Nodo Summarization Chain n8nConfigura Summarization Chain en n8n.
Entra un texto demasiado largo y sale un resumen corto. El nodo Summarization Chain n8n tiene 5 parámetros y 3 puertos de conexión, y se apoya en el modelo de chat que le conectas. Sirve cuando llegan más documentos de los que caben en un día de trabajo.
Reseñas verificadas en Trustpilot · Agencia de IA, automatización y growth
¿Para qué sirve el nodo Summarization Chain n8n?
Reduce un contenido largo a unas pocas frases legibles, dentro del propio flujo de trabajo. La descripción oficial del nodo lo dice en una línea: convierte texto en un resumen conciso. Le pasas el JSON del nodo anterior, un archivo binario, o documentos que entrega un sub-nodo loader, es decir un nodo pequeño que se engancha a un puerto en vez de colocarse en el lienzo. El modelo de chat conectado escribe; el nodo se encarga del resto, cortar, resumir cada trozo y volver a unir.
Primer caso: las opiniones de clientes. Llegan cientos de comentarios largos y nadie los lee enteros. Con Data to Summarize en nodeInputJson, la cadena devuelve un párrafo que cabe en un mensaje de Slack o en una fila de Google Sheets. La plantilla pública de n8n 1951 monta ese mismo esquema sobre páginas web extraídas, con un OpenAI Chat Model y un Recursive Character Text Splitter detrás.
Segundo caso: la carpeta de archivos. Contratos, informes de proveedores, currículums. Un Default Data Loader lee el archivo, la cadena devuelve un resumen por documento y la criba pasa de una tarde a unos minutos. Es la idea de la plantilla 2860, conectada a Google Drive para evaluar candidaturas.
Tercer caso: el buzón que no baja. Los hilos largos de Gmail se resumen antes de cualquier otro paso, así un AI Agent posterior no gasta su ventana de contexto, la cantidad de texto que un modelo puede leer de una vez, en respuestas citadas.
¿Cuándo conviene otro nodo? Si lo que esperas no es un texto más corto sino una decisión, una etiqueta o un objeto estructurado, encaja mejor una cadena pensada para eso o un agente capaz de llamar herramientas. Si el contenido ya cabe en un párrafo, una consulta directa al modelo basta y sobra. La Summarization Chain gana sentido cuando el texto supera lo que el modelo traga de una vez, porque cortar y recomponer es justo lo que automatiza.
Conviene conocer los límites antes de construir. El nodo resume y nada más: no extrae campos, no responde preguntas sobre el documento y no guarda nada entre ejecuciones. La calidad y el coste dependen del proveedor del modelo conectado, no de n8n. Esta página describe la versión 2 del nodo, así que un flujo antiguo puede mostrar menos opciones. Para una mirada más amplia a la plataforma, la Reseña n8n cuenta dónde funciona bien y dónde duele.
¿Qué se conecta a la Summarization Chain ?
Este nodo es un nodo raíz: recibe los items del flujo por su entrada principal, y debajo se enganchan sub-nodos, un tipo por puerto, que nunca se ejecutan por su cuenta.
Puertos (qué se conecta)
- Chat Model
ai_languageModelobligatorio - Document
ai_documentobligatorio - Text Splitter
ai_textSplitteropcional
01Chat Model
Este es el puerto que redacta. Cada fragmento de texto y la combinación final pasan por el modelo conectado aquí, así que un puerto vacío detiene el nodo antes de empezar.
Parámetros clave
- Required: sin modelo de chat, o sea un sub-nodo que envuelve un modelo de generación de texto y lleva el credential del proveedor, la cadena no produce nada.
- OpenAI Chat Model y Anthropic Chat Model son los dos puntos de partida habituales, con la clave de API puesta en el sub-nodo y no en la cadena.
- Ollama Chat Model mantiene el texto en tu propia máquina, algo que pesa cuando los documentos son contratos o currículums.
02Document
El puerto Document transporta el contenido a resumir cuando no viene del JSON del nodo anterior. Es lo que lee el modo documentLoader.
Parámetros clave
- Required: el puerto forma parte de la forma del nodo, y la cadena espera algo ahí en lugar de una toma vacía.
- Default Data Loader es el sub-nodo que ofrece el catálogo aquí, el que convierte un archivo binario en texto legible para el modelo.
03Text Splitter
Un text splitter decide dónde se corta un contenido largo antes de que el modelo lo vea. Este puerto solo entra en juego cuando la Chunking Strategy pasa a advanced.
Parámetros clave
- Optional: si lo dejas vacío, la cadena usa los ajustes simples definidos en su propio panel.
- Recursive Character Text Splitter corta primero por estructura, y así respeta los párrafos mejor que un recuento bruto de caracteres.
- Token Splitter cuenta en tokens, la unidad que el modelo lee y factura, en vez de caracteres.
- Character Text Splitter sigue siendo la opción directa cuando el texto no tiene estructura que respetar.
¿Qué parámetros se ajustan en la Summarization Chain ?
El nodo Summarization Chain tiene 5 parámetros. Para cada uno: el nodo tal como lo configuras en n8n, qué cambia el parámetro y nuestras notas de campo.
Data to Summarize
operationModeLo que ves en n8n
Notas y casos de uso
Este selector indica de dónde sale el texto, y el resto del panel cambia con él. Se ajusta el primero.
Parámetros clave
- Use Node Input (JSON) (
nodeInputJson): resume los datos JSON que entran desde el nodo anterior, el modo indicado tras una extracción de página web. - Use Node Input (Binary) (
nodeInputBinary): resume los datos binarios entrantes, o sea un archivo adjunto al item y no texto dentro de un campo. - Use Document Loader (
documentLoader): deja el trabajo a un sub-nodo loader, con más opciones de configuración.
Chunking Strategy
chunkingModeLo que ves en n8n
Notas y casos de uso
Un texto largo nunca llega entero al modelo. Este parámetro dice quién decide el corte: el propio nodo o un sub-nodo dedicado.
Parámetros clave
- Simple (Define Below) (
simple): los dos campos de tamaño aparecen justo debajo y no hay que conectar nada más. - Advanced (
advanced): recurre a un sub-nodo splitter, con más configuración, en el puerto Text Splitter.
Characters Per Chunk
chunkSizeLo que ves en n8n
Notas y casos de uso
Disponible con la estrategia simple, este campo controla el tamaño máximo, en número de caracteres, del fragmento final del documento. Fragmentos más grandes significan menos llamadas al modelo y más contexto en cada una.
Parámetros clave
- Characters Per Chunk (
chunkSize): un número, así que admite una expresión como{{ $json.chunkSize }}cuando el valor depende del tipo de documento que circula.
Chunk Overlap (Characters)
chunkOverlapLo que ves en n8n
Notas y casos de uso
Cortar en seco pierde la frase que quedaba en la juntura. Este campo indica cuántos caracteres se solapan entre fragmentos, para que cada uno arranque con el final del anterior.
Parámetros clave
- Chunk Overlap (Characters) (
chunkOverlap): un número, muy por debajo de Characters Per Chunk, porque el solapamiento es texto que el modelo lee dos veces.
Options
optionsLo que ves en n8n
Notas y casos de uso
Lo que no es el origen de los datos ni el tamaño de los fragmentos vive detrás de Add Option. Ahí hay tres campos.
Parámetros clave
- Input Data Field Name (
binaryDataKey): el nombre del campo, en la entrada de la cadena, que contiene el archivo binario a procesar. - Summarization Method and Prompts: el método de resumen, con Map Reduce recomendado, más Refine y Stuff, junto a los Individual Summary Prompts y el Final Prompt to Combine, que deben conservar el marcador
"{text}". - Batch Processing (
batching): el procesamiento por lotes para limitar el ritmo.
¿Necesitas ayuda para automatizar Summarization Chain con n8n?
El equipo te responde directamente.
Cada mensaje lo lee una persona.
Summarization Chain y n8n, las preguntas frecuentes
01¿El nodo Summarization Chain es gratuito en n8n?
02¿Qué hace falta para que funcione el nodo Summarization Chain n8n?
03¿Qué límites tiene este nodo?
04¿Qué hay que conectar como mínimo y con qué sub-nodo empezar?
05¿n8n o Make para resumir documentos?
Recibe nuestros tips de integración cada semana.
Sin spam. Cancela cuando quieras.
