Recursos · Integración n8n

Nodo Azure AI Search Vector Store n8nConfigura Azure AI Search Vector Store en n8n.

Azure AI Search guarda tus embeddings y el nodo Azure AI Search Vector Store n8n es la vía hasta él. Dos parámetros de cabecera lo gobiernan: un Operation Mode con 5 opciones, desde insertar documentos hasta exponer el índice como herramienta de un agente, y el Index Name que n8n crea si falta.

Probar el nodo Azure AI Search Vector Store en n8nVer los 2 parámetros

Reseñas verificadas en Trustpilot · Agencia de IA, automatización y growth

Por qué automatizar

¿Para qué sirve el nodo Azure AI Search Vector Store n8n?

Azure AI Search, antes Azure Cognitive Search, es un servicio de búsqueda en la nube con búsqueda vectorial pensada para RAG y búsqueda semántica. Este nodo guarda, recupera y consulta embeddings, o sea la versión numérica de tu texto, junto al contenido y a los metadatos de los que salieron. Funciona como un nodo de acción normal, una vez por cada item que entra, y no tiene puerto de subnodo propio.

Primer caso: una base de conocimiento consultable. Llegan documentos al flujo, un modelo de embeddings los convierte en vectores y el nodo en modo insert los sube al índice. El Batch Size marca cuántos documentos viajan por lote hacia Azure AI Search, algo que empieza a notarse en cuanto los archivos se alargan. Ningún otro paso necesita conocer el esquema del índice, porque el nodo lo crea si falta.

Segundo caso: responder preguntas desde un agente. Pon el Operation Mode en retrieve-as-tool y el índice pasa a ser una herramienta que el AI Agent llama por su cuenta. Los campos Name y Description son lo que lee el modelo para decidir si la herramienta encaja con la pregunta, así que una descripción vaga da un agente que nunca busca. El modelo de chat lo pones desde OpenAI, Anthropic o Google Gemini, según de qué proveedor tengas ya la clave.

Tercer caso: una consulta puntual y ordenada por relevancia. En modo load el nodo toma un Prompt, ordena los documentos por similitud y pasa el resultado al paso siguiente, sea un mensaje de Slack o una fila añadida en Google Sheets. Include Metadata decide si los metadatos del documento acompañan al texto.

¿Cuándo elegir otra cosa? Si los documentos nunca cambian y siempre consultas los mismos, una búsqueda directa en una tabla sale más barata de ejecutar que un índice. El vector store gana sentido cuando la similitud importa más que la coincidencia exacta, o cuando un agente tiene que buscar sin que tú escribas la consulta.

Vale la pena leer los límites antes de comprometerte. El nombre del índice distingue mayúsculas de minúsculas. La salida de tu modelo de embeddings tiene que coincidir con las dimensiones vectoriales del índice, o la inserción falla por desajuste de dimensiones. Las escrituras exigen la clave de API de administración, una clave de consulta solo lee. Y el nodo cubre lo que exponen sus 2 parámetros de cabecera, nada más: administrar el índice, tocar el esquema o crear el servicio se queda en el portal de Azure.

Conexión

¿Qué hay que conectar antes de que el nodo funcione?

  1. 01

    Crea el servicio de búsqueda en Azure

    Del lado de Azure hay tres requisitos: una suscripción de Azure, un servicio Azure AI Search en marcha dentro de ella y la autenticación por clave de API configurada en ese servicio. Cuando el servicio existe, expone un endpoint con la forma https://tu-servicio.search.windows.net, y esa URL es lo que pide n8n. Nada de esto lo crea n8n, así que empieza en el portal de Azure y vuelve con el endpoint anotado.

  2. 02

    Elige la clave de API correcta

    Azure AI Search reparte dos tipos de clave y la elección no es un detalle. La clave de administración cubre las escrituras, es decir insert y update. La clave de consulta es de solo lectura y basta para load, retrieve y retrieve-as-tool. Muchos fallos de inserción que parecen problema de esquema son una clave sin permiso de escritura.

  3. 03

    Guarda la credencial una sola vez en n8n

    En n8n, la credencial de Azure AI Search, o sea el juego de datos de acceso guardado una vez, se crea desde el menú Credentials con el endpoint y la clave, y luego la reutilizan todos los flujos. Vale igual en n8n Cloud que en una instancia autoalojada. El nodo no tiene selector Authentication: la autenticación vive solo en la credencial.

Parámetros

¿Qué parámetros tocas y en qué momento?

El nodo Azure AI Search Vector Store tiene 2 parámetros. Para cada uno: el nodo tal como lo configuras en n8n, qué cambia el parámetro y nuestras notas de campo.

01

Operation Mode

mode

Lo que ves en n8n

Notas y casos de uso

Ajusta este selector antes que nada: manda sobre los campos del panel.

Parámetros clave

  • Operation Mode: insert (Insert Documents) escribe documentos, load (Get Many) trae documentos ya ordenados, update (Update Documents) los actualiza por ID, retrieve expone el store a una cadena y retrieve-as-tool a un agente de IA.
  • Name y Description: obligatorios en modo herramienta, los lee el modelo.
  • Prompt: la consulta detrás de la ordenación por similitud, a menudo {{ $json.question }}.
  • Limit, Include Metadata, Rerank Results: cuántos resultados de cabeza vuelven, si los metadatos les acompañan, si se reordenan.
  • ID: el identificador de una entrada de embedding, obligatorio al actualizar.
Casos de uso
un flujo sube de noche las fichas de producto y otro contesta en modo herramienta.
02

Index Name

indexName

Lo que ves en n8n

Notas y casos de uso

El nombre del índice de Azure AI Search que el nodo consulta o alimenta. Se pide en todos los modos, y n8n lo crea automáticamente si no existe: una errata no lanza ningún error, simplemente fabrica en silencio un segundo índice vacío.

Parámetros clave

  • Index Name: una cadena simple, sensible a mayúsculas, que apunta a un índice de tu servicio; déjala fija para una base única, o gobiérnala desde el item con {{ $json.index }} cuando un mismo flujo sirve a varias colecciones.
Casos de uso
un índice por idioma o por cliente, elegido según el item que entra, para que un único flujo de inserción los alimente todos sin ramificar.
Necesitas ayuda

¿Necesitas ayuda para automatizar Azure AI Search Vector Store con n8n?

El equipo te responde directamente.

Cada mensaje lo lee una persona.

FAQ

Las preguntas que vienen después

01¿El nodo Azure AI Search Vector Store n8n viene incluido en n8n?
Sí. Forma parte del paquete de IA de n8n, @n8n/n8n-nodes-langchain, que viene con n8n. No hay nada que instalar ni coste extra del lado de n8n, tanto en n8n Cloud como en una instancia autoalojada en Community Edition con licencia Sustainable Use. Un flujo construido en un sitio se comporta igual en el otro. Lo que sí cuesta dinero está fuera: tu servicio Azure AI Search lo factura Azure, y el proveedor del modelo de embeddings factura sus propias llamadas de API según sus condiciones. n8n no añade nada a ninguna de esas dos facturas.
02¿Qué credencial necesita el nodo?
Una sola, la de Azure AI Search. Autenticas el servicio de búsqueda con tu endpoint, con la forma https://tu-servicio.search.windows.net, y una clave de API de ese mismo servicio. Qué clave depende de lo que haga el flujo: la clave de administración es obligatoria para escribir, insert y update, mientras que la clave de consulta es de solo lectura y cubre los modos de búsqueda. Los requisitos previos son tres: una suscripción de Azure, un servicio Azure AI Search en marcha y la autenticación por clave de API configurada en él. El nodo no tiene selector Authentication, así que la credencial se crea una vez desde el menú Credentials y se reutiliza en todas partes.
03¿Qué límites tiene este nodo?
Expone 2 parámetros de cabecera y ahí acaba su superficie: Operation Mode con sus 5 opciones e Index Name. La administración del índice se queda en Azure, así que el esquema, el nivel de servicio y las políticas de acceso se tocan en el portal. Hay tres fallos que salen una y otra vez. Un nombre de índice que no coincide, porque distingue mayúsculas y uno equivocado crea en silencio un índice vacío. Un desajuste de dimensiones vectoriales, cuando la salida del modelo de embeddings no encaja con el campo vectorial del índice. Y las inserciones que fallan por una clave sin permiso de escritura o por documentos que no cuadran con el esquema. El nodo tampoco tiene puerto de subnodo: se ejecuta sobre cada item que entra.
04¿Qué hay que conectar como mínimo para empezar?
Además de la credencial, un modelo de embeddings cuyas dimensiones de salida coincidan con el índice, y un nombre de índice. Arranca en modo insert con un puñado de documentos y deja que n8n cree el índice: le pone campos vectoriales según tu modelo de embeddings, un grafo HNSW para la búsqueda por similitud con métrica de coseno, y campos de contenido y de metadatos. Mira el resultado en Azure y luego pasa un segundo nodo a modo load con un Prompt para comprobar que el orden tiene sentido. Solo entonces compensa enchufar retrieve-as-tool detrás de un agente, porque una herramienta que no devuelve nada cuesta mucho más de depurar que una consulta que no devuelve nada.
05¿n8n o Make para un flujo con vector store?
Depende de dónde tengan que vivir los datos. Make es una plataforma de automatización alojada, sin opción de autoalojamiento, facturada por operación: un flujo que empuja miles de documentos a un índice tiene un coste que sigue al volumen. n8n corre en n8n Cloud o en tu propia infraestructura, algo que pesa cuando los documentos son sensibles y prefieres que no salgan de tu red, sobre todo al lado de un servicio de Azure alcanzable por endpoint privado. Las dos se montan de forma visual. El reparto honesto: comodidad del alojado frente a control de los datos y del modelo de coste.
Hack'celeration Lab

Recibe nuestros tips de integración cada semana.

Sin spam. Cancela cuando quieras.

Misma plataforma

Otros docs útiles sobre este stack.

Ver todas las integraciones