Recursos · Integración n8n

Nodo MongoDB Atlas Vector Store n8nConfigura MongoDB Atlas Vector Store en n8n.

Una base documental guardada en MongoDB Atlas se vuelve consultable desde un flujo con el nodo MongoDB Atlas Vector Store n8n. Expone 5 parámetros, 5 modos de operación y se ejecuta sobre cada item entrante. Pensado para asistentes con documentación propia.

Probar el nodo MongoDB Atlas Vector Store en n8nVer los 5 parámetros

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

Por qué automatizar

¿Para qué sirve el nodo MongoDB Atlas Vector Store n8n?

Este nodo escribe y relee embeddings en una colección de MongoDB Atlas desde un flujo de trabajo. Un embedding es una lista de números que representa un texto: dos fragmentos que hablan de lo mismo quedan cerca. MongoDB Atlas Vector Search guarda esas listas y las ordena frente a una consulta. El nodo conecta esa búsqueda con n8n: insertar documentos, recuperar los mejores resultados o entregar la colección entera a un nodo de IA como recurso consultable.

Primer caso: montar la base. Llega un documento al flujo, se trocea, cada trozo se vectoriza y el nodo en modo insert lo escribe en la colección que indica MongoDB Collection. El vector va al campo que nombra Embedding y el texto legible al de Metadata Field. Una pasada sobre un lote de archivos y la colección ya responde.

Segundo caso: responder sin agente. En modo load, el nodo recibe una consulta y devuelve los documentos mejor clasificados por similitud. Es el patrón cuando el flujo ya tiene la pregunta, por ejemplo un mensaje interno recogido desde Slack al que hay que acercar los tres fragmentos de procedimiento más próximos.

Tercer caso: el asistente. En modo retrieve-as-tool, el nodo se convierte en una herramienta que el AI Agent llama por su cuenta, con Name y Description explicándole qué va a encontrar dentro. La descripción es el campo que más se descuida: si queda vaga, el agente nunca llama a la herramienta; si es concreta, la llama en el momento justo. El modelo llega desde un subnodo de chat, un nodo que solo se ejecuta enganchado a un nodo raíz, del lado de OpenAI o de Anthropic.

Cuándo conviene otra cosa. El nodo da por hecho un clúster de Atlas y un índice Vector Search ya creado desde el panel de Atlas, con un número de dimensiones acorde al modelo de embeddings, por ejemplo 1536 para text-embedding-small-3 de OpenAI. Sin ese índice, ningún ajuste dentro de n8n lo va a crear. Para un prototipo rápido sin base de datos encaja mejor otro vector store. Y si el flujo quiere un resumen en lugar de los trozos en crudo, el Vector Store Question Answer Tool se coloca entre el agente y este nodo.

Los límites que conviene mirar antes de construir encima. El nodo está en la versión 1, así que un flujo antiguo mostrará menos opciones de las descritas aquí. El filtrado se reduce a Metadata Filter dentro de Options: lo más fino se resuelve del lado de MongoDB. Y estos 5 parámetros no cubren toda la API de Atlas: la gestión de índices, los ajustes del clúster y la administración de la colección se quedan fuera. Si n8n todavía es nuevo en el equipo, el Curso n8n repasa las bases que esta página da por sabidas.

Conexión

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

  1. 01

    Crear el índice Vector Search en Atlas

    Entra al panel de MongoDB Atlas, elige la organización y el proyecto, y abre la sección Search and Vector Search. Selecciona el clúster, pulsa Go to search y luego Create Search Index, y elige el modo Vector Search. Describe el campo con el editor visual o en JSON, ajusta numDimensions al tamaño que devuelve tu modelo de embeddings, ponle nombre al índice y créalo.

  2. 02

    Apuntar los valores que pide el panel

    Cuatro valores salen de lo que acabas de crear, y n8n no adivina ninguno. El nombre de la colección va en MongoDB Collection y el del índice en Vector Index Name. El campo que guarda el array de embedding va en Embedding, y el que guarda el texto en bruto, en Metadata Field. Cópialos tal cual los escribe Atlas.

  3. 03

    Guardar la credencial de MongoDB en n8n

    El nodo llega al clúster con una credencial de MongoDB, un juego de datos de acceso que se guarda una sola vez desde el menú Credentials y que reutiliza cualquier workflow que toque la misma base. El panel no trae selector Authentication: eliges una credencial arriba y vale para los 5 modos de operación. La ficha de credencial de MongoDB en n8n detalla los campos exactos.

Parámetros

¿Cuáles son los parámetros del nodo MongoDB Atlas Vector Store ?

El nodo MongoDB Atlas Vector Store tiene 5 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

Este selector decide qué hace el nodo con la colección, y el resto del panel depende de él.

Parámetros clave

  • Operation Mode (mode): load (Get Many) devuelve documentos ordenados para una consulta, insert (Insert Documents) escribe documentos, retrieve (Retrieve Documents (As Vector Store for Chain/Tool)) expone el store a los nodos de IA, retrieve-as-tool (Retrieve Documents (As Tool for AI Agent)) lo expone como herramienta, update (Update Documents) reescribe documentos por ID.
  • Prompt: el texto de búsqueda que ordena, a menudo {{ $json.question }} del nodo anterior.
  • ID: el identificador de una entrada de embedding existente, obligatorio para reescribirla.
Casos de uso
un flujo indexa los archivos con insert y otro contesta preguntas con load, ambos sobre la misma colección.
02

MongoDB Collection

mongoCollection

Lo que ves en n8n

Notas y casos de uso

Señala la colección de Atlas que el nodo lee o rellena. Es un resource locator: el valor se elige de la lista o se escribe a mano, y tiene que ser la colección sobre la que se montó el índice Vector Search.

Parámetros clave

  • MongoDB Collection (mongoCollection): obligatorio, el nombre de colección anotado al crear el índice en el panel de Atlas.
Casos de uso
una colección por fuente, la documentación de producto por un lado y los tickets por otro, y así un asistente contesta desde la correcta sin mezclarlas.
03

Embedding

embedding

Lo que ves en n8n

Notas y casos de uso

Dice qué campo de cada documento de Atlas lleva el array de embedding, la lista de números que compara la búsqueda vectorial. Equivocarse aquí no lanza ningún error: la búsqueda devuelve vacío.

Parámetros clave

  • Embedding (embedding): obligatorio, el campo con el array de embedding, que debe coincidir con la ruta declarada en el índice Vector Search.
Casos de uso
sobre una colección de fichas de producto ya existente se añade un campo para el vector, de forma que las fichas siguen legibles mientras la búsqueda trabaja con los números.
04

Metadata Field

metadata_field

Lo que ves en n8n

Notas y casos de uso

Apunta al campo que guarda el texto en crudo detrás de cada vector. Ese texto es el que sale en los resultados, o sea la parte que de verdad lee el modelo o la persona.

Parámetros clave

  • Metadata Field (metadata_field): obligatorio, el campo de texto del dato en crudo, rellenado en la inserción con el trozo que se vectorizó.
Casos de uso
guardar ahí el trozo junto al nombre del archivo de origen deja que la respuesta cite de dónde sale. Eso separa una respuesta creíble de una comprobable.
05

Vector Index Name

vectorIndexName

Lo que ves en n8n

Notas y casos de uso

Identifica el índice Vector Search por el que pasa la consulta. MongoDB Atlas no busca entre vectores sin él, y se crea desde el panel de Atlas antes de que el flujo se ejecute por primera vez.

Parámetros clave

  • Vector Index Name (vectorIndexName): obligatorio, el nombre dado al índice en la sección Search and Vector Search del clúster.
Casos de uso
dos índices sobre la misma colección, uno por modelo de embeddings, y probar un modelo nuevo sobre una copia de los datos se reduce a cambiar este único valor.
Necesitas ayuda

¿Necesitas ayuda para automatizar MongoDB Atlas Vector Store con n8n?

El equipo te responde directamente.

Cada mensaje lo lee una persona.

FAQ

MongoDB Atlas Vector Store y n8n, preguntas frecuentes

01¿El nodo MongoDB Atlas Vector Store viene incluido en n8n?
Sí. Forma parte del paquete de IA de n8n, @n8n/n8n-nodes-langchain, que se entrega con n8n. No hay nada que instalar ni sobrecoste por parte de n8n, ni en n8n Cloud, la oferta alojada por n8n, ni en una instancia autoalojada con Community Edition bajo licencia Sustainable Use. Un flujo se comporta igual en ambos sitios. El coste está en otra parte: el clúster de MongoDB Atlas que aloja la colección, y el proveedor del modelo que genera los embeddings, ya que OpenAI, Anthropic, Google o Mistral facturan sus propias llamadas de API según sus condiciones.
02¿Qué credenciales necesita el nodo para funcionar?
Una credencial de MongoDB, guardada una sola vez en n8n y seleccionada arriba del panel del nodo. Aquí no hay selector Authentication, así que es lo único que se autentica del lado del nodo, y la ficha de credencial de MongoDB en n8n detalla qué campos pide. Ninguna otra parte del nodo guarda una clave de proveedor: los valores de embedding llegan como datos normales, y la clave de un modelo viaja con su propio subnodo, un nodo que nunca se ejecuta solo. Aparte de la credencial, el nodo da por hecho un índice Vector Search ya creado en el panel de Atlas, más el nombre de la colección, el del índice y los dos nombres de campo que hay que copiar.
03¿Qué límites tiene el nodo MongoDB Atlas Vector Store n8n?
Lee y escribe vectores, y hasta ahí llega. Crear el índice Vector Search es tarea del panel de Atlas, donde el número de dimensiones tiene que cuadrar con el modelo de embeddings, por ejemplo 1536 para text-embedding-small-3 de OpenAI. El filtrado se limita a la entrada Metadata Filter dentro de Options. El panel expone 5 parámetros y 5 modos de operación: la administración del clúster, la gestión de usuarios y el trabajo de esquema se quedan en MongoDB. El nodo está en la versión 1, y un flujo montado antes puede mostrar menos opciones que el panel actual.
04¿Qué hay que conectar como mínimo para que funcione?
Un subnodo de embeddings como mínimo, porque el nodo guarda y compara vectores pero no los fabrica. Los subnodos son esos bloques pequeños que se enganchan a los puertos de un nodo raíz y nunca se ejecutan por su cuenta. A partir de ahí depende del modo: en insert, un text splitter y un data loader le acercan los trozos de documento; en retrieve-as-tool, un AI Agent lo llama como herramienta y trae su propio modelo de chat. Para empezar, conecta un solo nodo de embeddings, lanza una inserción, comprueba en Atlas que los documentos llegan con el campo de vector relleno y añade después el agente.
05¿n8n o Make para un vector store de MongoDB Atlas?
Depende de dónde tengan que quedarse los datos. Make está alojado, sin opción de autoalojamiento, y se factura por operación, lo que encaja con un equipo que no quiere administrar nada. n8n se autoaloja con Docker o npm, así que embeddings y documentos se quedan en una infraestructura que el equipo controla, argumento que suele decidir cuando los documentos de origen son internos. La lógica visual también cambia: n8n arma los flujos de IA con un nodo raíz y subnodos colgados de sus puertos, una forma que encaja con cómo se combinan un vector store, un modelo de embeddings y un agente.
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