Recursos · Integración n8n

Nodo NVIDIA Nemotron Embeddings n8nConfigura NVIDIA Nemotron Embeddings en n8n.

El nodo NVIDIA Nemotron Embeddings n8n convierte texto en vectores, la materia prima de una búsqueda semántica. Es un subnodo: sin entrada principal y sin ejecución en solitario, se engancha a un puerto. Cinco parámetros gobiernan modelo, lotes, limpieza, tamaño y tiempo de espera.

Probar el nodo NVIDIA Nemotron Embeddings en n8nVer los 5 parámetros

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

Por qué automatizar

¿Para qué sirve el nodo NVIDIA Nemotron Embeddings n8n?

Llama a un modelo de embeddings NeMo Retriever, alojado por NVIDIA en build.nvidia.com o corriendo en un contenedor NIM propio, y devuelve la versión numérica de tu texto. En vocabulario n8n es un subnodo: un nodo pequeño que se cuelga de otro más grande en lugar de colocarse en el hilo de los items. El nodo raíz decide qué se vectoriza; este decide con qué modelo y cómo salen las peticiones.

Empecemos por una base documental interna. Filas de procedimientos salen de un nodo Google Sheets, entran en un vector store en modo indexación, y ese store le pide un vector por fila a este subnodo. El modelo se elige una sola vez en Model, de la lista o escribiendo el identificador que sirve tu contenedor NIM, y vale para toda la ejecución.

Segundo caso: la parte de búsqueda de un asistente de soporte. Un AI Agent consulta el store, el store manda vectorizar la pregunta aquí y los pasajes más cercanos vuelven como contexto. El nodo fija input_type por su cuenta, passage al indexar y query al buscar, así que no hay ningún interruptor que mover entre ambos momentos.

Tercer caso: el despliegue privado. Apuntas la credencial (los datos de acceso guardados en n8n) a un NIM instalado en tu infraestructura, nada sale de ahí, y el flujo de trabajo queda idéntico a su versión en la nube. Ahí también cobra sentido Dimensions: un modelo Matryoshka sabe devolver vectores más cortos, cómodo para una base que quieres mantener ligera.

¿Cuándo tirar de otra cosa? Si ya tienes otro proveedor conectado por otros motivos, por ejemplo una credencial de OpenAI, gestionar una segunda clave aporta poco. NVIDIA cobra las llamadas que atiende según sus propias condiciones y n8n no añade nada encima.

Dos límites antes de montar nada. El nodo va por la versión 1 y expone cinco parámetros, ni uno más: ni reintentos, ni cabeceras propias, ni ajustes por petición. Y como carece de entrada principal, no se puede probar suelto: lanzas el nodo raíz y miras qué devuelve el store. La Reseña n8n analiza la plataforma en sí y el Curso n8n recorre una cadena de indexación completa.

Conexión

¿Qué credencial hay que crear?

  1. 01

    Abre una cuenta de NVIDIA build

    El acceso en la nube pasa por build.nvidia.com, así que todo empieza ahí. Inicia sesión, abre un modelo Nemotron del catálogo y pulsa Get API Key. La clave pertenece a la cuenta y no a un modelo concreto: con una sola cubres todos los modelos NeMo Retriever que luego selecciones en el nodo. Con un contenedor NIM propio este paso desaparece.

  2. 02

    Crea la credencial NVIDIA Nemotron en n8n

    En el menú Credentials, crea la credencial NVIDIA Nemotron. Pide una Base URL, la dirección compatible con la especificación de OpenAI, y una API Key. La Base URL por defecto es https://integrate.api.nvidia.com/v1, que es donde responden los modelos en la nube. Pega ahí la clave copiada. Creada una vez, la credencial se reutiliza en todos los flujos.

  3. 03

    O apunta esa misma credencial a tu NIM

    Una credencial cubre los dos modos de despliegue. Para un contenedor propio, sustituye la Base URL por la dirección de tu NIM conservando la ruta /v1, del estilo http://localhost:8000/v1. Si ese contenedor exige autenticación, pega su token en API Key. Si no la exige, deja el campo vacío: es el único caso en que la clave resulta opcional.

Conexiones

¿En qué puerto se conecta este subnodo?

n8n reparte el trabajo de IA entre un nodo raíz, que recibe los items del flujo, y subnodos enganchados a sus puertos, un tipo de subnodo por puerto. Este nodo es un subnodo, y el puerto de abajo es su única entrada a un flujo de trabajo.

Salida (dónde se conecta)

  • Embeddingsai_embedding
01EmbeddingsEl puerto ai_embedding es al que alimenta este nodo. Lo ofrece un nodo raíz que guarda o consulta vectores y, mientras esa conexión no exista, el nodo no tiene nada que procesar. Solo se engancha donde se ofrece ese puerto, nunca en uno de modelo de chat o de memoria.

El puerto ai_embedding es al que alimenta este nodo. Lo ofrece un nodo raíz que guarda o consulta vectores y, mientras esa conexión no exista, el nodo no tiene nada que procesar. Solo se engancha donde se ofrece ese puerto, nunca en uno de modelo de chat o de memoria.

Parámetros clave

  • Required: sin entrada principal propia, el nodo solo se ejecuta cuando un nodo raíz le reclama vectores.
Casos de uso
un vector store en indexación llama al puerto mientras se llena y vuelve a llamarlo con cada pregunta que debe resolver.
Parámetros

¿Qué cambian los 5 parámetros?

El nodo NVIDIA Nemotron Embeddings tiene 5 parámetros. Para cada uno: el nodo tal como lo configuras en n8n, qué cambia el parámetro y nuestras notas de campo.

01

Model

model

Lo que ves en n8n

Notas y casos de uso

Único parámetro obligatorio: nombra el modelo de embeddings NeMo Retriever que genera los vectores. Es un localizador de recursos, así que o eliges de la lista que carga la credencial o escribes directamente un identificador, la vía para apuntar a un modelo servido por un NIM.

Parámetros clave

  • Model: requerido. El nodo ajusta input_type solo, passage al indexar y query al buscar.
Casos de uso
mantener un modelo único por base, porque los vectores escritos por un modelo solo se comparan con los de ese mismo modelo.
02

Batch Size

options.batchSize

Lo que ves en n8n

Notas y casos de uso

Agrupar importa en cuanto una ejecución pasa de unas pocas filas. Esta opción fija el número máximo de documentos que viajan en cada petición al modelo, y de ahí depende que una importación grande salga en unas pocas llamadas o en cientos.

Parámetros clave

  • Batch Size: un número, el techo por petición. Bájalo cuando una importación voluminosa empieza a fallar, súbelo cuando la indexación se eterniza.
Casos de uso
indexar un archivo documental de madrugada, donde ese techo separa el trabajo que termina del que se corta a mitad.
03

Strip New Lines

options.stripNewLines

Lo que ves en n8n

Notas y casos de uso

El texto en bruto casi nunca llega limpio. Activada, esta casilla elimina los saltos de línea del texto de entrada antes del envío, algo que compensa en contenidos que arrastran un formato que nadie pidió.

Parámetros clave

  • Strip New Lines: una casilla. Usa el mismo ajuste al indexar y al buscar, para que ambos lados vean el texto con la misma forma.
Casos de uso
un PDF convertido a texto, o el cuerpo de un mensaje traído desde Gmail, cuyos cortes de línea acabarían si no dentro del vector.
04

Dimensions

options.dimensions

Lo que ves en n8n

Notas y casos de uso

La longitud del vector se negocia en algunos modelos. Escribir un número aquí pide embeddings de salida de ese tamaño; dejarlo sin valor conserva lo que el modelo devuelve por defecto.

Parámetros clave

  • Dimensions: un número que solo respetan los modelos con embeddings dinámicos (Matryoshka). En el resto, mejor no tocarlo.
Casos de uso
aligerar una base que ha crecido más de lo que quieres alojar, asumiendo que todo el índice hay que rehacerlo al nuevo tamaño.
05

Timeout

options.timeout

Lo que ves en n8n

Notas y casos de uso

Una petición que nunca contesta sale más cara que una que falla. Este valor pone tope a la duración de una llamada, en segundos, y con -1 el tope desaparece.

Parámetros clave

  • Timeout: un número de segundos. Un NIM recién arrancado es el motivo habitual para subirlo.
Casos de uso
una reindexación programada que prefieres ver detenerse y avisar antes que quedarse colgada, o al revés, un contenedor lento al que le das margen.
Necesitas ayuda

¿Necesitas ayuda para automatizar NVIDIA Nemotron Embeddings con n8n?

El equipo te responde directamente.

Cada mensaje lo lee una persona.

FAQ

Preguntas frecuentes sobre este nodo

01¿El nodo NVIDIA Nemotron Embeddings viene incluido en n8n?
Sí. Forma parte del paquete de IA que se entrega con n8n, así que está tanto en n8n Cloud como en una instancia autoalojada, sin instalar nada y sin coste añadido por parte de n8n. La Community Edition con licencia Sustainable Use también lo incluye, y un flujo montado en una funciona igual en la otra. Lo que sí cuesta es el modelo: NVIDIA cobra las llamadas que atiende según sus condiciones. Un contenedor NIM alojado por ti cambia el escenario, porque la infraestructura pasa a ser tuya.
02¿Qué hace falta para que funcione?
Una credencial y un nodo raíz al que engancharse. La credencial es la de NVIDIA Nemotron, con una Base URL y una API Key. La clave es obligatoria para build.nvidia.com y opcional para un NIM autoalojado que no exija autenticación, en cuyo caso el campo se queda vacío. La Base URL trae por defecto la dirección de la nube de NVIDIA y se sustituye por la tuya cuando te autoalojas. Después necesita un puerto Embeddings donde colgarse, porque no tiene entrada principal.
03¿Qué límites tiene el nodo?
Va por la versión 1 y expone cinco parámetros: el modelo, más el tamaño de lote, la eliminación de saltos de línea, las dimensiones y el tiempo de espera. Nada más se ajusta por petición. Dimensions solo actúa en modelos con embeddings dinámicos Matryoshka, así que activarlo en otros no aporta nada. Y al ser un subnodo, no se ejecuta ni se prueba por separado: el nodo raíz es tu único punto de observación. Un flujo antiguo puede mostrar una versión anterior con menos opciones.
04¿Qué hay que conectar como mínimo al nodo NVIDIA Nemotron Embeddings n8n?
Un nodo raíz, unido por el puerto Embeddings. Ese puerto lleva el tipo ai_embedding, de modo que el nodo se engancha a un nodo raíz que guarda o consulta vectores, y a ningún otro sitio. Empieza por el lado de la indexación: manda un lote pequeño de documentos, comprueba que la base se llena y luego reutiliza el mismo nodo y el mismo modelo en el lado de la búsqueda. Un modelo por base es la regla, porque vectores de dos modelos distintos no se comparan entre sí.
05¿n8n o Make para una cadena de embeddings así?
Depende de dónde tengan que vivir los datos. Make lo aloja Make, sin opción de autoalojamiento, y se factura por operación: cómodo cuando el volumen es previsible y no circula nada sensible. n8n se puede autoalojar y, junto a un contenedor NIM en la misma infraestructura, deja que una cadena de indexación funcione sin que el texto salga de tu red. El volumen empuja en la misma dirección: una importación que vectoriza miles de filas consume operaciones muy rápido, mientras que la misma cadena corre en tu instancia n8n sin contador enfrente. Lo demás depende de con qué lógica visual se sienta más cómodo tu equipo.
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