Recursos · Integración n8n

Nodo Qdrant Vector Store n8nConfigura Qdrant Vector Store en n8n.

Un vector store guarda representaciones matemáticas de tus contenidos para que una IA los encuentre por significado y no por palabra clave. El nodo Qdrant Vector Store n8n lee y alimenta una colección Qdrant con 2 parámetros y 4 modos de operación. Pensado para quien monta búsqueda documental.

Probar el nodo Qdrant Vector Store en n8nVer los 2 parámetros

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

Por qué automatizar

¿Para qué sirve de verdad el nodo Qdrant Vector Store n8n?

El nodo enlaza un flujo de trabajo con una colección Qdrant, es decir un espacio con nombre donde se almacenan los vectores. Según el modo de operación que elijas, escribe documentos en ella, devuelve los que más se parecen a una consulta, o pone la colección a disposición de otro nodo de IA para que la consulte por su cuenta. Un nodo, cuatro papeles, la misma colección detrás.

Montaje uno, el que llena. Modo Insert Documents, contenidos que llegan de los pasos anteriores y cada item acaba en la colección. La documentación de n8n enseña este esquema en una plantilla de chatbot de recomendación de películas (workflow 2440): se trocea el texto, se vectoriza y se escribe en Qdrant antes de que nadie pregunte nada. Todavía no responde nadie, solo se está llenando el estante.

Montaje dos, el que busca. El modo Get Many recibe un Prompt, ordena los documentos guardados por similitud y devuelve los mejores como items normales del flujo. Ese resultado va donde quieras: un aviso en Slack para el equipo de soporte, una fila en Google Sheets que deja rastro de lo recuperado, un borrador de respuesta por Gmail. Es el modo que conviene cuando quieres el texto recuperado en tus manos y no dentro del prompt de un modelo.

Montaje tres, el que delega. Retrieve Documents (As Tool for AI Agent) convierte el nodo en una herramienta que un AI Agent llama por su nombre, de ahí los campos Name y Description que aparecen en ese modo. Retrieve Documents (As Vector Store for Chain/Tool) hace la versión callada: el nodo se coloca detrás de un nodo Vector Store Retriever y una Question and Answer Chain va a buscar ahí su contexto. La documentación de n8n describe además la variante Vector Store Question Answer Tool, que resume los resultados antes de que el agente los vea.

Dónde se detiene. El nodo habla con colecciones Qdrant y nada más. No fabrica los embeddings, esos vectores salen de un nodo aparte, y por eso las plantillas lo combinan con embeddings de OpenAI o de Mistral Cloud. Su versión es la 1, así que un flujo antiguo puede mostrar menos opciones que el panel descrito aquí. Si lo que falla es la calidad de las respuestas y no un ajuste, el Curso n8n trata el orden de construcción.

Conexión

¿Qué hace falta antes de que el nodo funcione?

  1. 01

    Crea la credencial de Qdrant

    Añade la credencial de Qdrant desde el menú Credentials: una API Key y tu Qdrant URL. La clave se obtiene en el Cloud Dashboard de Qdrant, en Access Management, asociada al clúster que quieres usar. Se hace una vez: la credencial la reutilizan todos los flujos que hablan con la misma instancia.

  2. 02

    Asígnala al nodo

    Coloca el nodo Qdrant Vector Store en el lienzo y elige esa credencial en su campo correspondiente. El mismo nodo cubre los 4 modos de operación, así que lo que selecciones aquí vale igual para el flujo que llena la colección y para el que la consulta. Ningún otro campo del panel depende de ello, por lo que puedes resolverlo antes de decidir qué hará el nodo.

  3. 03

    Apunta a una colección

    Rellena Qdrant Collection, el resource locator que señala la colección que se lee o se alimenta. Es obligatorio en todos los modos. Un resource locator es un campo que admite tanto un valor elegido de una lista como uno escrito a mano, algo útil cuando el nombre de la colección viene de un paso anterior como expresión, por ejemplo {{ $json.collection }}.

Parámetros

¿Qué parámetros se ajustan en el panel?

El nodo Qdrant Vector Store tiene 2 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 es el nodo, y el resto del panel se deriva de él.

Parámetros clave

  • Operation Mode: insert (Insert Documents) escribe documentos, load (Get Many) devuelve documentos ordenados, retrieve (Retrieve Documents (As Vector Store for Chain/Tool)) sirve a una cadena, retrieve-as-tool (Retrieve Documents (As Tool for AI Agent)) sirve a un agente.
  • Prompt y Limit: la consulta, y cuántos resultados de cabeza vuelven, 10 para los diez mejores.
  • Name y Description: lo que ve un agente, company_knowledge_base y su explicación.
  • Include Metadata, Rerank Results, ID: metadatos junto al texto, reordenación, el identificador de una entrada de embedding.
Casos de uso
un flujo en insert mantiene al día una colección de fichas y otro la explota en retrieve-as-tool.
02

Qdrant Collection

qdrantCollection

Lo que ves en n8n

Notas y casos de uso

Cada modo necesita saber sobre qué colección trabaja, y este campo es el que lo dice. Es un resource locator, el tipo de campo de n8n que admite un valor elegido o escrito, y está marcado como obligatorio.

Parámetros clave

  • Qdrant Collection: la colección que el nodo lee o alimenta, se fija una vez por nodo, elegida en el panel o construida con una expresión como {{ $json.collection }} cuando el nombre llega con el item.
Casos de uso
una empresa con una colección por filial elige el valor de forma dinámica, y el mismo flujo de búsqueda sirve a todas sin duplicarlo.
Necesitas ayuda

¿Necesitas ayuda para automatizar Qdrant Vector Store con n8n?

El equipo te responde directamente.

Cada mensaje lo lee una persona.

FAQ

Preguntas que llegan después

01¿El nodo Qdrant Vector Store viene incluido en n8n?
Sí. Forma parte del paquete de IA de n8n, el bundle @n8n/n8n-nodes-langchain que se entrega con n8n: nada que instalar y ningún sobrecoste por el lado de n8n. Vale tanto en n8n Cloud, la oferta alojada por n8n, como en una instancia autoalojada en Community Edition con licencia Sustainable Use, y un flujo se comporta igual en ambos casos. Lo que sí se factura está fuera: el proveedor del modelo que uses para los embeddings cobra sus propias llamadas de API según sus condiciones, y n8n no añade nada encima.
02¿Qué hace falta para que el nodo Qdrant Vector Store n8n funcione?
Una credencial y una colección. La credencial se crea una sola vez en el menú Credentials y se reutiliza en todos los flujos; la documentación de n8n del nodo remite a la página de credenciales con los valores que hay que dar. Después, el campo Qdrant Collection, un resource locator obligatorio, indica sobre qué colección se trabaja. El resto depende del modo: los modos de búsqueda piden un Prompt, y el modo de herramienta para agente pide un Name y una Description para que el modelo sepa a qué está llamando.
03¿Qué límites tiene este nodo?
Trabaja con una colección Qdrant y ahí se acaba. No produce los embeddings, y por eso las plantillas publicadas lo acompañan de un nodo de embeddings de OpenAI o Mistral Cloud, un troceador de texto y un cargador de datos. El catálogo indica la versión 1 para este nodo, de modo que un flujo antiguo puede mostrar menos opciones que el panel actual. El filtrado pasa por la opción de nodo Metadata Filter, y en Insert Documents la opción Collection Config espera JSON con la configuración de creación de la colección.
04¿Qué hay que conectar como mínimo y por dónde empezar?
Empieza por la mitad que llena. Un flujo en Insert Documents, con un cargador de datos y un troceador de texto delante, un nodo de embeddings que convierta el texto en vectores y una colección que se va llenando. La parte de lectura viene después. El lector más sencillo es Get Many, porque los resultados vuelven como items de n8n que puedes abrir y revisar. Cuando eso devuelva lo que esperas, pasa a Retrieve Documents (As Tool for AI Agent) para cederle la colección a un agente, o pon un Vector Store Retriever delante de una Question and Answer Chain.
05¿n8n o Make para un flujo con vector store?
Depende de dónde deban vivir los datos. n8n se autoaloja con Docker o npm, o corre en n8n Cloud: un pipeline RAG que apunta a tu propia instancia Qdrant puede quedarse dentro de tu red de principio a fin. Make solo existe alojado, sin opción de autoalojamiento, y se factura por operación, lo que cambia las cuentas cuando una pasada de ingesta escribe miles de documentos. La lógica visual también difiere. Decide por alojamiento, control de los datos, modelo de coste y forma de construir, no por una lista de funciones.
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