# RAG con n8n: cómo crear un chatbot inteligente que use tus propios datos > Aprende a crear un chatbot con RAG usando n8n. Conecta tus documentos y crea un asistente IA que responde con información real de tu empresa. - URL: https://va360.academy/ventajas-de-tener-un-agente-de-ia-con-rag-en-tu-web-para-mejorar-la-atencion-al-cliente/ - Autor: Valentín Ayesa, Consultor y formador en automatización e inteligencia artificial (https://va360.academy/valentin-ayesa/) - Publicado: 10 de enero de 2025 · Actualizado: 8 de noviembre de 2026 - Publicación: VA360 Academy (https://va360.academy) - Área: [Agentes de IA](https://va360.academy/cursos/categoria/agentes/) - Cursos relacionados: [Curso de Agentes de IA: de cero a experto](https://va360.academy/cursos/agentes-ia.md), [Curso de n8n 2.0: automatizaciones de cero a experto](https://va360.academy/cursos/n8n.md) Imagina que puedes crear un **chatbot** que no solo responda preguntas genéricas, sino que conozca **toda la documentación de tu empresa**, tus productos, tus procesos internos y hasta las respuestas que tu equipo de soporte ha dado durante años. Eso es exactamente lo que permite **RAG (Retrieval Augmented Generation)**, y lo mejor es que puedes implementarlo sin ser programador gracias a **n8n**. Si alguna vez has probado **ChatGPT** o **Claude** y has pensado “esto está muy bien, pero no sabe nada de mi negocio”, entonces **RAG es la solución que estabas buscando**. En esta guía te voy a explicar paso a paso cómo construir un **chatbot inteligente con RAG y n8n**, desde la preparación de tus documentos hasta la conexión con **WhatsApp**, tu web o el canal que prefieras. Y no, no necesitas saber programar. Con **n8n** y un poco de paciencia, cualquier persona puede montar un sistema **RAG funcional en unas pocas horas**. Vamos a ello. ### Qué es RAG y por qué cambia las reglas del juego **RAG** es una de las técnicas más potentes del mundo de la **inteligencia artificial aplicada** en **2026**. Antes de entrar en la parte técnica, vamos a entender por qué es tan importante y qué problema resuelve. #### El problema de los chatbots genéricos Los **modelos de lenguaje** como **GPT-4o**, **Claude 4** o **Gemini 2.0** son increíblemente potentes para generar texto, responder preguntas y mantener conversaciones. Sin embargo, tienen un problema fundamental: **no conocen tu negocio**. No saben qué productos vendes, cuáles son tus políticas de devolución, qué dice tu documentación técnica ni cómo funciona tu proceso de onboarding. Cuando le preguntas a un **chatbot genérico** sobre tu empresa, puede hacer dos cosas: **inventarse la respuesta** (lo que llamamos “alucinación”) o simplemente decir que no tiene esa información. Ninguna de las dos opciones es útil para tus clientes o tu equipo. Y aquí es donde entra **RAG**: una técnica que permite a los **LLMs** acceder a **tus propios datos** antes de generar una respuesta, eliminando las alucinaciones y ofreciendo respuestas **precisas y contextualizadas**. #### Cómo funciona RAG (Retrieval Augmented Generation) **RAG** funciona en **tres fases** principales. Primero, tus documentos se dividen en **fragmentos pequeños** y se convierten en **vectores numéricos** (embeddings) que se almacenan en una **base de datos vectorial**. Segundo, cuando un usuario hace una pregunta, esa pregunta también se convierte en un **vector** y se buscan los **fragmentos más relevantes** en tu base de datos. Tercero, esos fragmentos se envían junto con la pregunta al **modelo de IA**, que genera una respuesta basada en **tu información real**. En resumen: **Retrieval** (buscar la información relevante) + **Augmented** (enriquecer el prompt con esa información) + **Generation** (generar la respuesta final). Es un proceso elegante que combina lo mejor de la **búsqueda semántica** con el **poder generativo de los LLMs**. Las tres fases del proceso RAG: indexación, retrieval y generation #### Por qué n8n es ideal para implementar RAG **[n8n](https://va360.academy/que-es-n8n-ventajas-y-usos-principales-de-esta-herramienta-de-automatizacion/)** se ha convertido en la **herramienta preferida** para implementar sistemas **RAG** por varias razones. Primero, su **interfaz visual** permite construir flujos complejos sin escribir código. Segundo, tiene **nodos nativos** para conectar con **OpenAI**, **Anthropic (Claude)**, **Pinecone**, **Qdrant**, **Supabase** y muchas más herramientas de IA. Tercero, al ser **open-source**, puedes **autoalojarlo** y mantener el control total de tus datos. Además, **n8n** incluye desde **2025** un sistema de **AI Agent** que facilita enormemente la creación de **chatbots con RAG**. No necesitas ser un experto en **machine learning**; con los nodos adecuados y la configuración correcta, puedes tener tu **chatbot RAG funcionando en horas**. ### Qué necesitas para crear un chatbot RAG con n8n Antes de empezar a construir, asegúrate de tener preparados estos **cuatro elementos esenciales**. No te preocupes, te explico cada uno en detalle. #### Una instancia de n8n Necesitas tener **n8n** funcionando, ya sea en **n8n Cloud** (la opción más sencilla) o **autoalojado** en un servidor propio con **Docker**. Si estás empezando, te recomiendo **n8n Cloud** porque te ahorras toda la configuración del servidor. Si quieres aprender a instalarlo desde cero, en nuestro **[curso de n8n 2026](https://va360.academy/cursos/n8n/)** cubrimos ambas opciones con detalle. #### Documentos o base de conocimiento Esta es la materia prima de tu **chatbot RAG**. Pueden ser **PDFs**, **páginas web**, **documentos de Google Drive**, **archivos de Notion**, **manuales técnicos** o cualquier texto que contenga la información que quieres que tu chatbot conozca. Cuanto más organizada y completa sea tu **base de conocimiento**, mejores serán las respuestas. #### Un modelo de IA (OpenAI, Claude o Gemini) Necesitas un **modelo de lenguaje** para dos cosas: generar los **embeddings** (representaciones vectoriales de tus documentos) y generar las **respuestas finales**. Las opciones más populares en **2026** son **OpenAI (GPT-4o)**, **Anthropic (Claude 4)** y **Google (Gemini 2.0)**. Cada uno tiene sus ventajas en términos de **precio**, **precisión** y **velocidad**. #### Un vector store (Pinecone, Qdrant o Supabase) El **vector store** es la base de datos especializada donde se almacenan los **embeddings** de tus documentos. Las opciones más utilizadas con **n8n** son **Pinecone** (cloud, muy fácil de configurar), **Qdrant** (open-source, autoalojable) y **Supabase** con la extensión **pgvector**. Para empezar, **Pinecone** tiene un **plan gratuito** generoso que es perfecto para pruebas. ### Paso 1 – Preparar y vectorizar tus documentos El primer paso es el más importante: **preparar tus documentos** para que el sistema RAG pueda trabajar con ellos. Este proceso se llama **indexación** y consta de tres fases. #### Formatos soportados (PDF, web, Google Drive) **n8n** puede trabajar con múltiples **formatos de documentos** gracias a sus nodos especializados. Los más comunes son: - **PDFs**: usando el nodo **Extract from File** para extraer el texto - **Páginas web**: con el nodo **HTTP Request** y **HTML Extract** para hacer scraping - **Google Drive**: conexión directa con **Google Docs** y **Google Sheets** - **Notion**: a través de la **API de Notion** puedes extraer páginas completas - **Bases de datos**: conectando con **MySQL**, **PostgreSQL** o cualquier base de datos Lo importante es que todo el contenido termine convertido en **texto plano** antes de pasar a la siguiente fase. **n8n** facilita esta conversión con nodos específicos para cada formato. #### Chunking: dividir documentos en fragmentos El **chunking** es el proceso de dividir tus documentos en **fragmentos más pequeños**. ¿Por qué? Porque los **modelos de IA** tienen un límite de **tokens** (contexto) y porque es mucho más eficiente buscar en fragmentos específicos que en documentos completos. Las estrategias de **chunking** más efectivas son: - **Chunking por tamaño fijo**: fragmentos de **500-1000 tokens** con solapamiento de **100-200 tokens** - **Chunking por párrafos**: dividir por párrafos naturales del documento - **Chunking semántico**: usar IA para detectar cambios de tema y dividir inteligentemente En **n8n**, el nodo **Text Splitter** (dentro del módulo AI) permite configurar el tamaño de los fragmentos y el **solapamiento (overlap)**, que es crucial para no perder contexto entre fragmentos. Un buen punto de partida es usar **chunks de 800 tokens** con un **overlap de 200**. Configuración del chunking en n8n con el nodo Text Splitter #### Generar embeddings y almacenarlos Una vez que tienes tus **fragmentos de texto**, necesitas convertirlos en **vectores numéricos** (embeddings). Estos vectores son representaciones matemáticas que capturan el **significado semántico** del texto. Así, cuando un usuario pregunte algo, el sistema puede encontrar los fragmentos más **relevantes semánticamente**, no solo los que contienen las mismas palabras. En **n8n**, puedes usar el nodo **Embeddings OpenAI** (con el modelo **text-embedding-3-small**, que es barato y eficaz) o el nodo **Embeddings Google** para generar los vectores. Después, el nodo **Vector Store Insert** los almacena en tu base de datos vectorial elegida (**Pinecone**, **Qdrant** o **Supabase**). El flujo completo de indexación en **n8n** sería: **Trigger manual** → **Leer documentos** → **Extraer texto** → **Text Splitter** → **Embeddings** → **Vector Store Insert**. Una vez ejecutado, tus documentos estarán listos para ser consultados. ### Paso 2 – Construir el flujo RAG en n8n Ahora viene la parte más emocionante: construir el **flujo RAG** que procesará las preguntas de los usuarios y generará respuestas inteligentes basadas en **tus propios datos**. #### Recibir la pregunta del usuario El primer nodo de tu flujo debe ser un **trigger** que reciba la pregunta. Dependiendo del canal, usarás: - **Webhook**: para recibir preguntas desde tu **web** o cualquier aplicación externa - **n8n Chat Trigger**: el widget de chat integrado de **n8n**, perfecto para pruebas - **Telegram/WhatsApp Trigger**: para chatbots en **mensajería instantánea** Lo importante es que la pregunta del usuario llegue como una **cadena de texto** que puedas pasar a los siguientes nodos. Si vienes de nuestro **[curso de n8n](https://va360.academy/cursos/n8n/)**, ya sabrás cómo configurar estos triggers. #### Buscar documentos relevantes (retrieval) Una vez que tienes la pregunta, necesitas buscar los **fragmentos más relevantes** en tu **vector store**. En **n8n**, esto se hace con el nodo **Vector Store Retriever**, que convierte la pregunta en un **embedding** y busca los fragmentos más similares. Los parámetros clave que debes configurar son: - **Top K**: cuántos fragmentos recuperar (normalmente entre **3 y 5**) - **Score threshold**: umbral mínimo de **similitud** para incluir un fragmento - **Metadata filters**: filtros adicionales por **categoría**, **fecha** u otros metadatos Un **Top K de 4** suele ser un buen equilibrio entre tener suficiente contexto y no sobrecargar el prompt del **modelo de IA**. Flujo RAG completo en el editor visual de n8n #### Generar respuesta con contexto (generation) La fase final es la **generación**. Los fragmentos recuperados se insertan en el **prompt del sistema** junto con la pregunta del usuario, y el **modelo de IA** genera una respuesta basada en esa información. En **n8n**, el nodo **AI Agent** maneja todo esto de forma integrada. El **prompt del sistema** es crucial para obtener buenas respuestas. Un ejemplo efectivo sería: “Eres un asistente de atención al cliente de [empresa]. Responde únicamente basándote en el contexto proporcionado. Si no encuentras la información, di que no la tienes y sugiere contactar con soporte. Sé amable y conciso.” Este prompt garantiza que el **chatbot** no invente respuestas y mantiene un tono profesional. Puedes personalizarlo según las necesidades de tu **negocio**. ### Paso 3 – Conectar con WhatsApp, web o email Un **chatbot RAG** no sirve de nada si los usuarios no pueden acceder a él. Aquí tienes las **opciones más populares** para desplegar tu chatbot: **Widget web con n8n Chat**: **n8n** incluye un widget de chat que puedes incrustar en cualquier **página web** con un simple código JavaScript. Es la opción más rápida para empezar y no requiere ninguna herramienta adicional. **WhatsApp Business API**: conectando con la **API de WhatsApp Business** a través de proveedores como **360dialog** o **Twilio**, puedes tener tu chatbot respondiendo por **WhatsApp**. Es ideal para **atención al cliente** porque tus clientes ya están en WhatsApp. **Telegram**: una opción **gratuita** y muy fácil de configurar. El nodo de **Telegram** en **n8n** permite crear un bot en minutos. **Email**: puedes configurar un flujo que monitorice una **bandeja de entrada**, procese las preguntas con **RAG** y envíe respuestas automáticas. Perfecto para **soporte técnico** que funciona **24/7**. Si quieres explorar más integraciones, en el **[curso de Agentes IA](https://va360.academy/cursos/agentes-ia/)** enseñamos cómo conectar chatbots con **múltiples canales** simultáneamente. ### Paso 4 – Mejorar la precisión del chatbot Tu primer **chatbot RAG** funcionará, pero seguramente necesitará ajustes para dar respuestas realmente buenas. Aquí tienes las **tres áreas clave** para mejorar la precisión. #### Ajustar el chunking El tamaño de los **chunks** tiene un impacto enorme en la calidad de las respuestas. **Chunks demasiado pequeños** pueden perder contexto importante. **Chunks demasiado grandes** pueden incluir información irrelevante que confunda al modelo. Experimenta con diferentes tamaños: **500**, **800**, **1200 tokens**, y evalúa cuál da mejores resultados con tus documentos específicos. También es importante el **overlap** (solapamiento). Un overlap de **20-25%** del tamaño del chunk suele funcionar bien para mantener la coherencia entre fragmentos contiguos. #### Mejorar los prompts del sistema El **prompt engineering** es un arte que marca la diferencia entre un chatbot mediocre y uno excelente. Algunas técnicas que funcionan muy bien: - Definir un **rol claro** para el chatbot (experto en producto, soporte técnico, asesor comercial) - Incluir **instrucciones específicas** sobre el tono y la extensión de las respuestas - Añadir **ejemplos de respuestas ideales** (few-shot prompting) - Indicar explícitamente que **no invente información** si no la encuentra en el contexto #### Añadir fallback a humano Ningún **chatbot** puede responder todas las preguntas. Es fundamental implementar un **sistema de escalado a humano** cuando el bot no puede ayudar. En **n8n**, puedes detectar cuándo la confianza es baja (por ejemplo, cuando el **score de similitud** es inferior a un umbral) y enviar automáticamente una **notificación a tu equipo** por **Slack**, **email** o cualquier otro canal. Esta combinación de **automatización + intervención humana** es la clave para ofrecer una **experiencia de soporte excepcional**. Implementación de fallback a humano en el flujo RAG de n8n ### Ejemplo real: chatbot RAG para documentación interna Vamos a ver un **caso práctico** que implementamos en **VA360 Academy**: un chatbot que responde preguntas sobre **documentación interna de procesos**. Este ejemplo te servirá como referencia para tu propio proyecto. **El problema**: el equipo pasaba **horas semanales** buscando información en documentos de **Google Drive** y respondiendo las mismas preguntas una y otra vez. La documentación existía, pero encontrar la respuesta correcta llevaba demasiado tiempo. **La solución**: un chatbot RAG construido con **n8n** que indexó **más de 200 documentos** de Google Drive, manuales PDF y páginas de Notion. El chatbot se conectó a **Slack** y a un **widget web** para que cualquier miembro del equipo pudiera hacer preguntas. **Los resultados**: - Reducción del **70%** del tiempo dedicado a buscar información - **Precisión del 90%** en las respuestas del chatbot - **Respuesta inmediata** frente a los minutos u horas anteriores - **Coste mensual inferior a 30€** (API de OpenAI + Pinecone gratuito) La configuración técnica fue: **n8n Cloud** + **OpenAI text-embedding-3-small** para embeddings + **GPT-4o mini** para generación + **Pinecone** como vector store. El flujo de indexación se ejecuta **automáticamente cada noche** para detectar documentos nuevos o actualizados. Este es exactamente el tipo de proyecto que enseñamos paso a paso en nuestros cursos. Si quieres replicar algo así en tu empresa, el **[curso de Agentes IA](https://va360.academy/cursos/agentes-ia/)** es el lugar perfecto para empezar. Y si quieres acceder a todos los cursos de **automatización**, **agentes IA**, **n8n** y más, el **[Máster en Automatizaciones y Agentes IA](https://va360.academy/master-en-automatizaciones-y-agentes-de-ia/)** te da **acceso de por vida** a todo el contenido con un solo pago. Es la inversión más rentable que puedes hacer si quieres dominar estas tecnologías. Resultados del chatbot RAG en producción ### Aprende RAG y agentes IA en VA360 Academy Si has llegado hasta aquí, ya tienes una **visión completa** de cómo funciona un **chatbot RAG con n8n**. Pero implementarlo correctamente requiere práctica y conocimiento profundo de las herramientas. En **[VA360 Academy](https://va360.academy/)** te enseñamos todo lo que necesitas para pasar de la teoría a la práctica. Nuestros cursos están diseñados por **Valentín Ayesa**, **embajador oficial de n8n en España**, y ya han formado a **más de 2.000 alumnos**. No importa si eres principiante o si ya tienes experiencia con automatizaciones; tenemos el contenido adecuado para ti. Estas son las formaciones más relevantes para **RAG y agentes IA**: - **[Curso de n8n 2026](https://va360.academy/cursos/n8n/)**: domina n8n desde cero, incluyendo los nodos de IA - **[Curso de Agentes IA](https://va360.academy/cursos/agentes-ia/)**: aprende a crear agentes inteligentes con RAG, tools y memory - **[Máster en Automatizaciones](https://va360.academy/master-en-automatizaciones-y-agentes-de-ia/)**: acceso a todos los cursos con actualización de por vida - **[Masterclass gratuita](https://va360.academy/masterclass-gratuita-de-automatizaciones/)**: empieza gratis y descubre el potencial de la automatización Además, puedes unirte a nuestra **[comunidad gratuita](https://va360.academy/comunidad/)** donde compartimos recursos, resolvemos dudas y publicamos actualizaciones sobre las últimas novedades de **n8n**, **IA** y **automatización**. ### Preguntas frecuentes #### Qué precisión tiene un chatbot RAG? La **precisión de un chatbot RAG** depende directamente de la **calidad de tus documentos**, la estrategia de **chunking** y los **prompts del sistema**. En nuestra experiencia, un sistema **RAG bien configurado** alcanza una precisión del **85-95%** en las respuestas. La clave está en iterar: analizar las respuestas incorrectas, ajustar el chunking, mejorar los prompts y enriquecer la base de conocimiento. Con **n8n**, este proceso de mejora continua es muy sencillo porque puedes modificar el flujo y probar cambios en minutos. #### Puedo usarlo con documentos privados de forma segura? Sí, la **seguridad** es uno de los puntos fuertes de implementar **RAG con n8n**. Si usas **n8n autoalojado**, tus documentos nunca salen de tu servidor excepto cuando se envían a la **API del modelo de IA** para generar embeddings o respuestas. Puedes usar **Qdrant autoalojado** como vector store para mantener todo en tu infraestructura. Si la **privacidad** es crítica, también puedes usar **modelos locales con Ollama** para que absolutamente nada salga de tu servidor. Ten en cuenta que **OpenAI** y **Anthropic** no usan los datos de sus APIs para entrenar modelos, lo que ofrece un nivel de **privacidad** aceptable para la mayoría de casos empresariales. #### Cuánto cuesta mantener un chatbot RAG? El **coste mensual** de un chatbot RAG depende del volumen de consultas y del modelo que uses. Para darte una referencia: con **1.000 consultas mensuales** usando **GPT-4o mini** y **Pinecone gratuito**, el coste ronda los **5-15€ al mes** solo en API. Si usas **n8n Cloud**, añade el coste de la suscripción (**desde 20€/mes**). Si autoalojas **n8n**, el coste es el del servidor (**desde 5€/mes en un VPS**). En total, puedes tener un **chatbot RAG profesional por 25-50€ al mes**, lo cual es increíblemente barato comparado con los miles de euros que cuestan las soluciones SaaS específicas. #### RAG vs fine-tuning: cuál es mejor? **RAG y fine-tuning** son técnicas complementarias, pero para la mayoría de casos de uso empresarial, **RAG es claramente superior**. El **fine-tuning** requiere entrenar (o ajustar) un modelo con tus datos, lo cual es caro, lento y difícil de actualizar. **RAG**, en cambio, permite actualizar la información **en tiempo real** simplemente añadiendo nuevos documentos al vector store. Además, **RAG** proporciona **trazabilidad**: puedes ver exactamente qué fragmentos usó el modelo para generar la respuesta, algo imposible con fine-tuning. La única ventaja del **fine-tuning** es cuando necesitas cambiar el **estilo o comportamiento** del modelo de forma muy específica, pero incluso en ese caso, un buen **prompt engineering** suele ser suficiente. Crear un **chatbot RAG con n8n** es una de las mejores formas de llevar la **inteligencia artificial** a tu negocio de forma práctica y con resultados inmediatos. Ya no hay excusas para seguir respondiendo las mismas preguntas una y otra vez o para tener documentación que nadie puede encontrar. Con las herramientas y técnicas que hemos visto en esta guía, tienes todo lo necesario para empezar hoy mismo. Y si quieres ir más rápido y con acompañamiento experto, nos vemos en **[VA360 Academy](https://va360.academy/)**. Tu primer chatbot inteligente está a unas pocas horas de distancia.