Recursos · Integración n8n

Nodo Azure OpenAI Chat Model n8nConfigura Azure OpenAI Chat Model en n8n.

Este subnodo entrega a un agente o a una cadena un modelo de chat alojado en Azure. El nodo Azure OpenAI Chat Model n8n expone 10 parámetros: un nombre de despliegue y nueve opciones que regulan longitud, azar y reintentos. Un solo puerto, y nunca se ejecuta por su cuenta.

Probar el nodo Azure OpenAI Chat Model en n8nVer los 10 parámetros

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

Por qué automatizar

¿Para qué sirve el nodo Azure OpenAI Chat Model n8n?

Es un subnodo, es decir, un nodo pequeño que se engancha a otro más grande en lugar de colocarse dentro del flujo. No tiene entrada principal ni salida principal. Lo cuelgas de un AI Agent o de una cadena, señalas un despliegue que corre en tu recurso de Azure, y a partir de ahí toda llamada al modelo pasa por Azure con tu propio credential.

Primer caso: una tienda recibe reseñas y quiere una ficha limpia de cada una. El nodo raíz recoge el texto, el modelo lee, y Response Format puesto en json_object devuelve algo procesable en vez de un párrafo suelto. Justo lo que espera el AI Agent cuando detrás hay un parser de salida.

Segundo caso: informes internos redactados cada lunes. Aquí manda Maximum Number of Tokens, que pone tope a la longitud de la respuesta. Demasiado bajo, el texto se corta a mitad de frase. Un Sampling Temperature algo más alto varía la redacción; cerca de cero, el modelo se vuelve determinista y repetitivo.

Tercer caso, la prospección personalizada. Las filas llegan de Google Sheets, el agente escribe un mensaje por fila, y el resultado sale por Gmail, como borrador listo para revisar. En un lote largo, Max Retries y Timeout (Ms) deciden si una llamada lenta tumba todo el proceso.

¿Cuándo elegir otra cosa? Este nodo solo tiene sentido si el despliegue vive en Azure. Con una clave de la API pública, el camino natural es el lado OpenAI del catálogo, y un modelo alcanzado a través de un producto de búsqueda como Perplexity corresponde a otro nodo distinto. El criterio es dónde está alojado el despliegue, no la calidad.

Los límites conocidos son tres. Un nodo apunta a un despliegue cada vez: cambiar de modelo es cambiar el valor de Model (Deployment) Name. La variable de entorno NO_PROXY no está soportada. Y sin nodo raíz conectado al puerto no ocurre nada. Para situar la herramienta entera, la Reseña n8n hace el recorrido.

Conexión

¿Qué credential necesita el nodo?

  1. 01

    Elige el método de autenticación

    Abre el nodo y mira Authentication. Hay dos valores: azureOpenAiApi, mostrado como API Key, y azureEntraCognitiveServicesOAuth2Api, mostrado como Azure Entra ID (OAuth2). El primero es el camino rápido para un flujo suelto. El segundo encaja en una organización que ya gestiona sus accesos de forma centralizada y prefiere no hacer circular una clave en bruto.

  2. 02

    Crea el credential una sola vez

    Un credential es un conjunto de secretos guardado dentro de n8n, aparte del flujo. Créalo desde el menú Credentials, en coherencia con el método elegido en el nodo. Una vez guardado se reutiliza: cualquier otro flujo que apunte al mismo despliegue de Azure usa la misma entrada, y rotar el secreto se hace en un único sitio.

  3. 03

    Nombra el despliegue y prueba

    Rellena Model (Deployment) Name con el nombre del despliegue tal como existe en Azure, por ejemplo gpt-4 o gpt-35-turbo. Engancha el nodo a un nodo raíz y ejecuta ese nodo raíz. Si falla en ese momento, casi siempre es el nombre del despliegue o el credential, rara vez el modelo.

Conexiones

¿Dónde se conecta este nodo?

n8n reparte el trabajo de IA entre un nodo raíz, colocado en el flujo y que recibe los items, y subnodos enganchados a sus puertos, un tipo de subnodo por puerto.

Salida (dónde se conecta)

  • Modelai_languageModel
01ModelÚnico puerto que usa este nodo. Lleva el modelo de lenguaje al que el nodo raíz llama cada vez que necesita generar texto. Arrastra desde el conector Model bajo el nodo raíz y elige Azure OpenAI Chat Model.

Único puerto que usa este nodo. Lleva el modelo de lenguaje al que el nodo raíz llama cada vez que necesita generar texto. Arrastra desde el conector Model bajo el nodo raíz y elige Azure OpenAI Chat Model.

Parámetros clave

  • Required: un nodo raíz con el puerto Model vacío no puede ejecutarse, porque no tiene a quién mandar el prompt.
  • AI Agent: la raíz conversacional, que llama al modelo en cada paso de razonamiento.
  • Basic LLM Chain: un prompt, una respuesta, sin herramientas enganchadas.
  • Summarization Chain: traga documentos largos y deja al modelo el trabajo de condensar.
Casos de uso
un mismo despliegue de Azure alimenta un agente en un flujo y una Summarization Chain en otro, con un solo credential.
Parámetros

¿Qué cambia cada parámetro?

El nodo Azure OpenAI Chat Model tiene 10 parámetros. Para cada uno: el nodo tal como lo configuras en n8n, qué cambia el parámetro y nuestras notas de campo.

01

Authentication

authentication

Lo que ves en n8n

Notas y casos de uso

Este selector define cómo demuestra n8n ante Azure que puede llamar al despliegue. Conviene ajustarlo primero, porque la lista de credentials que aparece debajo se filtra según esta elección.

Parámetros clave

  • Authentication: azureOpenAiApi (API Key) guarda una clave directamente, y azureEntraCognitiveServicesOAuth2Api (Azure Entra ID (OAuth2)) delega el acceso en Entra ID.
Casos de uso
un equipo que prohíbe claves de larga duración pasa todos sus nodos de modelo a la opción de Entra ID sin tocar los flujos.
02

Model (Deployment) Name

model

Lo que ves en n8n

Notas y casos de uso

El único campo obligatorio del nodo. Nombra el despliegue al que hay que llamar, o sea la instancia de modelo publicada dentro del recurso de Azure. Mientras esté vacío, la ejecución se bloquea.

Parámetros clave

  • Model (Deployment) Name: una cadena, por ejemplo gpt-4 o gpt-35-turbo. También admite una expresión cuando el valor viaja con el item, del tipo {{ $json.deployment }}.
Casos de uso
un flujo de enrutado lee una columna con el despliegue a usar, y el mismo agente responde con un modelo más ligero en las peticiones secundarias.
03

Frequency Penalty

options.frequencyPenalty

Lo que ves en n8n

Notas y casos de uso

Se toca cuando el modelo repite la misma línea palabra por palabra. Los valores positivos penalizan los tokens, esos trozos de palabra con los que trabaja un modelo, según lo que ya han aparecido en el texto.

Parámetros clave

  • Frequency Penalty: un número. Cuanto más alto, menos probable es la repetición literal.
Casos de uso
un lote de fichas de producto donde una frase de cada tres empieza igual vuelve a leerse bien al subir este valor.
04

Maximum Number of Tokens

options.maxTokens

Lo que ves en n8n

Notas y casos de uso

Este tope fija la longitud de la respuesta generada. La mayoría de modelos tiene una longitud de contexto de 2048 tokens, los más nuevos bastante más: un tope generoso no sale gratis, porque la respuesta consume el mismo presupuesto que el prompt.

Parámetros clave

  • Maximum Number of Tokens: un número, con -1 para el valor por defecto.
Casos de uso
un resumen que siempre se corta a media frase choca con este techo, no está fallando.
05

Response Format

options.responseFormat

Lo que ves en n8n

Notas y casos de uso

Aquí eliges la forma de lo que vuelve. Sin tocar nada, el modelo redacta en prosa: cómodo para una persona, incómodo para el nodo que luego tiene que trocear la respuesta.

Parámetros clave

  • Response Format: text (Text) devuelve una respuesta de texto normal, json_object (JSON) activa el modo JSON, que debe garantizar un mensaje válido en JSON.
Casos de uso
un flujo de extracción que escribe directo en base de datos activa el modo JSON y deja de rescatar respuestas mal formadas.
06

Presence Penalty

options.presencePenalty

Lo que ves en n8n

Notas y casos de uso

Primo hermano del ajuste anterior, pero orientado a los temas y no a la redacción. Los valores positivos penalizan los tokens que ya han aparecido, lo que empuja al modelo hacia asuntos nuevos.

Parámetros clave

  • Presence Penalty: un número. Cuanto más alto, más probable es que el modelo hable de algo nuevo.
Casos de uso
una etapa de generación de ideas que gira sobre los dos mismos ángulos se abre en cuanto sube este valor.
07

Sampling Temperature

options.temperature

Lo que ves en n8n

Notas y casos de uso

El azar, en un solo mando. Al bajarlo, las respuestas salen menos aleatorias; cerca de cero, el modelo se vuelve determinista y repetitivo.

Parámetros clave

  • Sampling Temperature: un número. Bajo para clasificar o extraer, más alto cuando interesa variar el tono.
Casos de uso
una clasificación de tickets entrantes se deja cerca de cero, para que un mismo ticket no cambie de categoría entre dos ejecuciones.
08

Timeout (Ms)

options.timeout

Lo que ves en n8n

Notas y casos de uso

El tiempo máximo que se le permite a una petición, contado en milisegundos. Sirve el día en que una llamada se queda colgada y deja una ejecución abierta detrás.

Parámetros clave

  • Timeout (Ms): un número, el tiempo máximo que puede durar una petición.
Casos de uso
un proceso nocturno sobre varios centenares de filas lleva un timeout ajustado, para que una llamada atascada falle pronto en lugar de congelar la cola.
09

Max Retries

options.maxRetries

Lo que ves en n8n

Notas y casos de uso

Cuántas veces reintenta n8n tras un fallo antes de que el nodo se rinda y la ejecución dé error. Se lleva mal con un timeout largo: los reintentos multiplican la espera.

Parámetros clave

  • Max Retries: un número, el máximo de reintentos tras un fallo.
Casos de uso
un agente que contesta en directo deja pocos reintentos, porque quien espera respuesta prefiere un error a un silencio largo.
10

Top P

options.topP

Lo que ves en n8n

Notas y casos de uso

La otra vía para dosificar la diversidad, por muestreo de núcleo: 0.5 significa que se consideran la mitad de las opciones ponderadas por verosimilitud. Un valor bajo descarta las alternativas poco probables.

Parámetros clave

  • Top P: un número. Se recomienda mover este o la temperatura, pero no los dos a la vez.
Casos de uso
un flujo ya afinado con la temperatura deja este ajuste quieto, o luego no habrá manera de saber de dónde viene el resultado.
Necesitas ayuda

¿Necesitas ayuda para automatizar Azure OpenAI Chat Model con n8n?

El equipo te responde directamente.

Cada mensaje lo lee una persona.

FAQ

Lo que se pregunta después

01¿El nodo Azure OpenAI Chat Model n8n viene incluido en n8n?
Sí. Forma parte del paquete de IA de n8n, entregado con la herramienta: no hay nada que instalar ni coste adicional por el lado de n8n. Se comporta igual en n8n Cloud, la oferta alojada por n8n, y en una instancia autoalojada instalada con Docker o npm, en Community Edition bajo licencia Sustainable Use. Lo que sí se factura está del lado de Azure: el proveedor del modelo cobra sus propias llamadas de API según sus condiciones, y n8n no añade nada encima. Un flujo creado en un alojamiento funciona igual en el otro.
02¿Qué hace falta para que funcione?
Un credential y un nombre de despliegue. El nodo ofrece dos métodos de autenticación, API Key con azureOpenAiApi y Azure Entra ID (OAuth2) con azureEntraCognitiveServicesOAuth2Api. El credential se crea una vez desde el menú Credentials y luego se reutiliza en todos los flujos. Después rellenas Model (Deployment) Name con el despliegue tal como está publicado en Azure, por ejemplo gpt-4 o gpt-35-turbo. Ese campo es obligatorio: vacío, bloquea el nodo. Y falta una pieza, el nodo raíz. Es un subnodo, sin entrada principal, que nunca se ejecuta solo.
03¿Qué límites tiene este nodo?
La versión 1 del nodo expone 10 parámetros: el nombre del despliegue y nueve opciones que cubren penalizaciones, tope de tokens, formato de respuesta, temperatura, timeout, reintentos y Top P. Esa es toda la superficie. Un nodo apunta a un despliegue, así que servir varios modelos exige varios nodos o una expresión en el campo del nombre. La variable de entorno NO_PROXY tampoco está soportada, algo que pesa en una instancia autoalojada detrás de un proxy. Un flujo antiguo puede mostrar una versión anterior del nodo, con menos opciones.
04¿Qué hay que conectar como mínimo y por dónde empezar?
Como mínimo, un nodo raíz y un credential. El nodo se engancha al puerto Model, de tipo ai_languageModel, de una raíz como AI Agent, Basic LLM Chain o Question and Answer Chain, y ese puerto no puede quedarse vacío. Para empezar, Basic LLM Chain es el terreno más cómodo: un prompt, una respuesta, sin herramientas ni bucle de decisión que depurar. Cuando eso funciona, pasar a AI Agent añade piezas que de todos modos necesitan un modelo debajo. Structured Output Parser y Auto-fixing Output Parser llegan más tarde, cuando la respuesta debe mantener una forma fija.
05¿n8n o Make para un flujo con Azure OpenAI?
Depende de dónde tengan que quedarse los datos. Make solo existe alojado, sin opción de autoalojamiento, y se factura por operación. n8n corre en Cloud o en tus propios servidores, lo que zanja la duda cuando los prompts llevan datos que no pueden salir de una infraestructura concreta, y su modelo de coste no se cuenta por operación. En la lógica visual, Make encadena módulos en línea mientras n8n arma un grafo donde los subnodos cuelgan de una raíz, justo el modelo al que pertenece este nodo de chat. Los dos se montan de forma visual.
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