Nodo Vector Store Question Answer Tool n8nConfigura Vector Store Question Answer Tool en n8n.
Un agente que relee toda la documentación antes de cada respuesta hace esperar a cualquiera. El nodo Vector Store Question Answer Tool n8n consulta un índice, resume lo que encuentra y devuelve una respuesta ya redactada. Tres parámetros, dos puertos por llenar, y queda funcionando.
Reseñas verificadas en Trustpilot · Agencia de IA, automatización y growth
¿Para qué sirve el nodo Vector Store Question Answer Tool n8n?
Es una herramienta, es decir, un recurso al que el modelo de IA recurre cuando la respuesta no está en lo que ya sabe. Conectado a un agente, recibe una pregunta bien formulada, busca en el vector store que tiene enganchado y devuelve una respuesta construida con los fragmentos encontrados. El agente nunca ve los documentos en bruto. Pregunta y recibe un párrafo.
Un vector store, o base vectorial, guarda una representación matemática de tus textos: la búsqueda trae pasajes por significado y no por coincidencia literal de palabras. Este nodo se apoya en uno de esos índices. Es un subnodo, una pieza que nunca corre sola: solo se ejecuta cuando un nodo raíz como el AI Agent decide llamarlo.
Primer caso, un chatbot interno sobre documentos de la empresa. Los archivos llegan desde Google Drive, un Recursive Character Text Splitter los corta en fragmentos, Embeddings Google Gemini los indexa en un Pinecone Vector Store y la herramienta contesta las dudas del equipo con un Chat Model de Google Gemini. Eso es la plantilla 2753 publicada en n8n.io, de principio a fin.
Segundo caso, un asistente de WhatsApp. La plantilla 2465 combina WhatsApp Business Cloud, un AI Agent, una Simple Memory para no perder el hilo de la conversación, un Simple Vector Store con la documentación de producto y esta herramienta con un Chat Model de OpenAI detrás. El cliente escribe, el agente enruta la pregunta hasta aquí y la respuesta vuelve al mismo chat.
Tercer caso, un agente de voz y teléfono. La plantilla 3657 indexa los documentos en un Qdrant Vector Store, suma Google Calendar para las citas y le entrega esta herramienta al agente para que cite la documentación mientras habla. Mismo nodo, otra puerta de entrada.
¿Cuándo saltárselo? Si detrás de la pregunta no hay documentos y el modelo ya sabe responder, basta un Chat Model solo, que es lo que hace un Basic LLM Chain en esa misma plantilla. Y si el agente tiene que actuar sobre un sistema en vez de leer sobre él, la herramienta que necesita es un nodo de aplicación expuesto al agente, no este. Revisa los puertos antes que nada: el índice y el modelo son ambos requeridos, así que un nodo a medio cablear bloquea la ejecución en lugar de responder a medias. El alcance es estrecho a propósito: este nodo responde preguntas y nada más, sin escritura en el índice ni carga de archivos. El catálogo lo trae en versión 1. Para ubicar n8n frente a otras plataformas está la Reseña n8n, y el Curso n8n arma un agente paso a paso.
¿Qué se le conecta?
n8n reparte el trabajo de IA entre un nodo raíz, que recibe los items del flujo de trabajo, y subnodos colgados de sus puertos, un tipo de subnodo por puerto. Estos son los tres puertos del nodo.
Puertos (qué se conecta)
- Vector Store
ai_vectorStoreobligatorio - Chat Model
ai_languageModelobligatorio
Salida (dónde se conecta)
- Tool
ai_tool
01Vector Store
El índice donde viven tus fragmentos de texto. Ahí es donde la pregunta va a buscar, así que de la herramienta no sale nada aprovechable mientras no se haya indexado algo de este lado.
En este puerto se engancha el subnodo de índice, el mismo que se usó para indexar los documentos. Él decide dónde viven de verdad los vectores, y la herramienta solo rebusca en lo que ya está guardado ahí.
Parámetros clave
- Required: si el puerto queda vacío, el nodo se niega a ejecutarse.
02Chat Model
El modelo que convierte los pasajes recuperados en una respuesta redactada. La búsqueda trae extractos, este modelo los lee y compone la contestación: su trabajo se parece más a resumir que a inventar.
Parámetros clave
- Required: el nodo necesita su propio modelo, aunque el agente que está encima ya tenga uno.
- OpenAI Chat Model: el que aparece cableado en la plantilla de WhatsApp.
- Anthropic Chat Model: otro proveedor, el mismo puerto, el mismo cableado.
- Google Gemini Chat Model: emparejado con los embeddings de Gemini en la plantilla 2753.
03Tool
El lado de salida. Este nodo no se engancha al flujo principal: se ata hacia arriba, a un nodo raíz con permiso para llamar herramientas.
Parámetros clave
- Required: un subnodo nunca corre solo, así que sin un nodo raíz encima nadie llama a la herramienta.
- AI Agent: el destino habitual, en las tres plantillas publicadas.
- AI Agent Tool: un agente expuesto como herramienta a otro agente.
- MCP Server Trigger: publica la herramienta hacia un cliente fuera de n8n.
¿Qué parámetros pesan de verdad?
El nodo Vector Store Question Answer Tool tiene 3 parámetros. Para cada uno: el nodo tal como lo configuras en n8n, qué cambia el parámetro y nuestras notas de campo.
Data Name
nameLo que ves en n8n
Notas y casos de uso
Pone nombre al conjunto de datos que la herramienta consulta. n8n mete ese nombre en la descripción de herramienta que el modelo lee antes de decidir si la llama: «Useful for when you need to answer questions about [name].» Los espacios se convierten en guiones bajos por el camino.
Parámetros clave
- Data Name: una cadena, con el marcador
e.g. users_info. Usa solo letras, números, espacios, guiones y guiones bajos; un carácter especial rompe la ejecución del agente con un nombre de función inválido.
hr_handbook y otro product_docs, para que el modelo elija el correcto solo por el nombre.Description of Data
descriptionLo que ves en n8n
Notas y casos de uso
Describe qué hay dentro del índice, en lenguaje llano. Ese texto rellena la segunda mitad de la descripción generada: «Whenever you need information about [data description], you should ALWAYS use this.» Si queda vago, el agente termina ignorando una herramienta que sí tenía la respuesta.
Parámetros clave
- Description of Data: una cadena, con el marcador
[Describe your data here, e.g. a user's name, email, etc.]. Redáctala pensando en el modelo, no en un compañero de oficina.
Limit
topKLo que ves en n8n
Notas y casos de uso
Pone techo a la cantidad de resultados que devuelve la búsqueda antes de que el modelo los resuma. Pocos resultados dan una respuesta ajustada y una llamada más liviana; más resultados cubren preguntas cuya respuesta está repartida en varios pasajes.
Parámetros clave
- Limit: un número, el máximo de resultados a devolver. Admite una expresión como
{{ $json.topK }}cuando el valor viene del item que alimenta el flujo de trabajo.
¿Necesitas ayuda para automatizar Vector Store Question Answer Tool con n8n?
El equipo te responde directamente.
Cada mensaje lo lee una persona.
Vector Store Question Answer Tool y n8n, las dudas más frecuentes
01¿El Vector Store Question Answer Tool es gratis en n8n?
02¿Qué credenciales necesita el Vector Store Question Answer Tool?
03¿Qué límites tiene el nodo Vector Store Question Answer Tool n8n?
04¿Qué hay que conectar como mínimo y con qué subnodo empezar?
05¿n8n o Make para un agente de búsqueda documental?
Recibe nuestros tips de integración cada semana.
Sin spam. Cancela cuando quieras.
