Nodo Embeddings Cohere n8nConfigura Embeddings Cohere en n8n.
El nodo Embeddings Cohere n8n convierte un texto en vectores, la forma numérica que una base vectorial compara por significado. Es un subnodo: no tiene entrada principal y nunca se ejecuta solo. Un único parámetro, 7 modelos, de 384 a 4096 dimensiones.
Reseñas verificadas en Trustpilot · Agencia de IA, automatización y growth
¿Para qué sirve el nodo Embeddings Cohere n8n?
Genera embeddings de un texto con Cohere. Un embedding es una serie de números que sitúa un texto dentro de un espacio de muchas dimensiones: dos párrafos que hablan de lo mismo acaban cerca uno del otro. El nodo entrega esa serie al nodo raíz al que está conectado, y es ese nodo raíz quien guarda o consulta los vectores. Nada más. Sin entrada principal, sin items de salida propios, y nunca solo dentro de un flujo.
Primer escenario: la indexación. Llega un documento, un text splitter lo parte en fragmentos y un nodo de base vectorial escribe cada fragmento en su índice. Esa escritura necesita vectores, y los vectores salen de aquí por el puerto de embeddings. Con embed-english-v3.0, cada fragmento pasa a ser un vector de 1024 dimensiones.
Segundo escenario: la búsqueda. Llega una pregunta, el mismo nodo la codifica y la base compara ese vector con los que ya tiene guardados. Por eso el modelo elegido pesa mucho más de lo que parece: una pregunta codificada con un modelo no se compara con fragmentos codificados con otro. El mismo en los dos lados, siempre.
Tercer escenario: un asistente de respuestas gobernado por un AI Agent. El agente lleva la conversación y las llamadas a herramientas, un modelo de chat redacta la respuesta y la búsqueda ocurre por debajo sobre los vectores creados aquí. Mezclar proveedores es habitual, un embedding de Cohere con un modelo de chat de OpenAI, porque son dos tareas distintas.
¿Cuándo no usarlo? Si tu contenido está solo en inglés y ya lo codificas con otro proveedor, añadir un segundo modelo de embeddings no aporta nada y obliga a reindexar. Cohere gana sentido cuando el corpus es multilingüe: la familia embed-multilingual-v3.0 coloca varios idiomas en un espacio compartido, así que una pregunta en español puede encontrar un texto escrito en inglés.
Conviene conocer los límites antes de montar nada. Este nodo expone un solo parámetro, el modelo. No hay tamaño de lote, ni elección de dimensiones, ni ajuste de truncado. Cambiar de modelo más tarde significa reconstruir el índice entero, porque cambian a la vez la longitud de los vectores y su geometría. Del lado de Cohere, el proveedor factura sus propias llamadas de API según sus condiciones y n8n no añade nada. Para ubicar la herramienta con más perspectiva, la Reseña n8n lo repasa, y el Curso n8n monta un flujo de búsqueda documental de principio a fin.
¿Qué hay que autenticar?
- 01
Abre una cuenta en Cohere
El nodo llama a la API de Cohere, así que necesita una clave de API emitida por Cohere. Consíguela antes de abrir n8n: sin un credential válido asociado, la lista de modelos no se carga. Del lado de n8n no hay nada que instalar, porque este nodo forma parte del paquete de IA que viene con n8n, tanto en n8n Cloud como en una instancia autoalojada.
- 02
Guarda la clave como credential de n8n
En n8n, abre el menú Credentials, crea un credential de Cohere y pega la clave dentro. Un credential es un conjunto de secretos que n8n guarda aparte del propio flujo, de modo que nadie ve la clave al leer un flujo exportado. Se crea una vez y cualquier flujo de esa instancia puede seleccionarlo después.
- 03
Asocia el nodo y conecta el puerto
Coloca el nodo Embeddings Cohere en el lienzo, selecciona el credential y arrastra su salida hasta el puerto de embeddings de un nodo raíz, por ejemplo una base vectorial. Un puerto es el conector pequeño del cuerpo del nodo, y cada puerto admite un único tipo de subnodo. Mientras ese enlace no exista, el nodo no tiene dentro de qué ejecutarse.
¿Dónde se conecta este nodo?
n8n reparte el trabajo de IA entre un nodo raíz, que recibe los items del flujo, y subnodos enganchados a sus puertos. Este es un subnodo: no tiene entrada propia, solo una salida que consume un nodo raíz.
Salida (dónde se conecta)
- Embeddings
ai_embedding
01Embeddings
Es el único puerto del nodo y es de salida. Un nodo raíz que indexa o consulta vectores viene a buscar aquí sus embeddings.
Parámetros clave
- Required: un nodo de base vectorial no puede escribir ni consultar un índice sin un subnodo de embeddings en este puerto, que solo transporta vectores; el nodo raíz decide si los indexa o los consulta.
¿Qué modelo de Cohere conviene elegir?
El nodo Embeddings Cohere tiene un parámetro. Para cada uno: el nodo tal como lo configuras en n8n, qué cambia el parámetro y nuestras notas de campo.
Model
modelNameLo que ves en n8n
Notas y casos de uso
Model indica qué modelo de Cohere produce los embeddings. Esa elección fija la longitud de los vectores de todo lo que indexes, así que decídela antes de la primera ejecución, no después.
Parámetros clave
- Embed-English-v3.0 (1024 Dimensions): para un corpus únicamente en inglés.
- Embed-Multilingual-v3.0 (1024 Dimensions): cuando preguntas y documentos no comparten idioma.
- Embed-Multilingual-Light-v3.0 (384 Dimensions): vectores más cortos, índice más ligero, sigue siendo multilingüe.
- Embed-English-v2.0 (4096 Dimensions): los vectores más largos, reservados a índices ya construidos con él.
¿Necesitas ayuda para automatizar Embeddings Cohere con n8n?
El equipo te responde directamente.
Cada mensaje lo lee una persona.
Preguntas que surgen después
01¿El nodo Embeddings Cohere n8n viene incluido sin coste?
02¿Qué hace falta para que funcione?
03¿Qué límites tiene el nodo?
04¿Qué hay que conectar como mínimo para empezar?
05¿n8n o Make para este tipo de flujo de IA?
Recibe nuestros tips de integración cada semana.
Sin spam. Cancela cuando quieras.
