Nodo Oracle Database Vector Store n8nConfigura Oracle Database Vector Store en n8n.

Primer escenario, la carga. Rellenas Table Name, eliges insert en Operation Mode y cada item que entra en el flujo de trabajo se convierte en una fila de vectores. Si la tabla no existe, el nodo la crea. Así es como un catálogo de fichas de producto o un histórico de respuestas de soporte se vuelve consultable, ejecución tras ejecución.

Segundo escenario, la búsqueda directa, sin agente de por medio. En modo load, Prompt lleva la pregunta, Limit fija cuántos resultados quieres y el nodo devuelve los documentos ordenados. A partir de ahí van donde haga falta: un aviso en Slack, una fila en Google Sheets, un correo con Gmail. En este paso no interviene ningún modelo de chat.

Tercer escenario, la tabla se convierte en herramienta. Con retrieve-as-tool, el nodo se engancha al puerto de herramientas de un AI Agent, siendo un puerto el punto donde se conecta un subnodo a un nodo raíz. El agente decide solo cuándo buscar. Por eso Description pesa tanto: lo que escribes ahí es lo que lee el modelo para saber si la herramienta le sirve. Descripción vaga, herramienta que nunca se usa o que se usa para todo.

¿Cuándo conviene otra cosa? Si la respuesta sale de una búsqueda por identificador conocido, una consulta normal a la base es más rápida que un cálculo de similitud. Si no hay corpus guardado y solo quieres mandar una pregunta a un modelo, basta con un nodo de modelo de chat conectado a OpenAI. El vector store gana sentido cuando el corpus supera la ventana de contexto del modelo y además cambia con el tiempo.

Conviene decir los límites desde el principio. El nodo está en la versión 1 y expone 2 parámetros de cabecera, así que el ajuste fino vive en Options. La calidad del ranking no depende de él sino del subnodo de embeddings que le conectes, y el proveedor que hay detrás de ese subnodo factura sus propias llamadas de API. Si el equipo todavía duda entre patrones, el Curso n8n recorre estas mismas decisiones sobre flujos reales.