Nodo Embeddings Lemonade n8nConfigura Embeddings Lemonade en n8n.

El primer caso es el que trae aquí a casi todo el mundo: una base documental que quieres consultar con lenguaje normal. Un vector store como nodo raíz recibe los documentos por su entrada principal, le pide los vectores a este nodo y los guarda. El modelo se elige una vez en la lista Model y todos los documentos pasan por la misma instancia Lemonade. Esa constancia es lo que hace comparables los vectores guardados con los que calcules después.

El segundo caso es la búsqueda detrás de un agente. Un AI Agent responde una pregunta, una herramienta de búsqueda localiza antes los fragmentos útiles, y esa búsqueda necesita embeddings calculados igual que los del índice. Mismo nodo, mismo modelo, en los dos lados. Cambiar de modelo entre la indexación y la consulta es el motivo número uno de una búsqueda que no devuelve nada aprovechable.

El tercero no tiene conversación de por medio: quitar duplicados en las peticiones de soporte, agrupar respuestas de formulario traídas desde Google Sheets, detectar dos fichas de producto que dicen lo mismo. Con los vectores basta y no interviene ningún modelo de chat.

¿Cuándo conviene otra cosa? Lemonade encaja cuando los modelos corren en un servidor tuyo y el texto no debe salir de ahí. Si prefieres llamar a un proveedor alojado sin administrar nada, los subnodos de embeddings de OpenAI o de Google Gemini ocupan el mismo puerto y se cambian sin tocar el resto del flujo de trabajo.

Conviene conocer los límites antes de construir encima. Un solo oficio y un solo parámetro: el nodo no trocea el texto, no guarda nada y nunca se ejecuta solo. La lista de modelos es la que sirve tu servidor Lemonade, así que una lista vacía se arregla en el servidor y no en n8n. La página describe la versión 1 del nodo, la más alta del catálogo; un flujo antiguo puede mostrar una anterior, con menos opciones.