. El mismo enfoque puede potenciar la captura de clientes potenciales, la ingesta de soporte, el análisis de pedidos, el enriquecimiento de tickets o el enrutamiento de solicitudes internas. En cada caso, el objetivo es el mismo: convertir lenguaje natural en datos estructurados, luego dejar que los nodos de flujo de trabajo deterministas hagan el resto.

Qué probar a continuación después de este primer caso de uso

El paso más seguro no es la autonomía, sino mantener el patrón acotado e ir actualizando una variable a la vez. Cambia Manual Trigger por Chat Trigger o Webhook cuando necesites entrada entrante. Añade memoria solo cuando la continuidad importa. Adjunta herramientas solo cuando el agente debe buscar algo o actuar más allá del nodo. Luego añade validación o aprobación si los resultados tocan sistemas reales.

El auto-alojamiento se vuelve crítico cuando los flujos de trabajo necesitan entradas privadas, acceso a servicios internos, tiempo de actividad predecible o control más estricto—aquí la infraestructura VPS estilo AlexHost es parte del diseño, no solo de fondo. Para el despliegue, la misma guía de AlexHost cubre la configuración: tutorial de automatización n8n para Ubuntu: de cero a flujo.

📝 Nota: La regla orientadora: heurística del sistema más pequeño. Si la extracción estructurada resuelve el problema, detente ahí. No añadas memoria, herramientas o autonomía a menos que el flujo de trabajo realmente las requiera.

Comienza con un caso de uso acotado, no con la exageración de la autonomía

La automatización rígida generalmente se rompe en el momento en que entra información humana desordenada en el sistema. Esa es la brecha en la que se enfocó este artículo. Ahora tienes tanto el modelo mental como un patrón funcional: el n8n AI Agent maneja el paso de interpretación flexible, y el flujo de trabajo circundante convierte ese resultado en algo estructurado y confiable.

Esa es la regla de diseño que vale la pena mantener. Comienza con tareas de interpretación controladas que produzcan datos listos para el flujo de trabajo. Expande hacia memoria, herramientas o activadores más ricos solo cuando el flujo de trabajo real los necesite — no porque la palabra “agent” haga que una autonomía mayor suene más impresionante.