Nodo Embeddings Hugging Face Inference n8nConfigura Embeddings Hugging Face Inference en n8n.

Primer uso: la indexación. Un vector store, la base que guarda los vectores, parte tus documentos y envía cada fragmento al nodo para recibir su representación numérica. En pantalla no pasa nada llamativo durante esa pasada, pero es lo que hace respondible una pregunta hecha tres días después. El catálogo cuenta 2 parámetros en el nodo, así que una vez creada la credencial queda poco que tocar.

Segundo uso: la búsqueda. El nodo raíz vectoriza la pregunta entrante por el mismo camino y compara el resultado con lo indexado. Aquí está la trampa que más cuesta: el modelo que indexó tiene que ser el que busca. Dos modelos distintos generan vectores que no se comparan, y la búsqueda devuelve ruido sin lanzar ningún error.

Tercer uso: aligerar la factura de un agente. Vectorizar una pregunta corta cuesta mucho menos que una llamada completa a un modelo de chat, de ahí la caché semántica colocada delante de un AI Agent para comprobar si una pregunta parecida ya tiene respuesta. La plantilla pública 10887 monta ese esquema con un Redis Vector Store y un OpenAI Chat Model.

¿Cuándo conviene otro subnodo? Si tu modelo de chat ya viene de un proveedor que pagas, por ejemplo OpenAI, dejar los embeddings en ese mismo sitio evita mantener dos credenciales. Este nodo gana cuando quieres un modelo de Hugging Face, tu propio endpoint de inferencia, o un proveedor elegido a mano en la colección Options.

Dos límites antes de construir. El nodo va por la versión 1 y no expone nada más que el nombre del modelo y sus opciones: ni tamaño de lote, ni dimensión, ni reintentos. Y como no tiene entrada principal, no puedes ejecutarlo suelto para ver qué devuelve, lanzas el nodo raíz y miras qué llega al store. Para una mirada más amplia sobre la plataforma está la Reseña n8n, y el Curso n8n recorre la cadena entera.