Curso práctico de N8N para principiantes: automatización visual sin programar, agentes de IA, opciones de despliegue (nube, servidor propio o local) y flujos con WhatsApp, Telegram, Gmail y bases vect
Key Takeaways
- N8N permite crear agentes de IA y automatizaciones visuales sin necesidad de programar, aunque los conocimientos técnicos amplían sus posibilidades.
- Ofrece flexibilidad de despliegue (nube gestionada, servidor propio o local), a diferencia de las alternativas puramente en la nube.
- La instalación local en modo desarrollador es la opción recomendada para empezar gratis y practicar.
- Combinar modelos de IA, bases vectoriales y mensajería permite construir asistentes que consultan documentos propios.
What the video covers
- Introducción al curso de N8N, una herramienta visual para automatizar procesos y crear agentes de IA sin saber programar.
- Explicación de la arquitectura de N8N basada en workflows formados por nodos, con triggers (disparadores) y acciones.
- Integración de modelos de IA (OpenAI, Azure, Hugging Face) con CRMs, bases de datos, redes sociales y mensajería como WhatsApp y Telegram.
- Comparación con Make, Zapier y Power Automate: estos alojan los flujos en la nube, mientras N8N permite desplegarlo en servidor propio.
- Tres opciones de despliegue: nube gestionada por N8N, servidor cloud propio (con costes y responsabilidad de configuración) y instalación local gratuita para pruebas.
- Configuración de credenciales y conexión de servicios como Google Drive y Gmail, con notas sobre la gestión de credenciales.
- Uso de triggers manuales con datos de entrada en JSON y ejecución de código JavaScript y Python dentro de los nodos.
- Creación de formularios, envío de correos en texto plano y análisis de imágenes con modelos GPT-4o mini.
- Procesamiento de documentos: división en fragmentos (token splitter) para uso con inteligencia artificial y RAG.
- Configuración de memoria externa para agentes mediante bases de datos vectoriales en Supabase.
Full Transcript — Download SRT & Markdown
Speaker A
Hola, bienvenidos a este curso de automatización con N8N, una herramienta poderosa y visual que te permite crear flujo de trabajo inteligentes y automatizar procesos y lo mejor de todo, sin necesidad de saber programar. Así que bien, el objetivo de este curso es
Speaker A
que al finalizar todas las clases seas capaz de diseñar tus propios agentes de inteligencia artificial y flujos automatizados de forma completamente autónoma. agentes capaces de sustituir tareas repetitivas y manuales que hoy quizás realizas vos mismo o algún miembro de tu equipo. Ahora bien, ¿por
Speaker A
qué N8N? Porque N8N es una de las mejores puertas de entrada al mundo de la automatización y la inteligencia artificial aplicada. Claro que existen herramientas complejas para construir agentes desde cero, pero NHN lo hace fácil, ya que puedes empezar sin
Speaker A
experiencia previa en programación con una interfaz visual y lógica que te guía paso a paso. Entonces, con este curso quiero transmitirte el conocimiento de forma simple, clara y práctica para que puedas crear tus primeros agentes y flujos de automatización por tu cuenta
Speaker A
desde cero. Sigue bien. Por lo tanto, ¿qué vamos a aprender? A lo largo de este curso vamos a diseñar distintos agentes de IA y automatizaciones reales aplicables a necesidades específicas de negocio en distintos sectores. Vas a ver cómo un agente puede resolver un
Speaker A
problema concreto y lo más importante, vas a aprender a extrapolar este conocimiento a tu propio entorno, ya sea personal o profesional. Mi meta es que termines este curso con una nueva mirada capaz de identificar oportunidades de mejora en tu día a día y que sepas cómo
Speaker A
abordarlas con soluciones innovadoras usando automatizaciones e inteligencia artificial. Hola y bienvenido de nueva cuenta a este nuevo curso sobre N8N, una plataforma revolucionaria que te permitirá crear agentes de inteligencia artificial y automatizar tareas complejas sin necesidad de saber programar. Ahora
Speaker A
bien, ¿qué es N8N? N8N es una plataforma visual pensada específicamente para quienes quieren automatizar flujo de trabajo y diseñar agentes inteligentes que interactúen con usuarios, procesen información, analizan datos y ejecutan acciones concretas.
Speaker A
Todo esto sin escribir una sola línea de código. Así que bien, en pocas palabras, es la herramienta ideal para integrar modelo de inteligencia artificial como Penin, Azure o Angy Face con otras aplicaciones y servicios que ya usas en
Speaker A
tu día a día, desde CRMs, base de datos y redes sociales hasta plataformas de mensajería como WhatsApp o Telegram.
Speaker A
Pero, ¿cómo funciona? La arquitectura de N8N se basa en lo que se llama workflows, flujos de trabajo visuales construidos a partir de nodos, en donde cada nodo representa una acción o un disparador. Lo que en N8N se llama un
Speaker A
trigger, ya que por ejemplo un trigger puede ser cuando alguien envía un mensaje por WhatsApp y una acción puede ser que un modelo de IA lea ese mensaje, lo procese y responda automáticamente.
Speaker A
Y así es básicamente cómo puedes construir agentes que automatizan interacciones en tiempo real, eliminando tareas repetitivas y mejorando procesos tanto en el ámbito personal como profesional. Ahora, ¿por qué N8N es tan potente? Bien, básicamente porque une tres grandes tendencias tecnológicas,
Speaker A
en donde la primera de ellas es el no code, ya que como le había mencionado antes, podes crear soluciones sin saber programar. Aunque eso sí, si tenés conocimientos técnicos, vas a poder sacarle todavía más provecho. Lo segundo es la automatización.
Speaker A
Al igual que otras herramientas como Makeier o Power Automate, N8N te permite conectar servicios y aplicaciones para que trabajen juntas automáticamente.
Speaker A
Y por último, inteligencia artificial, ya que puedes diseñar agentes que usan modelos de IA para interpretar texto, tomar decisiones y ejecutar acciones según lo necesiten. Todo esto con una interfaz visual intuitiva y altamente escalable. Así que bien, ¿qué vas a
Speaker A
lograr en este curso? Con este curso vas a aprender a construir tus propios agentes inteligentes combinando ella automatización y lógica de negocio.
Speaker A
Además, vamos a ver casos reales y soluciones aplicadas a distintos sectores para que puedas adaptarlos a tu propio contexto, ya sea en tu trabajo, emprendimiento o proyectos personales.
Speaker A
Mi misión es darte las herramientas y el conocimiento necesario para que puedas aprovechar al máximo el potencial de N8N. sin depender de desarrolladores ni hacer grandes inversiones. Así que bien, ahora yo te pregunto, ¿estás listo para comenzar? Si es así, nos vemos en la
Speaker A
primer clase donde veremos cómo descargar N8N. Si ya estás acostumbrado a trabajar con herramientas no code, principalmente herramientas de automatización, quizás te estés haciendo la pregunta de, "Oye, ¿por qué tengo que aprender a usar N8N si ya estoy usando Meg o Sapier? o Power
Speaker A
Automate. Si trabajas en entorno Microsoft, pues bien tienes dos ventajas claras para poder utilizar N8N o para aprender a integrarlo en tu día a día.
Speaker A
Entonces, la primera es que puedes desplegar la plataforma donde quieras y me explico. Los procesos que diseñas en Make, en Zapier o en Power Automate se hospedan en la nube. decir, si por ejemplo yo en Zapier diseño un flujo
Speaker A
como el que estamos viendo aquí a la derecha en pantalla donde me llega una notificación o se rellena un formulario o en webflow, se almacenan los datos en una tabla y después se añade un registro en Hamstone y se manda un mensaje en
Speaker A
Slack. Todo esto, todo este flujo está hospedado en la nube, en los servidores de Sapierra. Entonces, en este caso, son ellos quienes gestionan toda la infraestructura y simplemente tú te preocupas por diseñar el flujo y ejecutarlo. ¿Qué pasa? Que puede haber
Speaker A
ciertos entornos empresariales donde tú quieres tener la propia plataforma, por ejemplo, de pier instalada en tu servidor. Entonces, con N8N tienes esa posibilidad. Eso sí, no se van a almacenar los flujos en la nube como si puede hacerlo en Power Automate, Zapier
Speaker A
o Make, sino que NN8N tiene la posibilidad de instalarte la plataforma en tu servidor. Entonces veremos cómo tendrás tres opciones disponibles.
Speaker A
tendremos la típica de automatización no code, que es, oye, N8N se encarga de hospedar los procesos al igual que se pueda hacer con lo demás, por lo que estarán en la nube gestionados por la propia empresa de N8N.
Speaker A
La otra opción es que tú puedes desplegar la plataforma DN8 en un servidor Cloud, es decir, la infraestructura será de Google, Amazon, Microsoft o donde quieras levantar ese servidor, pero tú te encargarás de poder configurar allí la plataforma y si hay
Speaker A
algún tipo de problema con ese servidor, tú serás el encargado de resolverlo. que hay cierto compromiso que tendrás que controlar, ya que, por ejemplo, no tendrás el coste de N8N en la nube, obviamente, pero tendrás el coste del
Speaker A
servidor donde hospedas esa plataforma y tendrás que realizar las configuraciones necesarias. Y después tenés la opción más sencilla que es poderte instalar N8N en local para realizar todas las pruebas necesarias y crear tus primeros agentes.
Speaker A
Esta última es la opción que siempre recomiendo para empezar desde cero con N8N y de forma gratuita. Y de nuevo, obviamente, tendrás el consumo de recursos de tu máquina, pero podrás instalarte toda la plataforma que estamos viendo en pantalla y desarrollar
Speaker A
procesos como el que estás viendo en tu máquina local. De hecho, esto ahora mismo lo tengo desplegado en local host y este puerto, si te fijas, así que tengo N8N instalado en local en modo desarrollador para poder implementar
Speaker A
flujos workflows como el que ves en pantalla. Entonces, recapitulando un poco, hemos dicho que teníamos dos diferencias principales entre usar N8N con Make Zapier o Power Automate. La primera de ellas es la que acabamos de comentar, ya que puedes instalar la plataforma en
Speaker A
cualquier servidor y no estás obligado a tener tus flujos en la nube como si lo tienes en Zapier Make y Power Automate.
Speaker A
Y la segunda característica que es importante comentar es que prácticamente N8N es una plataforma nativa para diseñar agentes de inteligencia artificial, así que podrás diseñar escenarios como el que estás viendo ahora mismo en pantalla. Escenarios en el que podamos desplegar agentes de IA
Speaker A
que usen modelos de inteligencia artificial específicos. En este caso estoy usando justamente un modelo de Open AI, es decir, los agentes serán capaces de recordar todas las conversaciones que tengan con los usuarios. Y por último, estos agentes ejecutarán procesos automáticos. En este
Speaker A
caso simplemente envía un correo electrónico, pero podrán ejecutar procesos automáticos como lo que estamos viendo aquí en este otro flujo. Es decir, que procesos que estén diseñados en MAI o Power Automate podrían ejecutarse a través de un agente de N8N
Speaker A
realizando una llamada a esos flujos, sean flujo de estas tres herramientas que acabamos de comentar o propios flujos que tengas dentro también de N8N.
Speaker A
En esta clase vamos a hablar de algo fundamental antes de empezar a trabajar con N8N.
Speaker A
Así que en este capítulo veremos las distintas opciones que tenés para instalar y ejecutar la plataforma. Ahora bien, seguramente te estarás preguntando por qué es importante esto. Bien, porque dependiendo del entorno que elijas, vas a tener más o menos control, más o menos
Speaker A
costos y diferentes niveles de responsabilidad. sobre la infraestructura. Así que bien, por ejemplo, ahora mismo me encuentro por aquí en la página oficial de N8N, por lo que simplemente busquen nj.O y ya le va a llevar a esta misma página.
Speaker A
La primera opción, como ya lo hemos visto en el capítulo pasado, es instalar N8N en tu propia computadora o servidor local, ya que en esta modalidad te da control total sobre la plataforma y no tiene costo de licencia. Eso sí, vos
Speaker A
mismo vas a tener que encargarte de la instalación, el mantenimiento, la actualización y la seguridad. Pero si estás empezando o solo querés hacer pruebas y aprender, esta opción es perfecta, gratuita y muy flexible.
Speaker A
Asimismo, la segunda opción que hemos visto es instalar N8N en un servidor en la nube como Amazon Web Service, Google Cloud, Azure o cualquier otro proveedor.
Speaker A
Así que bien, en este caso alquilas la infraestructura a un tercero, pero la plataforma sigue siendo gestionada por vos y esto te permite tener un entorno más estable y accesible desde cualquier lugar, pero también implica que vas a
Speaker A
tener que encargarte de la gestión técnica de N8N, ya sea por ejemplo la instalación, el mantenimiento y escalabilidad. Y ya por último, la tercera opción es usar N8N como servicio, es decir, dejar que la empresa detrás de N8N se encargue de todo, ya
Speaker A
sea de la infraestructura, mantenimiento actualizaciones rendimiento seguridad absolutamente todo. Y en este caso solo te enfocarías en crear tu flujo de trabajo y agentes de IA desde el navegador como si fuera una herramienta tipo MAC o sapier, ya
Speaker A
que al momento de grabar este curso hay planes de 20 a 50 € por mes dependiendo de tu necesidad. También si vemos por aquí existe un plan enterprise para empresas más grandes con características más avanzadas como lo estamos viendo por
Speaker A
aquí. Y si se fijan por aquí en la parte de abajo de cada uno de ellos, como estamos viendo por aquí, lo tendríamos alojado en N8N. Así que bien, en pocas palabras, si únicamente no queremos enfocar en crear nuestro flujo de
Speaker A
trabajo y agentes de simplemente podemos pagar cualquiera de estos planes y ya lo tendríamos completamente listo para utilizar. Pero ahora bien, seguramente te estarás preguntando qué sucede con la versión gratuita. Pues bien, como le había comentado antes, tenés la opción
Speaker A
de usar la community edition de forma totalmente gratuita, ya que si nos bajamos por aquí en la parte de abajo, aquí mismo lo vemos como ven por aquí en donde dice community edition. En esta parte lo podemos descargar de forma
Speaker A
totalmente gratuita y básicamente a partir de él podés instalarla en tu PC o en cualquier servidor que elijas, ya sea local o en la nube. Así que bien, si le damos un clic por aquí nos lleva a la
Speaker A
siguiente página. en donde básicamente por aquí ya podríamos comenzar con la instalación de N8N en donde querramos. Y es que básicamente esta versión es ideal si querés ahorrar costos y no te importa gestionar un poco de tu infraestructura.
Speaker A
Obviamente al ser una versión gratuita tiene algunas limitaciones, ya que por ejemplo si nos vamos por aquí veremos que nos va a estar faltando algunas ciertas funciones avanzadas del plan enterprise, pero no te preocupes, ya que todo lo que veremos en este curso se
Speaker A
puede hacer perfectamente usando esta versión gratuita. Entonces, ¿cuál deberías elegir? Pues bien, depende de tu objetivo, ya que si estás aprendiendo o trabajando en un proyecto personal, sería más sencillo utilizar una instalación local o en un servidor barato con la versión community. Pero en
Speaker A
cambio, si estás creando algo para un cliente o una empresa y querés esta habilidad, podrías hacer un despliegue en la nube autogestionado, ya que básicamente alquilas un costing, lo instalas allí y lo podrías utilizar tranquilamente desde ese sitio. Pero
Speaker A
ahora bien, si queres olvidarte completamente de la parte técnica, podrías contratar un plan SAS de esto de aquí, hospedados en N8N. Y como le había mencionado antes, te olvidas de todo lo demás. Pero de nueva cuenta, ya te digo
Speaker A
que a lo largo del curso te voy a ir comentando si hay algo que solo se puede hacer en la nube o con ciertas configuraciones, pero por lo general vas a poder seguir el curso completo con la versión gratuita en local, esta misma.
Speaker A
En esta clase vamos a ver cómo podemos darnos de alta NN8N para usar la versión en la nube, la versión en la que N8N nos hostea, nos gestiona tanto la infraestructura como la plataforma y lo utilizamos directamente en la nube sin
Speaker A
tenernos que preocupar de nada. Y como le había mencionado antes, esta es la versión, digamos, la más fácil para arrancar, ya que puedes activar una prueba gratuita. de unos 14 días.
Speaker A
Entonces, de este modo ya directamente estarías arrancando sin tener que asumir este coste. Obviamente estos costes y precio que estamos viendo pueden cambiar con el tiempo, ya que, por ejemplo, quizás mañana o la semana que viene cambien y la prueba gratuita puede
Speaker A
también alargarse o de ser de menos días. Entonces, en este caso, al día de hoy, la prueba gratuitas son de 14 días.
Speaker A
Así que bien, simplemente si no quieres liarte en desplegar el servidor o instalar N8N en local, puedes arrancar la prueba gratuita. Entonces, básicamente para comenzar podemos hacer clic en este botón de aquí que nos dice get started o así mismo también
Speaker A
directamente podemos bajar hasta aquí abajo del todo. Y como ven, por aquí nos dice que podemos hacer esta prueba 14 días totalmente gratis. Así que directamente le podemos dar también por aquí, dependiendo al plan que queremos utilizar, le damos un clic aquí mismo en
Speaker A
donde dice arranca la prueba gratuita y en este caso te va a dirigir a un formulario como el que estamos viendo donde puedes rellenar tu nombre completo, tu email, contraseña y también el nombre de la cuenta, lo que significa
Speaker A
que si por ejemplo aquí pongo t.n8n.cloud, cloud. Esto de aquí vendría a ser el dominio de N8N que te permite, digamos, desplegar tu workflows bajo este subdominio que estarías creando en esta zona. Entonces, si yo, por ejemplo, aquí
Speaker A
escribo test o por ejemplo mi nombre alex.n8n.cloud, cloud. Cuando arranquemos la prueba gratuita, voy a tener todo mi entorno bajo esto que estamos viendo por aquí en pantalla, ya que básicamente este sería el dominio, el que tengo justo por aquí
Speaker A
arriba, que es Alex. Y una vez que nos registremos y estemos adentro, aquí puedo crear básicamente mis workflows y trabajar como lo haría desplegando la versión de comunidad en un servidor o en local. Obviamente, así como le había
Speaker A
comentado antes, aquí tendremos algunas características extra o quizás no tenemos en el servidor que vayamos a desplegar, pero básicamente todo lo que vayamos a realizar es exactamente igual.
Speaker A
Así que simplemente te lo comento porque si querés arrancar sin complicaciones de arrancar un servidor en local o en un servidor en la nube podes arrancar directamente con una prueba gratuita como lo estamos viendo por aquí en donde
Speaker A
como le había comentado antes, tenemos 14 días disponibles totalmente gratis y asimismo nos dan con ello 1000 ejecuciones en donde estos son 1000 ejecuciones de procesos o de agentes, ya que he ejecutado solamente nueve.
Speaker A
Así que bien, tienes disponible todo esto y básicamente esta prueba gratuita te va a servir para ver si te interesa o no utilizar N8N y una vez que lo hayas descubierto ya decides si trabajar con la versión comunidad, que sería
Speaker A
gratuita, obviamente asumiendo el costo del propio servidor. En esta clase te voy a mostrar cómo podemos desplegar la versión gratuita de N8N Community en un servidor en la nube.
Speaker A
Ojo, aclaremos algo importante desde el principio. N8N en su versión community es totalmente gratuita, pero eso sí, si lo vas a instalar en un servidor en la nube, ahí sí tendrás que asumir el costo del servidor, aunque suele ser bastante
Speaker A
económico, así que vamos a ver cómo hacerlo paso a paso. Entonces, primero nos vamos por aquí a la lista de precios y bajamos hacia abajo del todo. Y debemos irnos por aquí en donde dice que podemos obtener la versión base de N8N
Speaker A
Community, esta misma. Así que entramos por aquí a la documentación oficial de N8N y aquí mismo vas a encontrar un montón de opciones para instalarlo y una de las más recomendadas es hacerlo usando Docker, ya que básicamente si
Speaker A
ingresamos dentro y si querés seguir las opciones con Docker, la documentación ya te trae todo listo, ya sea los comandos, configuración de variables de entorno, autenticación, seguridad y mucho más.
Speaker A
todo esto por aquí, pero asimismo si prefieres hacerlo sin Docker, también hay una forma de instalarlo en máquinas virtuales en la nube, ya que puedes usar los servicios como Google Cloud, Amazon Web Service, Azure o incluso plataformas más sencillas para web apps, como en
Speaker A
este caso Netli 5, Versel o asimismo render. En este caso, yo voy a usar render porque básicamente es sle permite tener N8N funcionando en menos de 5 minutos. Así que veamos cómo hacerlo.
Speaker A
Entonces, lo primero que necesitamos hacer es crear una cuenta en render. Así que bien, una vez que no encontremos por aquí, podés registrarte tanto con tu cuenta de Google, GitHC, Gitlab o asimismo también puedes crear una cuenta desde cero. En este caso me voy a
Speaker A
registrar con Google, ya que es más rápido. Ahora bien, una vez dentro, vamos a desplegar un nuevo web service por aquí, que básicamente va a ser nuestro servicio para alojar N8N. Y en este caso, como estamos viendo, render nos
Speaker A
pide ahora conectar con nuestro GitHub. Y esto es porque básicamente necesita leer el código que vamos a desplegar.
Speaker A
Pero ahora bien, ¿qué pasa si no tenemos el código de N8N en tu GitHub? Ya que simplemente buscamos en Google GitHub N8N. Aquí mismo ingresamos dentro del primer link y de este modo, básicamente estaríamos entrando dentro del repositorio oficial de N8N. Y lo que
Speaker A
podemos hacer ahora una vez que temo por aquí es hacer clic en fork para copiarlo a tu cuenta. Pero ahora bien, si no tenés una cuenta de GitHC, te registras por aquí en la parte superior. Si ya tienes una cuenta, simplemente inicia
Speaker A
sesión y haces el fork. Ahora bien, por aquí le podemos dar un nombre, por ejemplo, N8N. gu test, ¿por qué no? Y le damos en crear for. Así que bien, una vez que hagamos esto, esperamos a que se
Speaker A
nos esté clonando y ahora bien, una vez que lo tengamos directamente nos volvemos a render. Y aquí lo que tenemos que hacer es, en este caso, autorizar el acceso a tu GitHub. Así que le damos un clic por aquí y en este caso le damos en
Speaker A
autorizar render. Y aquí básicamente le podemos dar acceso a todos los repositorios o asimismo a uno solo y lo podemos seleccionar aquí mismo, por ejemplo, en este caso el DN8 guest, este mismo. Y una vez que lo seleccionemos
Speaker A
hacia abajo y le damos en instalar. Y veremos en este caso que render automáticamente detecta que en este caso el proyecto es de node. Así que completan los comando de despliegue por defecto por aquí mismo. Y ahora por aquí
Speaker A
en la parte de abajo viene una parte importante que viene siendo el plan del servicio, ya que como vemos podemos elegir el plan gratuito para probar, pero una cosa que tenemos que tener en cuenta es que si se apaga podés perder
Speaker A
tus flujos que hayas creado. Así que en este caso lo ideal sería usar este mismo de aquí, por lo menos el plan base, que en este caso cuesta unos 7 al mes y así aseguras esta habilidad. Pero ahora
Speaker A
bien, para este tutorial yo voy a usar el plan gratuito. Y ya por último, solo necesito agregar una variable de entorno con la versión de Note, por ejemplo, este mismo y le agregamos aquí 22 porque no. Y ahora sí, una vez que lo hayamos
Speaker A
agregado, le damos a Deploy Web Service. Ahora toca esperar unos 10 a 15 minutos, ya que Render va a descargar el código, levantar el servicio y dejarlo funcionando. Y una vez que termine, vas a tener una URL como esta. Así que bien,
Speaker A
en este caso podrás acceder a ella y vas a ver la pantalla de registro de N8N.
Speaker A
Así que simplemente solo completas tu nombre, email, contraseña y ya con ello tendrías tu propio servidor de automatizaciones funcionando en la nube.
Speaker A
Y recuerda que puedes repetir este mismo proceso en cualquier proveedor, ya sea Cloud, asimismo Amazon Web Service, Azure o Google Cloud, pero lo importante es que ahora ya sabes cómo montar N8N Community totalmente gratis. Eso sí, solo asumiendo el costo del servidor.
Speaker A
Además de usar N8N en la nube, ya sea con su versión oficial o desplegándolo vos mismo en servicios como render, como lo hemos visto antes, también podés instalarlo en tu propia computadora, es decir, de forma local. ¿Y por qué
Speaker A
querrías hacer eso? Bueno, cada opción tiene sus ventajas. Si lo tenés en la nube, podés acceder a tu flujo de trabajo desde cualquier dispositivo con solo tener internet, ya que, por ejemplo, si lo instalaste en render, vas a tener una URL pública a la que te
Speaker A
puedes conectar desde donde quieras. Y asimismo también podés iniciar sesión con tu cuenta DN y administrar tus automatizaciones directamente ahí. Pero si estás recién empezando, tal vez prefieras aprender y practicar sin depender de internet o sin pagar por un
Speaker A
servicio. Entonces ahí es donde entra en juego la instalación en local, ya que podes tener N8N funcionando en tu propia computadora totalmente gratis, sin límite de tiempo ni recursos. Además, es ideal para hacer pruebas, prácticas, aprender y preparar tus automatizaciones
Speaker A
con calma. Y una vez que sepas cómo funciona todo y tenga flujos bien armados, podes pensar en subirlo a la nube, a un entorno de producción, lo bueno es que ya vas a saber exactamente qué estás haciendo y qué necesitas. Así
Speaker A
que en esta próxima parte del video te voy a mostrar cómo instalar N8N en tu máquina local paso a paso. Así que vamos a verlo.
Speaker A
En esta clase vamos a instalar N8N en nuestra máquina local para que puedas hacer todas tus pruebas sin pagar nada, ni por la plataforma ni por servidores externos. Así que todo lo que vamos a hacer se podrá realizar gratis, aunque
Speaker A
claro, tu computadora va a usar recursos, así que gratis entre comillas. Aún así, es una opción excelente si estás aprendiendo y no querés complicarte con un entorno online. Para esto vamos a usar la versión comunitaria N8N, esta misma. Y así como lo había
Speaker A
mencionado antes, podés instalarla de distintas formas, ya sea por ejemplo con Docker si ya lo estás usando, pero en este caso te voy a mostrar cómo hacerlo usando directamente node. Así que bien, lo primero que vas a tener que hacer es
Speaker A
instalar N8N de forma global en nuestra máquina usando npm, que vendría a ser el gestor de paquetes de node. Entonces, para eso vamos a ejecutar este comando de aquí abajo en la consola y eso va a instalar N8N global, lo que significa
Speaker A
que vas a poder ejecutarlo desde cualquier carpeta o proyecto en tu computadora. Pero ojo, ya que si todavía no tienes instalado Node, ese comando no va a funcionar. Entonces, si no lo tenés, simplemente le damos un clic por
Speaker A
aquí mismo. Y esto mismo nos llevaría a la página oficial de Node. Y desde aquí puedes descargar, instalar esa versión, ya sea desde aquí. O también nos podemos ir por aquí arriba, le damos un click y aquí lo podemos descargar. Y ahora bien,
Speaker A
una vez que lo hayamos instalado, que eso es muy sencillo, le damos a continuar, siguiente, siguiente y continuar. Y finalizar. Y una vez que lo hayamos descargado e instalado, ahora sí que sí vamos a poder utilizar el siguiente comando, este de aquí, sin
Speaker A
ningún problema. Así que bien, lo que vamos a hacer es copiarlo por aquí. Y si querés saber dónde se instala estos paquetes, directamente nos vamos por aquí abajo en el buscador y escribimos aquí mismo por C app data por C de esta
Speaker A
manera y le damos abrir esta carpeta y básicamente en esta ruta es donde se van a estar guardando los módulos instalados. Y ya te digo que usualmente hay una carpeta creada por aquí adentro llamada npm. Y ahora bien, una vez que
Speaker A
sabemos en dónde se guarda esos módulos, lo que vamos a hacer es abrir por aquí nuestra terminal o asimismo también nuestro símbolo del sistema. Le damos un clic y una vez que no encontremos por aquí, lo que vamos a hacer es pegar el
Speaker A
siguiente comando y le vamos a dar un enter. Y ahora bien, debemos esperar unos segundos o minutos según tu conexión y equipo. Y cuando termine la instalación vas a tener N8N listo para ejecutar desde tu propia máquina local.
Speaker A
Y eso es todo por ahora, ya que únicamente debemos dejar que esto instale y ya en la próxima parte vamos a ver cómo arrancar N8N en local y empezar a crear nuestros primeros flujos. Cuando termine la instalación, ya podés
Speaker A
arrancar N8N con este comando. Presionas enter y en unos segundos vas a ver que el entorno local se levanta y en pantalla te va a aparecer un mensaje que dice algo como presiona la tecla O para abrir en el navegador y si lo haces te
Speaker A
va a abrir el panel de N8N en la siguiente dirección. Ahí básicamente vas a poder iniciar sesión con tu cuenta o crear una nueva cuenta. Y ahora bien, una vez dentro, ya vas a poder empezar a crear tus workflows como si estuvieras
Speaker A
en la versión online. Ahora, seguramente te estarás preguntando cuáles son los beneficios de usar N8N en local. Lo primero es que no asumirás ningún costo mensual, además que tenés acceso completo a todas las funcionalidades básicas. Asimismo, también podés hacer
Speaker A
todas las pruebas de este curso o de tu proyecto sin preocuparte por recursos limitados. Así que, en pocas palabras, utilizar N8N en local es ideal para desarrolladores, testers o personas que están aprendiendo. Y ya una vez que domines bien la herramienta y tengas tu
Speaker A
workflows listos, podés decidir si los migras a un servidor en la nube o contratas un plan de N8N Cloud para la producción. Y eso es todo por este video. Ahora ya sabes cómo instalar y usar N8N en local de forma gratuita y
Speaker A
con Total Control. Y recuerda que si te sirvió este tutorial, deja tu like y suscríbete para más contenido sobre automatizaciones y herramienta no code.
Speaker A
Y nos vemos en una próxima entrega. Ahora que ya tenemos N8N instalado y funcionando, vamos a explorar un poco cómo es su entorno de trabajo y qué funcionalidades nos ofrecen. Lo primero que vas a ver al acceder a la
Speaker A
herramienta, ya sea que la que estés usando en local, en un servidor propio o directamente en la nube, es la pestaña principal de Workflows y desde aquí podés ver todos los flujos que tengan creados, tanto activos como inactivos.
Speaker A
En mi caso, por ejemplo, como lo tengo desplegado en local, ya puedo ver algunos workflows que fui creando para hacer pruebas. Además, podé filtrarlos fácilmente y acceder a cualquiera de ellos con un solo clic. Voy a abrir uno
Speaker A
para que veas cómo se visualiza un proceso por dentro. Esto es lo que ves en pantalla es lo que se conoce como un lienzo DN8, donde vas a poder diseñar visualmente cada uno de los pasos que debe seguir tu
Speaker A
workflow. En este caso puntual, por ejemplo, estamos viendo un flujo donde un agente automatizado responde mensajes a través de un chat. Y en este caso podría ser un chatbot embebido en una web como este que ves por aquí abajo o
Speaker A
incluso desplegando en canales externos como WhatsApp o Telegram. Lo interesante es que todo se configura de forma visual, conectando nodos entre sí y definiendo acciones específicas paso a paso. Y esto es solo el comienzo, ya que N8N tiene un montón de características
Speaker A
superpotentes que vamos a ir explorando paso a paso, desde integraciones con API externas hasta lógica condicional, bucles y mucho más. Así que si recién estás empezando, no te preocupes. En los próximos videos te voy a mostrar cómo construir workflow desde cero, cómo
Speaker A
probarlos y cómo llevarlos a producción. Antes de empezar a desarrollar cualquier agente o automatizar un proceso desde cero en N8N, siempre recomiendo que te tomes un momento para explorar el apartado de plantillas, ya que esto te puede ahorrar muchísimo tiempo. Así que
Speaker A
bien, entonces a la izquierda vas a encontrar una sección llamada template y al hacer clic se despliega una galería con cientos de workflow listos para usar creados por la comunidad de usuarios de N8N de todo el mundo. Asimismo, puedes
Speaker A
ver lo que están en tendencia, los más usados o filtrarlos por categoría, ya que, por ejemplo, automatizar reportes con Google Analytics, transcribir audio con inteligencia artificial, enviar alertas de Slack y mucho más. Lo mejor de todo es que estas plantillas no son
Speaker A
solo ejemplos visuales, ya que la vas a poder importar directamente a tu entorno con un solo clic. Y eso significa que no hace falta que construyas todo esto desde cero, sino que simplemente podés partir de una base funcional y luego
Speaker A
ajustarla según tus necesidades. Asimismo, también podemos usar el buscador para encontrar plantillas que usen conectores específicos. Ya sea, por ejemplo, si necesitas trabajar con Google Sheets, simplemente escribes eso en el buscador y te va a mostrar todos los workflows relacionados que ya han
Speaker A
sido creados. Pero ahora bien, si prefieres crear tu workflow desde cero, podes hacerlo desde el botón create workflow o el botón con el símbolo más que aparece en el menú lateral izquierdo por aquí mismo. Eso sí, otra cosa que
Speaker A
podemos hacer con N8N es organizar tus flujos, ya sea filtrarlos por si están activos o inactivos, ordenarlos y clasificarlos en carpetas. Así que si vas a trabajar con mucho workflows, te recomiendo ser ordenado con los nombres y la descripción. Y con esto ya puedes
Speaker A
empezar mucho más rápido tus automatizaciones, ya que en este caso las plantillas son una herramienta increíble para aprender y avanzar más rápido.
Speaker A
Ahora bien, antes de diseñar cualquier agente o automatización NN8N, es fundamental entender bien cómo funciona el apartado de credenciales, ya que si se fijan en la parte superior del entorno de N8N vas a encontrar la sección de credenciales y al hacer clic
Speaker A
en él se despliega un listado con todas las conexiones que tenés configuradas con herramientas externas. En este caso me aparece vacío, ya que estoy utilizando para este curso una nueva cuenta. Pero en cambio, si regreso a mi cuenta antigua, van a ver que tengo
Speaker A
configuradas herramientas externas, como por ejemplo, base de datos con PGRGR SQL o Supase. Asimismo, también tengo configuradas por aquí herramientas de Google como Google Drive, Kids o Calendar. Asimismo, también tengo configurados servicios como Open AI, Gmail, entre muchos otros. Básicamente
Speaker A
estas credenciales son esenciales porque si vas a usar una herramienta externa dentro de un workflow, N8N necesita acceso a tu cuenta. Ese acceso puede ser mediante un usuario y contraseña, un token de API o una clave especial dependiendo del servidor. Entonces, en
Speaker A
pocas palabras, sin una credencial válida, tu flujo no va a poder conectarse ni ejecutar tareas correctamente, ya que, por ejemplo, si abrimos un workflow cualquiera, podemos ver que estoy utilizando tres conexiones diferentes. Open AI para acceder a un
Speaker A
modelo como GPT4 o GPT4 Mini mediante una clave de API. Asimismo, también estamos utilizando una base de datos pogres conectada directamente al flujo.
Speaker A
Y ya por último, una tercera herramienta es una base vectorial en Superbase, donde también tengo credenciales configuradas allí. Esto significa que en este caso tengo tres credenciales activas para que el flujo funcione correctamente. Y como hemos visto antes,
Speaker A
todas están disponibles desde ese panel de credenciales y es por eso que mi recomendación es que mantengas siempre tus credenciales actualizadas, ya que si en algún momento alguna expira o cambia como suele pasar con las APIs, en este
Speaker A
caso tus flujos pueden fallar sin previo aviso. Así que bien, una buena gestión de credenciales es clave para que todo funcione sin errores.
Speaker A
Ahora vamos a enfocarnos en una parte clave de N8N, el apartado de ejecuciones, ya que este panel es esencial para ver si tu workflow están funcionando correctamente o presentan errores. Así que bien, si se fijan en el menú lateral derecho encontrarás la
Speaker A
sección llamada ejecuciones y veremos que al hacer un clic se despliega una lista con todas las ejecuciones registradas de los workflow que tenés activos en tu entorno. Obviamente si recién estás empezando, esta lista aparecerá vacía, pero en mi caso ya
Speaker A
tengo varios workflow desplegados y por eso se ve estas actividades. Y si vemos en este caso cada ejecución indica la fecha. y hora en la que se ejecutó y si fue exitosa o tuvo errores, ya que por ejemplo este workflow llamado Mi
Speaker A
Workflow 2, si vemos se ha ejecutado varias veces, la mayoría con éxito, pero una muestra un error, así que podés hacer clic en el botón de detalles para ver exactamente qué falló allí. O también otra cosa que puedes hacer es
Speaker A
dirigirte al Wordflock directamente y acceder desde allí al panel de ejecuciones, ya que aquí, como vemos en la parte superior derecha del lienzo del Wflow, vamos a encontrar también un acceso directo para ver ejecuciones específicas. Y veremos también,
Speaker A
asimismo, que este panel de ejecuciones nos muestra el input y el output de cada bloque del flujo, asimismo, todos los log relacionados y también, por supuesto, veremos en él información sobre qué parte se ejecutó correctamente y cuál no. Y este apartado es clave, ya
Speaker A
que si estás trabajando con bloques como Open AI, Superbase o base de datos, por ejemplo, ya que podés ver si la respuesta de la API fue correcta o si hubo un problema en la estructura de datos, por ejemplo. Entonces, en
Speaker A
resumida cuenta, usar este panel te permite construir tus agentes paso a paso. Así que por lo tanto no necesitarás armar todo el flujo de golpe, sino que puedes probar por ejemplo primero el bloque del modelo como GPT4, después la memoria y luego
Speaker A
las herramientas externas. Así que bien, básicamente podemos utilizar el apartado de ejecuciones para validar que todo esté funcionando correctamente. Y si llega a haber un error, lo puedes detectar, corregir y seguir adelante.
Speaker A
Así que bien, el panel de ejecuciones es tu mejor aliado para depurar, validar y mejorar cada uno de tu workflow en N8N.
Speaker A
Así que lo vamos a usar constantemente a lo largo de todo el proceso de desarrollo.
Speaker A
En esta sesión vamos a crear un workflow desde cero n8n para que puedas empezar a automatizar tus procesos paso a paso.
Speaker A
Así que bien, lo primero que vamos a hacer es dirigirnos a la parte superior derecha, en esta zona de aquí donde aparece el botón create workflow y si hacemos un clic en él y se abre un lienzo en blanco donde podremos empezar
Speaker A
a construir. Entonces, lo primero que podemos hacer es renombrar este archivo. Entonces para ello le vamos a dar un clic por aquí y en este caso le vamos a llamar, por ejemplo, test baj workflow, tal que así. Y si le damos un enter, lo
Speaker A
tendríamos guardado. Y ahora bien, una vez que hayamos hecho esto, desde este punto ya puedes comenzar a agregar acciones o triggers. Pero antes de ver cómo funciona cada una de estas opciones, si se fijan, una vez que no
Speaker A
encontramos dentro del workflow, por aquí adentro vas a ver varias opciones útiles, como aquí en la parte superior, como también, así mismo aquí en la parte de abajo, ya que por ejemplo, si se fijan por esta parte de aquí arriba, en
Speaker A
este caso por aquí no estaría indicando si el workflow se encuentra activo o inactivo, es decir, en caso de que se encuentra activo, se ejecutará automáticamente según el trigger que hayamos configurado, pero en cambio, si está inactivo, solo se ejecuta
Speaker A
manualmente. Asimismo, también gracias a la siguiente opción de aquí podemos invitar a colaboradores para editar nuestro mismo proyecto y por otro lado tenemos una opción por aquí para guardar nuestro proyecto si hacemos alguna que otra modificación y además si seleccionamos
Speaker A
en los tres puntitos por aquí como veremos tenemos la opción para duplicar nuestro proyecto, para descargarlo, para renombrarlo. O asimismo, en dado caso, si ya tenés un workflow guardado en un archivo o en una URL, podés importarlo directamente para no empezar desde cero.
Speaker A
Y a su vez, si se fijan, por aquí a la derecha, como lo hemos visto anteriormente en un capítulo pasado, tenemos esta opción de la derecha que vas a encontrar en él el panel de ejecución, esto mismo, pero como todavía
Speaker A
no hemos ejecutado nada, va a estar completamente vacío. Y otras opciones interesantes son las que se encuentran por aquí en la parte de abajo inferior izquierda en pantalla, en donde por aquí tenemos los clásicos controles para hacer zoom, ya sea para aumentar o
Speaker A
disminuir en este caso el zoom. Y esto es más que nada para trabajar con más comodidad. Y por último, para moverte por el lienzo, simplemente presiona y mantené la ruedita del mouse y desplázate en cualquier dirección.
Speaker A
Esto puede parecer un poco intuitivo al principio, pero una vez que te acostumbras se vuelve muy natural. Ahora sí, ya con esto, estás listo para comenzar a agregar acciones, triggers y cualquier conector que necesites, ya que este es el punto de partida para
Speaker A
automatizar procesos, integrar herramientas y crear tus propios agentes paso a paso. Así que bien, en el siguiente capítulo vamos a continuar con el siguiente bloque en donde le daremos vida a nuestro primer workflow.
Speaker A
En esta clase vamos a hablar sobre los triggers en N8N, es decir, cómo se inicia un proceso automático y qué opciones tenemos disponibles para ponerlo en marcha. Así que bien, primero que nada, ¿qué es un trigger? Bien, básicamente como le había comentado
Speaker A
anteriormente en herramienta como N8N Sapier Make o Power Automate, todo proceso automático se compone de un trigger y uno o más acciones. En este caso, el trigger es el evento que dispara o inicia el flujo y en cambio,
Speaker A
las acciones son los pasos que se ejecutan después. Así que bien, para comenzar vamos a irnos arriba a la derecha y vamos a hacer un clic en este botón de aquí que tiene el símbolo más y se nos abre esta ventana por aquí con
Speaker A
unas cuantas opciones que podemos elegir. Entre ellas, en este caso tenemos esta opción de aquí, el trigger manual, que lo que hace es que nos permite ejecutar el flujo simplemente haciendo un clic en el botón play. Esto es ideal para hacer pruebas rápidas
Speaker A
mientras estamos desarrollando. Asimismo, también tenemos triggers que se activan cuando sucede algo en otra herramienta. Así que si lo presionamos, por ejemplo, se nos abre el siguiente menú. Y aquí lo que podemos hacer, por ejemplo, cuando recibimos un correo
Speaker A
electrónico por Gmail o asimismo cuando se crea un nuevo registro, en este caso vendría a ser en Air Table, o cuando se actualiza una fila en Google Sheet, en este caso, entre otros, que lo iremos viendo a medida que avancemos en el
Speaker A
curso, ya que este tipo de eventos permiten que tu workflow comience de forma automática sin que tengas que hacer absolutamente nada. Otro trigger muy útil es este mismo de aquí, que básicamente si cliqueamos en él veremos que por aquí nos permite ejecutar un
Speaker A
flujo en intervalos programados, ya sea cada día a las 8 a, por ejemplo, o cada semana, cada 10 minutos, etcétera. Y todo esto lo podemos modificar por aquí mismo. Así que simplemente configuramos el horario y luego N8N se encarga de
Speaker A
ejecutarlo en automático. Y antes de continuar les tengo que comentar una cosa que no lo he hecho hasta ahora y es que básicamente si le damos un clic derecho encima de nuestro trigger podemos hacer unas cuantas cosas como
Speaker A
abrirlo ejecutarlo renombrarlo desactivarlo, copiarlo, duplicarlo o eliminarlo. Así que en este caso si le damos en eliminar, como ven, volvemos a tener el lienzo en blanco para probar otro. Así que, por ejemplo, también podemos agregar un web hook trigger, que
Speaker A
vendría a ser este mismo de aquí, que básicamente lo que hacemos con él es que nos permite que otras aplicaciones o sistema llamen a tu workflow mediante esta URL. Y esto es básicamente muy útil si estás integrando con otros sistemas o
Speaker A
incluso Workflow en otras plataformas como Make, Sapier o Power Automatiz, ya que en este caso en el web Hook se genera una URL única, que en este caso lo tenemos en local host. Pero por ejemplo, si lo tienen alojado en un
Speaker A
servidor, aquí va a aparecer su dominio. Así que bien, gracias a esto, cuando una app externa envíe un get o asimismo tenemos por aquí otras opciones, por ejemplo, un post a esa URL, el proceso va a comenzar automáticamente.
Speaker A
Asimismo, también N8N nos permite crear formularios directamente dentro de la plataforma, como lo vemos por aquí mismo, ya que por ejemplo cuando alguien rellena ese formulario, los datos ingresados pueden activar un proceso.
Speaker A
Así que no necesitas herramientas externas como Google Forms o Type Forms, ya que puedes hacer todo esto desde el mismo entorno. Asimismo, también podes tener un workflow que ejecute otro, ya que por ejemplo con esto lo que podríamos hacer es que por ejemplo aquí
Speaker A
lo podríamos configurar y en este caso lo que podríamos hacer es decirle que cuando termine de ejecutarse un proceso A y ese mismo haya finalizado y llame enseguida al proceso B. Así que bien, básicamente esto se logra utilizando
Speaker A
este trigger en donde como le había comentado antes, podemos crear una cadena entre procesos que ya veremos cómo hacerlo en futuros capítulos. Y ya por último también podemos iniciar un flujo cuando alguien te escribe por ya sea Telegram, WhatsApp o así mismo en el
Speaker A
propio chat de N8N, ya que básicamente si expandimos esto por aquí, como verán, tenemos la posibilidad aquí de enviar cualquier mensaje, por ejemplo, un hola.
Speaker A
Y si este trigger lo tenemos conectado, ya sea con un testing o una inteligencia artificial, ya sea por ejemplo Jackpt de Open AI, al momento de enviar algo por aquí, este mismo nos puede responder.
Speaker A
Así que básicamente este trigger nos permite habilitar un chat público, aceptar archivo a juntos y recibir preguntas para que las conteste un agente de IA. Así que bien, como hemos visto, existen muchos tipos de trigger, todo esto de aquí en donde cada uno está
Speaker A
pensado para una situación distinta. Así que elegir el trigger correcto es el primer paso para que tu flujo funcione como esperas. En el próximo bloque vamos a ver cómo conectar estos triggers con acciones reales.
Speaker A
Hola y bienvenidos a esta nueva clase donde vamos a hablar sobre las acciones dentro de N8N. Entonces, hoy vamos a construir un workflow simple que se ejecute de forma manual, es decir, al hacer clic en el botón de play. Como
Speaker A
puedes ver, si ejecuto el proceso ahora mismo, no pasa nada. ¿Y por qué no pasa nada? Porque todavía no he agregado ninguna acción después del trigger manual, ya que como hemos visto dentro de N8N tenemos varios tipos de acciones
Speaker A
que podemos utilizar, entre ellas las más comunes y simples se encuentran agrupadas dentro de esta opción de aquí llamada aplicaciones externas. Así que vamos a hacer clic en esa categoría y aquí ya puedes ver una larga lista de
Speaker A
aplicaciones a las que podemos conectarnos. Y como vemos, todo está ordenado alfabéticamente y tienes una gran variedad de herramientas compatibles, ya que por ejemplo, como le había mencionado antes, tenemos a table, esta misma, en donde puedes leer datos,
Speaker A
insertar registros y también eliminar y actualizar información de tu tablas. Y en cambio, si gestionas tu proyecto con Asan, podes crear tareas, actualizarlas o marcarlas como completadas directamente desde tu workflow.
Speaker A
Asimismo, también tenemos Amazon Lambda para ejecutar funciones específicas en la nube. Y como hemos visto antes, también tenemos Telegram para utilizar, asimismo, WhatsApp, como lo estamos viendo ahora mismo por aquí. Y como vemos, esta lista sigue, ya que como
Speaker A
estamos viendo, hay muchísimos conectores disponibles. Ahora bien, es importante que sepas esto, pero una cosa a tener en cuenta es que no todas las herramientas del mundo tienen un conector disponible. ¿Y por qué pasa esto? Bien, básicamente porque los
Speaker A
desarrolladores de N8N, igual que los de Sapier o Meg, priorizan herramientas que muchos usuarios utilizan. Pero ahora bien, ¿qué hacemos si no hay conector?
Speaker A
Bien, no hay problema tampoco, ya que como vamos a ver más adelante, puedes usar la opción de peticiones HTTP o llamadas a una API personalizada.
Speaker A
Así que bien, si tu sistema tiene una API, podés conectarlo igual, aunque no esté en esta lista y esto te da una flexibilidad total para automatizar procesos incluso con herramientas internas o poco conocidas. Así que bien, eso es todo por esta clase, ya que ya
Speaker A
sabes cómo funcionan las acciones NN8N y asimismo también veremos más adelante cómo puedas hacer para conectar tus herramientas favoritas o incluso herramientas personalizadas.
Speaker A
En esta clase vamos a ver cómo además de usar herramientas externas como vendría a ser las acciones, también podemos trabajar con flujos internos, transformación de datos, condiciones y a esta herramienta de inteligencia artificial dentro de N8N. Así que bien,
Speaker A
empecemos viendo un ejemplo clásico, ya que si quiero enviar un correo electrónico, simplemente lo que tenemos que hacer es venirnos por aquí, buscar por ejemplo Gmail y simplemente agrego la acción correspondiente, que en este caso vendría a ser para enviar un
Speaker A
mensaje, esta opción de aquí abajo. Así que seleccionamos enviar email y me aparece un bloque que puedo configurar con mis credenciales, asunto del correo, direcciones de destino, cuerpo de mensaje, etcétera. Y veremos que una vez que completemos todas estas casillas,
Speaker A
este bloque se agregará al workflow, como lo estamos viendo aquí mismo. Pero obviamente en vez de hacerlo así, por ejemplo, también lo podemos agregar esta acción tranquilamente por aquí mismo y lo conectamos a él. Así que le damos a
Speaker A
enviar mensaje y como ven lo tendríamos completamente enlazado. Asimismo también podemos agregar más acciones, eliminar esta acción o asimismo también lo podemos volverla a agregar. Ya que ahora bien, gracias a esto, si configuramos todos los campos correctamente por aquí
Speaker A
adentro, básicamente al momento de darle al play por aquí mismo, lo que vamos a hacer es ejecutar esta acción. Pero como sabemos y además como lo habíamos mencionado antes, N8N no solo permite acciones externas, sino que también podemos usar bloques de control de flujo
Speaker A
para manejar cómo y cuándo se ejecutan los pasos de nuestro workflow. Así que en el día de hoy vamos a ver cómo funciona esto de aquí, ya que si nos fijamos aquí tenemos varios y entre ellos tenemos por ejemplo white, que
Speaker A
sería esta última opción o en español vendría a ser esperar, que básicamente lo que nos permite esta opción de aquí es pausar nuestro workflow un tiempo determinado que lo definamos por aquí en la parte de adentro y esto es muy útil
Speaker A
si esperamos respuestas o eventos. Luego así también tenemos los switch o condiciones múltiples, que es ideal para ejecutar diferentes caminos dependiendo de un valor de entrada. Así que bien, también tenemos este de aquí. Asimismo, tenemos este para parar si llega a haber
Speaker A
un error o por ejemplo uno de los más útiles que vendría a ser este mismo de aquí, ya que básicamente este nos da la posibilidad de ejecutar otro flujo a continuación del que ya tenemos. Así que básicamente a este mismo lo que podemos
Speaker A
hacer es dividir los procesos, ya que por ejemplo un bloque ejecuta un flujo principal y luego llamamos a otro flujo distinto con sus propias acciones, ya que, por ejemplo, imaginemos que por aquí vamos a enviar un correo en Gmail
Speaker A
y básicamente una vez que enviemos un correo, lo que podemos hacer es seguidamente y a continuación podemos ejecutar básicamente otro flujo, ya que por ejemplo imaginemos Tenemos por un momento que el primer flujo solo envía un email y luego automáticamente, como
Speaker A
lo hemos hecho por aquí, llamamos a otro flujo donde podemos continuar otras tareas y básicamente esto nos permite organizar y reutilizar Wflows. Asimismo también tenemos otro bloque de flujo como por ejemplo podemos comparar datasets. También, por supuesto, podemos
Speaker A
iterar sobre lista de elementos, podemos filtrar datos y asimismo podemos aplicar condiciones lógicas. Ahora bien, para entender mejor cómo funciona esto de aquí, veámoslo con un ejemplo, con una condición. Así que lo que vamos a hacer es seleccionar esta misma por aquí y
Speaker A
vamos a conectarlo a nuestro flujo manual de momento, ya que, por ejemplo, supongamos que ejecutamos un flujo manual que recibe datos de entrada en formato JSON. Entonces, desde aquí en el trigger manual puedo cargar dato de muestra fácilmente usando este botón de
Speaker A
aquí. Así que si lo damos, como ven, cargamos algunos datos por aquí adentro, ya sea el nombre y el código.
Speaker A
Obviamente, así mismo estos valores de aquí adentro lo podemos cambiar, ya sea, por ejemplo, vamos a llamar a este Alex y al siguiente le vamos a llamar Freddy, pero eso sí, el código de cada uno lo vamos a seguir manteniendo. Así que
Speaker A
bien, una vez que tenemos esto, le damos a guardar de este modo y como estamos viendo por aquí en la tabla o así mismo podemos verlo en formato Jason o en este esquema. Podemos ver básicamente que tenemos un arreglo con dos objetos, eso
Speaker A
sí, cada uno con un campo como código y nombre. Ahora bien, por ejemplo, si nos regresamos hacia la parte de atrás, lo que vamos a hacer ahora es acceder hacia esta condición. Y si prestamos atención, por aquí no dice true y false, ya que
Speaker A
básicamente lo que haremos con esta condición es evaluar ciertas cosas, ya sea por ejemplo, le pasamos un valor por aquí adentro y en este caso, por ejemplo, podemos evaluar el código en donde le decimos en este caso si el
Speaker A
código y aquí, por ejemplo, podemos seleccionar distintos tipos de datos, si es stram, numérico, dato o tiempo puleo, arreglo o hasta un objeto. Y en este caso, básicamente, si tenemos dudas del tipo de dato de esta variable, lo
Speaker A
podemos ver por aquí enfrente, ya que en este caso tenemos el símbolo de hashtag.
Speaker A
Y si no venimos por aquí, deberíamos seleccionar que queremos trabajar en formato numérico. Y aquí podemos comparar, por ejemplo, si existe ese valor, si no existe, y podemos hacer 1000 y una cosa más. Así que, por ejemplo, vamos a decir si este valor que
Speaker A
estamos recibiendo es igual en este caso y lo vamos a hacer de este modo a uno, lo que haremos en este caso y eso sí, obviamente debemos seleccionar esta opción de número y si lo hacemos y lo ejecutamos como veremos por aquí en el
Speaker A
output podemos ver que efectivamente al hacer esta condición de evaluar básicamente estos objetos que estamos pasando y decimos si el objeto tiene un código uno en este caso lo queremos enviar por verdadero y en caso de no ser
Speaker A
así, lo enviamos por falso y es allí básicamente donde podemos hacer algo si es verdadero o por lo contrario podemos hacer algo si es falso. Y para ello, básicamente podemos usar el panel de esquemas para arrastrar la variable que
Speaker A
queremos utilizar directamente, como vemos por aquí, en este caso al campo de comparación, sin tener necesidad de escribir código. Y como estamos viendo ahora mismo todo esto se traduce automáticamente a JavaScript, pero de nueva cuenta vos no tenés que
Speaker A
preocuparte por eso, ya que simplemente lo que tenemos que hacer es arrastrar con lo que queremos hacer la comparación, ya sea de tipo número, carácter, buleano, etcétera, y podemos hacer una condición if. Y dependiendo si esta condición es verdadera o falsa, va
Speaker A
a enviar por uno u otro bloque, como lo hemos visto recientemente. Así que en resumen, para utilizar la condición NIF, simplemente arrastras la variable, seleccionas el tipo de dato, por ejemplo, en este caso numérico y definís la condición, en donde en este caso
Speaker A
decimos si el código es igual a uno, hacemos una cosa u otra y veremos que cuando pruebo el bloque N8N filtra automáticamente los datos, ya que si básicamente el código es igual a uno, va a ir por la rama verdadera y en cambio,
Speaker A
si el código es distinto uno va a ir por la rama falso. Y así es básicamente como podemos visualizar por aquí qué datos pasan en cada rama. Y básicamente gracias a esto de aquí nos permite tomar decisiones dinámicas en tu workflow,
Speaker A
según obviamente los datos que estamos recibiendo. Hoy te voy a mostrar cómo trabajar con condiciones múltiples, que es una forma poderosa de tomar decisiones dentro de tu workflows. Así que vamos a verlo con un ejemplo. Primero lo que haremos es
Speaker A
agregar un tercer elemento a nuestros datos de entrada, ya que si recuerdan tenemos dos, pero ahora serán tres. Así que simplemente para editarlo le damos a esta casilla de aquí y lo que haremos aquí adentro es colocar una coma y
Speaker A
seguido a ello abriremos y cerraremos llaves de esta manera y por aquí adentro lo que haremos es crear nuestro tercer elemento. Así que vamos a colocar aquí tercer elemento y aquí mismo en el código le cambiaremos por el número tres. Así que una vez que
Speaker A
lo hemos agregado le damos a guardar y listo, ya tenemos tres elementos cargados en el input del flujo. Ahora viene lo interesante, ya que por aquí lo que haremos es agregar un bloque de tipo condición desde el menú de herramienta
Speaker A
de flujo por aquí mismo y agregaremos una condición if. Y si recuerdan, en el capítulo pasado hemos visto que este bloque nos va a permitir validar más de una condición al mismo tiempo, trabajando tanto con números como con
Speaker A
cadena de texto. Así que, como lo hemos visto antes, primero arrastro la variable de código aquí mismo y lo que haremos es seleccionar lo que queremos hacer. Por lo tanto, como esto es un número, ya que lo estamos viendo por
Speaker A
aquí adelante, nos iremos a esta casilla, a números y aquí podemos hacer unas cuantas cosas, como ya lo he mencionado antes. Así que por lo tanto, lo que queremos hacer ahora es preguntar si esto es igual en este caso a uno. Y
Speaker A
además, por ejemplo, por aquí podemos agregar una nueva condición, en donde en este caso también podemos arrastrar el campo de nombre por aquí adentro. Y más de lo mismo, nos vamos por aquí y al hacer una cadena. Si se fijan, tenemos
Speaker A
unas cuantas más opciones por aquí que cuando seleccionamos el número. Así que bien, en este caso lo que quiero hacer es verificar si este valor contiende. En este caso y lo hacemos con esta parte de aquí, la palabra primer. Y en este caso,
Speaker A
como estamos usando dos condiciones al mismo tiempo, puedo decidir si quiero que se cumplan las dos condiciones utilizando un antas con un or. En este caso particular vamos a usar ant, lo que significa que ambas condiciones deben cumplirse para ir por
Speaker A
la rama verdadera. Así que bien, una vez que tenemos esto, lo que haremos es testear el flujo. Así que le damos por aquí y perfecto. Como estamos viendo, el elemento que contiene el código igual a 1 y el nombre de primer, como vemos va
Speaker A
por la rama verdadera y en cambio, los demás van por la rama falsa, ya que si se fijan, ninguno de estos dos elementos cumplen estas dos condiciones. Y básicamente esto mismo lo podemos ver reflejado por aquí en el flujo, ya que
Speaker A
si se fijan estamos recibiendo tres elementos por aquí y al momento de hacer la condición NIF vemos que un elemento es verdadero. Y aquí nos indica y en cambio hay dos elementos que ha enviado por la rama falsa, ya que recuerda que
Speaker A
hemos colocado por aquí que ambas condiciones deben cumplirse para ir por la rama verdadera. Y por ejemplo, si ahora cambio el código a un dos y ejecuto esto de aquí, veremos que en este caso ninguno de nuestros elementos
Speaker A
cumple estas ambas condiciones y por lo tanto los tres irían a la rama de falso, ya que si vemos ninguno de ellos tiene el código dos y aunque lo tuviese no tiene el nombre la palabra primer y la
Speaker A
que tiene no tiene el código dos. Pero en cambio, si cambiamos esta condición por OR, ahora sí para que pase a la verdadera, únicamente debe cumplir una de estas condiciones y no ambas como lo hemos visto anteriormente.
Speaker A
Así que si lo seleccionamos y ejecutamos, veremos ahora mismo que estaría pasando dos elementos al verdadero y un único elemento a falso. Y de igual manera, esto mismo lo podemos ver reflejado por aquí en la parte de afuera. Y lo mejor de todo es que
Speaker A
podemos ejecutar acciones distintas según la rama, ya que, por ejemplo, si se cumple la condición, lo que podemos hacer en este caso es enviar, por ejemplo, un correo por aquí mismo de este modo. Y en cambio, si no se cumple
Speaker A
la condición, lo que podemos hacer es guardar los datos en air table, este de aquí.
Speaker A
Y esto es solo el comienzo. Así que bien, como hemos visto, trabajar con dos condiciones múltiples en N8N es sers simple, pero muy potente y a medida que avance vas a poder construir flujos complejos y automatizar casi cualquier
Speaker A
cosa. Hoy vamos a hablar sobre la transformación de datos en N8N, una herramienta clave para personalizar y adaptar la información dentro de tus flujos de trabajo. Así que para este ejemplo que veremos en el día de hoy, tengo un JSON de entrada con tres
Speaker A
elementos que lo hemos estado utilizando en el capítulo anterior y lo que vamos a ver en el día de hoy es cómo manipular esta información usando el bloque, en este caso de data transformation.
Speaker A
ya que como estamos viendo por aquí, N8N ofrece decenas de acciones para transformar datos. Entre ellos, por ejemplo, tenemos estas dos opciones por aquí que nos permite agregar o separar elementos de un arreglo. Así que si queremos agregar, utilizaremos este
Speaker A
mismo y si lo queremos separar utilizaremos este otro. Asimismo, también tenemos para eliminar duplicados, limitar ítems, manipular fechas, que vendría a ser con este de aquí, en donde, por ejemplo, por aquí lo que podremos hacer es formatear una
Speaker A
fecha o asimismo también obtener una fecha actual. Asimismo, si bajamos un poco más, veremos este apartado de aquí con el cual nos permite editar imágenes, ya sea recortar, rotar, agregar texto, entre otros. Asimismo, también con este de aquí podemos comprimir y descomprimir
Speaker A
archivos y también gracias a este de aquí tenemos la posibilidad de convertir datos a otro formato como por ejemplo XML y viceversa. Asimismo también con este apartado de aquí de HTML podemos extraer contenido de páginas web que vendría a ser el scrapping, en donde
Speaker A
podemos extraer, podemos generar o asimismo convertir el HTML en una tabla. Y así como esto, también otra cosa interesante que podemos hacer, por ejemplo, es ordenar datos y entre un montón de cosas más, que como le había comentado hace tiempo atrás, ya que si
Speaker A
no venimos por aquí tenemos un montón de acciones en donde con cada una de estas podemos hacer un montón de cosas distintas, pero básicamente lo que quiero enseñarles en este caso es que existen estas herramientas con las cuales podemos trabajar con cada una de
Speaker A
ellas y podemos hacer cosas diferentes. Ahora bien, no vamos a ver qué hace cada una de ellas, pero lo importante es que sepas que existen y que podés usarla cuando lo necesites. Ahora bien, vamos a ver un ejemplo concreto usando el bloque
Speaker A
filter. Así que, por ejemplo, nosotros por aquí estamos recibiendo tres datos, con lo cual lo que vamos a hacer por aquí es darle al símbolo más. Y lo que haremos es agregarle un filtro que vendría a ser este mismo, ya que como le
Speaker A
había comentado antes, tenemos tres elementos con diferentes valores y lo que quiero hacer es filtrar solo aquello donde el campo code en este caso sea igual y para ello lo seleccionamos por aquí a uno. Eso sí, algo importante
Speaker A
mencionar y va a ser la última vez que lo menciono, es que debemos asegurarnos de elegir correctamente el tipo de dato, ya que por ejemplo si code es un número, debemos usar la condición con tipo numérico, ya que por lo contrario, si lo
Speaker A
hacemos, por ejemplo, con otro tipo de dato, ya sea este mismo de aquí, como veremos, no estaría dando un error, ya que intentamos comparar un número con una cadena. Así que bien, tengan en cuenta esto mismo. Entonces, ahora sí,
Speaker A
una vez que hemos armado nuestra condición por aquí y si lo ejecutamos, veremos que únicamente nos devuelve un único valor que cumple con esta condición, que vendría a ser este mismo, ya que como le había mencionado antes, este filtro actúa como una condición,
Speaker A
pero con una sola salida, ya que si nos fijamos por aquí estaríamos filtrando un único elemento y lo demás que no cumplen esta condición o más condiciones que agreguemos por aquí estarían directamente descartando. Y esto también lo podemos ver por aquí en la parte de
Speaker A
afuera, ya que como estamos viendo, al filtrar los datos basado a esa condición, únicamente en vez de tener en este caso tres elementos, nada más estaríamos filtrando uno solo. Y como vemos por aquí, al utilizar un filtro nada más tenemos una salida. Entonces,
Speaker A
dado el caso, si necesitas separar en dos ramas, al evaluar una condición, no te conviene utilizar filter, sino que directamente te conviene utilizar un bloque, ya que como ven, este mismo sí tiene dos condiciones por aquí, ya sea
Speaker A
verdadero o falso. Así que por lo tanto ahí sí te conviene usar el bloque, asimismo también, por ejemplo, una vez que hayamos filtrado la información, otra cosa que podemos hacer es hacer operaciones matemáticas. Entonces, para ello no venimos por aquí, bajamos un
Speaker A
poco y vamos a utilizar este mismo bloque de aquí. Así que si le damos un clic, como verán, tendremos lo siguiente, en donde básicamente por aquí podemos hacer un montón de cosas. Entre ello podemos concatenar, sacar un máximo, un mínimo o sumar, ya que por
Speaker A
ejemplo, si nosotros por aquí le colocamos que queremos sumar los datos, en este caso del código de los datos que estamos trayendo, y le damos a ejecutar, como verán estaríamos obteniendo únicamente el número uno, ya que si recuerdan, al momento de filtrar los
Speaker A
datos nada más estaríamos pasando un único elemento con el código uno. Así que por ende, si quitamos este de aquí y lo enlazamos directamente y sumamos cada uno de los elementos, ahora sí estamos recibiendo por aquí tres elementos, con
Speaker A
lo cual si hacemos de nueva cuenta esta suma, como resultado estaríamos obteniendo un seis, ya que en este caso estaríamos sumando estos tres códigos de aquí, el tres, el dos y el uno, que como resultado nos da el seis. Asimismo,
Speaker A
también podemos sacar el máximo entre ellos y lo podemos hacer de este modo, ya que si lo ejecutamos, como veremos, el resultado nos va a estar dando que el código máximo es el número tres. Y esto es verdadero, ya que si venimos por
Speaker A
aquí, efectivamente, el elemento con el código máximo es este mismo, el tercero. Y obviamente así como podemos sacar el máximo, también podemos sacar el mínimo.
Speaker A
Eso sí, recuerda que si antes has filtrado los datos, los resultados que obtenemos por aquí se aplicarán únicamente solo datos filtrados.
Speaker A
Asimismo, si seguimos investigando qué más opciones tenemos por aquí, por ejemplo, es que podemos editar o modificar, agregar o remover ciertos elementos con esta opción de aquí.
Speaker A
También, por ejemplo, si nos fijamos por aquí adentro, como le había mencionado antes, podemos concadenar. Asimismo, también podemos aplicar transformaciones a texto, convertir, por ejemplo, si no vamos por aquí y bajamos un poco, podemos convertir McDown a un HTML o
Speaker A
viceversa también. Y por supuesto, también podemos extraeros de texto estructurado entre un montón de cosas más que estamos viendo por aquí. Y ya te digo que esto te abre muchas posibilidades para enriquecer la información dentro de tu flujo. Así que
Speaker A
bien, la transformación de datos NN8N es clave para personalizar tus procesos, como lo hemos visto por aquí. Y de nueva cuenta, no es necesario que te aprendas qué hace cada uno de ellos o por lo menos cada uno de estos bloques, pero
Speaker A
eso sí, es importante que sepas que existen para cuando lo necesites usarlos, ya que a medida que avances con tus proyectos vas a ir dominando cada una de estas herramientas.
Speaker A
En este video te voy a mostrar algo que realmente hace único AN8N frente a otras herramientas no code, que vendría a ser la posibilidad de ejecutar código directamente dentro de tus flujos. Y sí, aunque N8N es una plataforma no Code,
Speaker A
también puedes usar JavaScript o Python cuando lo necesites. Así que vamos a verlo. Ya que N8N, al igual que Sapier Make o Power Automate, permite crear flujo sin necesidad de programar, pero tiene una gran ventaja, ya que incluye
Speaker A
un bloque de transformación de datos donde podés ejecutar código JavaScript o Python directamente. ¿Qué significa esto? Bien, que si alguna vez no encontras una función básicamente por aquí adentro, específica para transformar datos, podés escribir tus propios códigos y resolverlos. Así que
Speaker A
vamos a ver esto con un ejemplo. Bien, básicamente para esto lo que vamos a hacer es irnos por aquí a transformación de datos y aquí adentro, como ven, tenemos este apartado o mejor dicho este bloque llamado Code que nos dice que es
Speaker A
para correr tanto código JavaScript como así mismo Python. Así que bien, si le damos un clic por aquí se nos abriría lo siguiente, en donde básicamente por aquí mismo podríamos escribir código JavaScript o asimismo podríamos cambiar a Python que se encuentra actualmente en
Speaker A
una versión beta y podríamos trabajar con el mismo. Así que bien, por lo tanto, para este ejemplo, lo que voy a hacer es eliminar esto de aquí y voy a pegar el siguiente código, este mismo, ya que básicamente lo que hago por aquí
Speaker A
es utilizar una API pública que vendría a ser esta misma, que en este caso genera datos falsos de personas, tanto el nombre, email, teléfono y hasta la imagen. Así que lo que hice fue copiar la respuesta en un Jon en una variable
Speaker A
de JavaScript por aquí en que vendría a ser toda esta respuesta que hemos obtenido desde la PI y luego simplemente seleccioné solo los campos que necesito por aquí en la parte de abajo que vendría a ser el nombre completo, el
Speaker A
sexo, la ciudad, el email, teléfono y la imagen. Y como estamos viendo, esto es superútil porque en lugar de quedarte limitado a lo que la herramienta ofrece, podés complementar con tus propio script y además lo hacés sin salir del flujo, o
Speaker A
sea, sin depender de servicios externos ni archivos adicionales. Ahora bien, ¿qué puedo hacer con los datos que acabo de extraer? Bien, por ejemplo, si nos volvemos por aquí y le damos a ejecutar esto mismo, como vemos por aquí en la
Speaker A
salida, lo que estamos haciendo es traer a escena estas variables que hemos seleccionado anteriormente por aquí en la parte de abajo, como por ejemplo el nombre completo, el sexo, la ciudad, email, teléfono y la imagen. Y esto mismo también lo podemos visualizar en
Speaker A
formato tabla y en formato Jason. Así que bien, una vez que tenemos estos datos extraídos de una API, lo que podemos hacer ahora, por ejemplo, es enviar un correo por aquí. Así es que escribimos Gmail y aquí seleccionamos
Speaker A
Gmail y vamos a darle a enviar mensaje. Y por ejemplo, una vez que nos encontremos por aquí, lo que podemos hacer es enviar un correo electrónico usando el email generado por la API, que vendría a ser este mismo. Así que lo
Speaker A
agregamos por aquí. Y asimismo también podemos agregar por aquí el nombre del usuario, que por ejemplo aquí mismo no aparece cómo les va a estar mostrando. E incluso podemos personalizar el mensaje usando variables dinámicas, ya que por ejemplo aquí podemos escribir hola,
Speaker A
damos un espacio y podemos concatenar esto al nombre completo, por ejemplo, y lo hacemos directamente arrastrando esta variable por aquí adentro y aquí seguidamente podemos ir agregando más información si quisiéramos. Y obviamente de nueva cuenta por aquí en este
Speaker A
apartado de aquí abajo nos estaría mostrando cómo iría quedando ese mensaje. Y si prestas atención este nombre completo viene básicamente de los datos que hemos extraído anteriormente por aquí mismo. Y ya te digo, por ejemplo, si agrandamos esto y nos vamos
Speaker A
por aquí en la parte de arriba y cambiamos el segundo nombre, por ejemplo, en este caso por Mark. Y si cerramos esto y lo volvemos a ejecutar, en este caso, si nos fijamos por aquí, la salida de flujo también se actualiza
Speaker A
con ese nuevo valor. Esto significa que en vez de llamarse por aquí en el segundo nombre Jenny, ahora se llama Mark. Y esto lo vemos reflejado también al momento de enviar nuestro mensaje. Y es por esto que hace que N8N sea ideal
Speaker A
para flujos que necesiten adaptarse en tiempo real. Así que bien, como hemos visto, N8N no es solo no code, sino que también te permite combinar lo mejor del mundo sin código con el poder del código cuando lo necesites.
Speaker A
¿Qué pasa si querías automatizar una app o servicio que no tiene conector NN8N? Bien, no te preocupes ya que en esta clase te voy a mostrar cómo hacer peticiones HTTP a sistemas externos, incluso sin conectores disponibles. Así que empecemos, ya que básicamente NN8N
Speaker A
al igual que Sapier Make o Power Automate. Y es que si nos vamos por aquí, veremos que tenemos una lista de conectores ya hechos para las app más populares, que vendrían a ser todo estas de aquí. Pero, ¿qué pasa si necesitas
Speaker A
conectar con una API que no está en la lista? ya sea, por ejemplo, una herramienta interna de tu empresa o un sistema poco común, ya que como sabemos la mayoría de esta plataforma no van a desarrollar un conector específico para
Speaker A
vos, pero en este caso N8N tiene una solución, ya que en N8N podemos usar el bloque http request para enviar peticiones, ya sea get, pause, patch o delete a cualquier API. Así que bien, para hacerlo directamente le damos aquí
Speaker A
al más y desde este panel nos vamos a ir a core y seleccionas este bloque de aquí, http request y básicamente acá puedes configurar tu llamada a cualquier servicio externo que tenga una API disponible. Y como vemos, esto
Speaker A
básicamente te da una libertad total, ya que gracias a esto no dependés de los conectores prearmados. Ahora bien, vamos a ver un ejemplo para entender cómo funciona esto un poco mejor, ya que supongamos que en este caso quiero
Speaker A
obtener datos ficticios de usuarios y para ello voy a utilizar una API pública que es la siguiente en donde básicamente aquí vamos a darle a obtener y una vez que hagamos esto, si le damos a ejecutar, veremos que va a suceder lo
Speaker A
siguiente. Como vemos por aquí en la parte izquierda, estaríamos obteniendo una respuesta, en este caso en formato JSON con los datos que vendría a ser de distintos usuarios ficticios que hemos obtenido en este caso gracias a esta API. Además, si nos fijamos, N8N nos
Speaker A
permite ver los resultados en tres formas distintas, en formato JSON como tabla o como esquemas. Y esto es genial porque básicamente puedes usar estos datos como variables en los siguientes bloques de tu workflow, ya que, por ejemplo, una vez que obtengamos estos
Speaker A
valores, que como ven, estaríamos obteniendo 10 elementos al momento de hacer un get a la siguiente apping y ya con ello podríamos enviar un email o asimismo podríamos guardar los datos en una hoja de cálculo o asimismo hacer un
Speaker A
análisis en este caso, ya sea con JavaScript o con Python. Obviamente todo esto dentro de un mismo flujo, así que incluso si no existe un conector NN8N no estás limitado, ya que como hemos visto, puedes crear tus propias integraciones
Speaker A
usando petición http y ya luego si necesitas algo más avanzado, siempre podés ejecutar código en JavaScript o en Python para transformar los datos o tomar decisiones.
Speaker A
En esta clase te voy a mostrar las acciones del bloque cobre que te permite controlar, transformar y personalizar por completo tu Workflows. Así que vamos a verlo, ya que hasta este momento hemos visto cómo usar conectores o hacer
Speaker A
petición HTTP a servicios externos, pero el bloque core en NN8N nos da herramientas poderosas para controlar lo que pasa dentro de nuestro WFlows, ya que dentro de Core podemos, por ejemplo, ejecutar código JavaScript o Python, que esto es ideal para transformar datos o
Speaker A
aplicar lógica personalizada, como por supuesto ya lo hemos visto. esto en un capítulo pasado. Asimismo, también podemos recibir datos por Web Hooks, ya que esto nos permite que otros sistemas llamen a tu Workflow cuando ocurra un evento. Además, podemos ejecutar
Speaker A
comandos del sistema, ya que si tenemos N8N instalado localmente, puedes correr comandos específicos en tu máquina.
Speaker A
Asimismo, también podés enviar o recibir archivos por FTP o SFTP, que esto es perfecto para automatizaciones con servidores de archivos. Además, asimismo, también podemos diseñar con este bloque de aquí formularios dentro de N8N. Esto significa que no necesitamos depender de herramientas
Speaker A
externas, ya que con ella podemos capturar datos de usuario directamente aquí adentro. Y asimismo, uno de los bloques más importantes vendría a ser este mismo de aquí, ya que esto lo que nos permite es llamar otros workflows que ya creaste, ya que con esto
Speaker A
reutilizaremos flujos existentes como si fueran funciones o subprocesos. Por ejemplo, si le damos un click y en este caso, por ejemplo, si tengo un Workflow por aquí en donde ya calculé rutas en Google Maps, lo que puedo hacer en este
Speaker A
caso estando en otro flujo con esto de aquí lo puedo llamar aquí mismo, en donde lo seleccionaremos y lo podemos reutilizar sin volverlo a programar. Y como vemos esto es superútil para mantener todo organizado y modular.
Speaker A
Asimismo, también hay acciones dentro del cobre que sirven para controlar cómo se ejecutan tu workflow, que ya lo hemos visto anteriormente, ya que asimismo como tenemos transformación de datos por aquí, en donde básicamente podés detener o pausar el flujo en función de ciertas
Speaker A
condiciones o asimismo, por ejemplo, podemos usar un filtro para seguir solo con ciertos datos, como obviamente ya lo hemos visto en un capítulo pasado. Y asimismo también podemos hacer uniones entre rama de flujo para cambiar resultados entre mucho más, ya que por
Speaker A
ejemplo no únicamente tenemos transformación de datos, ya que si así mismo no vamos a flow, por aquí tenemos un montón de condiciones y más cosas que podemos utilizar por esta parte de aquí.
Speaker A
Entonces, además de los conectores tradicionales, que ya lo hemos estado viendo en capítulos pasados, N8N te da herramientas internas para manejar datos, controlar ejecuciones, ejecutar código y mucho más. Así que bien, el bloque core el corazón de tu workflows,
Speaker A
ya que te permite adaptarlos a casi cualquier necesidad. En esta clase veremos cómo importar IA para automatizar tareas, tomar decisiones y mucho más. Así que vamos a verlo. Bien, básicamente si nos fijamos por aquí veremos que a la derecha, en
Speaker A
esta zona, dentro de N8N, encontramos la sección de inteligencia artificial avanzada. Y acá tenemos dos caminos posibles, ya sea usar acciones simples de IA como una petición o un modelo, por ejemplo. O asimismo también podemos crear agentes inteligentes completos con
Speaker A
memoria y herramientas que toman decisiones en lenguaje natural. Y como les había mencionado antes, lo que hace especial a N8N frente a otras plataformas como Sapier Make o Power Automade es que, como le había dicho antes, te permite construir agentes de
Speaker A
IA, en donde como hemos visto recientemente estos agentes tienen memoria, instrucciones específicas y pueden ejecutar acciones según lo que le digas en lenguaje natural. Pero como les había dicho antes, esto de aquí no es todo sobre los agentes, ya que también
Speaker A
podemos hacer acciones simples. Por ejemplo, si ingresamos a Open AI, por aquí mismo, como veremos, podemos enviar proms a modelos como GPT4. Asimismo, si bajamos un poco, veremos que también podremos analizar imágenes y, por supuesto, así como podemos analizar,
Speaker A
también podemos generar una imagen nueva gracias a este bloque de aquí. Y también, por supuesto, así mismo podemos procesar texto y asimismo audios o generar hasta un audio por aquí, ya que por ejemplo en este caso, si le damos a
Speaker A
procesar texto por aquí, podremos elegir que queremos procesar, ya sea un texto, imagen, audio, archivo o hasta podemos crear un asistente aquí mismo. Y asimismo también podemos elegir distintas cosas para hacer, como por ejemplo, podemos elegir en esta zona qué
Speaker A
modelo de GPT queremos utilizar. Y ahora mismo yo por aquí no tengo ninguno, ya que tenemos que añadir más adelante sus credenciales. Pero eso sí, una vez que seleccionemos el modelo, por aquí podemos ingresar el prom que queremos
Speaker A
consultar y si va a ser de tipo usuario, asistente o sistema, que por esto de aquí no te preocupes que ya lo estaremos viendo más adelante. Y asimismo, otra cosa interesante que podemos hacer, por ejemplo, es con este apartado de aquí,
Speaker A
en donde con él podremos clasificar texto en categorías y mucho más. Y como veremos por aquí, si le damos un clic al modelo, veremos que esto de aquí no es exclusivo de Open AI, ya que en este caso N8N también se puede conectar con
Speaker A
modelos como hacking face, LLAMA, Deep Infra y muchos otros más. Ya que, por ejemplo, imagina por un momento que recibes muchos correos electrónicos, pues bien, gracias a esto vas a poder usar IA para clasificarlos automáticamente, como le había
Speaker A
mencionado antes, en distintas categorías, ya sea como finanzas, tecnología o marketing. O en cambio, así mismo si vendes productos, lo que puedes hacer es utilizar el siguiente bloque de aquí, en donde con él podés analizar los comentarios que dejan tus clientes para
Speaker A
saber si en este caso son positivos, neutros o negativos. Y bien, básicamente esto se puede automatizar dentro del flujo con rutas distintas según el sentimiento detectado. Y ojo con esto, ya que como estamos viendo, no necesitas crear un agente completo para usar IA
Speaker A
NNN8N. ya que simplemente podés añadir una acción con illa dentro de tu workflow como una etapa más de proceso y necesidad de usar chat o conversaciones.
Speaker A
Y es allí en donde esto te permite automatizar tareas concretas como resúmenes, generación de contenido o clasificación.
Speaker A
Así que recuerda que N8N te permite integrar inteligencia artificial tanto con agentes como acciones simples. Eso sí, la clave está en cómo lo combinas dentro de tu flujo, ya que las posibilidades son enormes.
Speaker A
¿Sabías que en N8N podés tener más de un trigger en un mismo workflow? Así que hoy te voy a mostrar cómo combinar múltiples desencadenadores en un solo flujo, así que vamos a verlo. Bien, un trigger es un nodo que inicia tu
Speaker A
workflow, puede ser manual, una hora programada, un evento externo, etcétera, ya que, por ejemplo, como lo estamos viendo en este ejemplo, tengo un trigger por aquí que se ejecuta de forma manual, que es básicamente este de aquí que lo
Speaker A
venimos utilizando hace un tiempo atrás. Y ahora bien, lo que vamos a hacer nosotros por aquí es agregar otro que se ejecuta automáticamente a una hora y fecha en específico. Así que bien, venimos por aquí abajo en donde dice
Speaker A
agregar otro trigger, le damos allí y aquí tenemos un montón de trigger que podemos iniciar y entre todo estos tenemos este mismo de aquí que lo que hace es que podemos programarlo para que se ejecute automáticamente a una hora o
Speaker A
día en específico. Ahora bien, ¿qué pasa ahora? Ya que si lo vemos por aquí en este workflow se puede iniciar de dos formas. La primera vendría a ser cuando yo lo active manualmente o asimismo también lo podemos hacer automáticamente
Speaker A
según el horario que lo hemos configurado. Y en este caso, por ejemplo, podemos conectar ambos triggers a una misma acción, ya que, por ejemplo, si no venimos por aquí y buscamos aquí, ya que voy a agregar un registro a una
Speaker A
base de datos en Air Table. Así que le damos allí y podemos, por ejemplo, crear una base de datos por aquí mismo, un ejemplo de ello. Y en este caso podemos conectar ambos triggers a esto mismo. Así que bien,
Speaker A
como vemos, no importa cuál de los dos se dispare, ya que ambos llegan al mismo paso y activan el resto del flujo. Así que puedes agregar más de dos triggers si querés, ya que por ejemplo podemos agregar uno manual, uno por hora y
Speaker A
asimismo podemos agregar uno tercero que se dispare por ejemplo cuando llega un Gmail. Y ya como estamos viendo, esto te da básicamente mucha flexibilidad para que tu automatización se adapte a distintas situaciones. Así que bien, no está limitado a un solo desencadenador en
Speaker A
N8N, sino que podemos implementar varios de ellos y dependiendo de cuál de estos se dispare, estaríamos recorriendo nuestro flujo, ya que podes tener múltiples triggers en un solo workflow y como estamos viendo todos pueden llevar a la misma acción o a caminos distintos.
Speaker A
Eso sí, todo depende de tu lógica y como estamos viendo, todos pueden llevar a la misma acción o en cambio a caminos distintos. Eso sí, todo depende de tu lógica.
Speaker A
En este video veremos cómo exportar, importar tu workflow en N8N, así que vamos a verlo paso a paso. Bien, seguramente te estarás preguntando por qué es útil exportar e importar workflows. Y esto es porque básicamente al exportar un workflow te permite
Speaker A
guardarlo, compartirlo o moverlo entre entornos. Además que importarlo te permite cargar plantillas ya hechas como las que hay en la comunidad de N8N, que esto ya lo hemos visto en un capítulo, ya que si ahorras tiempo evitas errores
Speaker A
y reutilizas flujos ya configurados, como lo que estamos viendo por aquí mismo. Pero ahora bien, ¿cómo lo hacemos? Para hacerlo desde tu flujo, vas a tener que venir por aquí a la esquina superior derecha y le vamos a
Speaker A
dar a descargar, que en este caso vendría a ser lo mismo que exportar. Así que le damos un clic por aquí y como vemos esto va a descargar un archivo punjon con todo tu workflow. Y ahora bien, por ejemplo, si no venimos dentro
Speaker A
de la carpeta de descargas, por aquí tendríamos este archivo que acabamos de descargar. Y esto mismo lo podemos dar clic derecho. Y en este caso podemos abrirlo con Visual Studio Code o cualquier editor de texto para ver su
Speaker A
estructura. Así que le damos por aquí y en él vas a encontrar todos los nodos, conexiones y configuraciones, como lo estamos viendo por aquí mismo. Eso sí, lo que no estaría guardando por aquí son las credenciales, más que nada por
Speaker A
seguridad. Y ahora bien, en el caso de que quieren importar un workflow, lo que van a tener que hacer en este caso, y para que vean que esto funciona correctamente, lo que haremos es crear un workflow nuevo en blanco por aquí
Speaker A
mismo. Y una vez que lo tengamos de nueva cuenta, nos venimos en la esquina superior derecha, hacemos clic por aquí y vamos a ver que tenemos dos opciones o mejor dicho dos formas de importar un workflow, ya sea por una URL o a través
Speaker A
de un archivo. Así que, por ejemplo, en este caso voy a seleccionar el archivo que descargamos anteriormente por aquí le damos a abrir y automáticamente, como estamos viendo, todos los bloques se cargan con su configuración intacta. Eso sí, lo único que vamos a tener que
Speaker A
configurar en este caso son las credenciales, porque como le había comentado antes, dentro de esos archivos no estaría guardando ninguna credencial.
Speaker A
Y bien, como vemos por aquí, ya lo tendríamos listo para utilizar. Esto es básicamente una gran forma de ahorrar muchísimo tiempo. Asimismo, también, como le había mencionado antes, N8N también tiene una sección de plantillas creada por otros usuarios en donde
Speaker A
puedes navegar, elegir una y directamente importarla a tu entorno. Y como le había mencionado antes, esto es perfecto para inspirarte o usar como base para tus propios flujos. Así que bien, como hemos visto, exportar e importar workflows es clave si queres
Speaker A
trabajar de forma colaborativa, aprender otros o simplemente automatizar más rápido. Hoy vamos a estar viendo qué tipo de automatizaciones podemos hacer con N8N, ya que en la próxima clase vamos a diseñar flujos muy similares a lo que puedes crear en Sapier o Me. Por
Speaker A
ejemplo, podemos capturar datos de una web, guardarlos en una tabla, crear un contacto en huspot o enviar un mensaje en Slack. Bueno, básicamente todo esto también lo podemos hacer en N8N sin necesidad de escribir una línea de código. Y vamos a estar viendo esto
Speaker A
mismo en un caso real en donde recibo un correo con facturas adjuntas y lo que quiero hacer es extraer la información de esos adjuntos y guardarla en un Excel o en mi sistema contable. Como vemos, este tipo de flujo es típico en Make o
Speaker A
sapier, pero acá lo vamos a hacer en N8N. Y además lo puedes conectar con IA si querés. Entonces, para esto lo que voy a hacer es crear un nuevo workflow desde cero por aquí en donde primero agregaremos un trigger manual de este
Speaker A
modo. En este caso nos va a servir para probar el flujo sin esperar eventos reales. Ahora bien, además de ello, lo que haremos es agregar una nueva acción, ya sea, por ejemplo, en este caso podemos enviar un correo, ya sea con
Speaker A
Gmail, pero esto mismo en este caso lo podemos hacer utilizando Hotmail. Así que bien, le damos un clic por aquí y como habíamos visto, por aquí tenemos un montón de opciones, así que entre todas estas lo que voy a hacer es elegir
Speaker A
enviar un correo. Así que le damos en esta de aquí y si vemos por aquí nos aparece los campos clásicos, ya sea por ejemplo el destinatario, el asunto, cuerpo del mensaje, ya sea en HTML o en texto, el que más querramos y obviamente
Speaker A
un campo para agregar este texto. entre otras opciones. Pero ahora bien, antes de enviar un correo, si nos fijamos por aquí, N8N nos pide que agreguemos una credencial de acceso y esto es básicamente para conectar tu cuenta de
Speaker A
Gmail de forma segura y poder enviar correos desde Wflow, ya que en este caso la cuenta que estoy utilizando es nueva y es por esto básicamente es que no tengo ninguna credencial creada de momento. Así que bien, esto mismo vamos
Speaker A
a estar viendo cómo hacerlo en el próximo capítulo. Entonces, lo importante que quiero que se queden con este capítulo es que podemos hacer exactamente los mismos procesos que lo hacíamos con Make o Sapier, pero esta vez lo podemos hacer todo directamente
Speaker A
en N8N y eso sí, con la ventaja de tener más control, personalización y sin pagar por cada acción ejecutada.
Speaker A
Bien, ahora vamos a ver cómo podemos configurar las credenciales de Google, en este caso para poder usar Gmail dentro de N8N, ya que esto nos va a permitir, por ejemplo, enviar correos, leerlos o incluso trabajar con otros servicios como Google Drive, Sheets o
Speaker A
Docs directamente desde nuestro Wflows. Entonces, lo primero que necesitamos es crear un proyecto dentro de Google Cloud. En este caso, yo aquí ya estoy dentro de la consola de Google Cloud, que es en cloud.google.com.
Speaker A
Y como ves, tengo que iniciar sesión con mi cuenta habitual de Gmail o de Google Wordspace. Y en este caso, si es la primera vez que entras, probablemente veas la consola vacía, pero lo que tenemos que hacer es crear un nuevo
Speaker A
proyecto. Entonces, para eso hacemos clic arriba a la derecha en seleccionar proyecto y después en nuevo proyecto. Le ponemos un nombre, por ejemplo, N8N credenciales y lo creamos. Obviamente vamos a tener que esperar un par de minutitos a que termine esto de aquí.
Speaker A
Y ahora sí, una vez creado, lo seleccionamos para que todo lo que configuremos se haga dentro de ese proyecto. Y ahora bien, con el proyecto creado, lo siguiente es preparar la pantalla de consentimiento. Esto es necesario porque cuando N8N intente
Speaker A
conectarse con nuestra cuenta de Gmail, Google nos va a pedir que aceptemos los permisos. Entonces, en el menú lateral vamos a API y servicios, pantalla de consentimiento, y acá seleccionamos externo y completamos lo mínimo indispensable de la información que nos
Speaker A
pide, como por ejemplo el nombre de la aplicación, nuestro correo como contacto y listo. En este caso no hace falta llenar todos los datos, ya que simplemente guardamos y continuamos. Y eso sí, muy importante, en la parte de usuario de prueba tenemos
Speaker A
que añadir nuestro propio correo, que en este caso vendría a ser con el cual vamos a hacer las pruebas. De esa manera la conexión va a funcionar sin niún problema.
Speaker A
Perfecto. Ahora sí pasamos a crear las credenciales. Para eso vamos de nueva cuenta a APIs y servicios, luego a credenciales y hacemos clic en crear credenciales.
Speaker A
Y aquí mismo seleccionamos ID de cliente. En este caso, en el tipo de aplicación, seleccionamos aplicación web. Y acá tenemos que configurar los URIS de redirección autorizados. Ahora bien, seguramente te estarás preguntando, ¿cuál es el URI? Bueno, N8N
Speaker A
nos lo da automáticamente cuando estamos creando la credencial de Gmail dentro de la propia herramienta. Así que en este caso es un enlace que tenemos que copiar y pegar aquí en Google Cloud. Y una vez hecho esto, creamos la credencial y
Speaker A
Google nos entrega dos valores muy importantes, el cliente ID y el cliente Secret. Y ahora sí, estos son lo que tenemos que llevar a N8N en la parte de credenciales y pegarlos ahí. Ahora bien, una vez que ya tenemos el cliente ID y
Speaker A
el secret n, simplemente guardamos y hacemos clic en el botón de conectar con Google. Y en este caso se nos abre una ventana de Google en donde nos pide que autoricemos los permisos, ya sea para enviar correos, leerlos, etcétera.
Speaker A
Aceptamos todo y si está todo correcto, N8N nos va a mostrar que la conexión está activa. Ahora, muy importante, falta un paso que suele olvidarse y es habilitar la API correspondiente, ya que en este caso queremos trabajar con Gmail. Así que vamos de nuevo al
Speaker A
menú lateral, entramos a APIs y servicios, buscamos Gmail API y la habilitamos. Y con eso ya queda todo perfectamente configurado y funcionando.
Speaker A
Entonces, en resumen, lo que hemos hecho en este capítulo fue crear un proyecto en Google Cloud. Configuramos la pantalla de consentimiento, creamos las credenciales de este tipo y copiamos el cliente ID y el secret NN8N. Luego, asimismo, probamos la conexión y
Speaker A
aceptamos permisos. Y por último, habilitamos la API de Gmail para que el acceso sea válido. De esta forma N8N ya está listo para enviar correos, leerlos o integrarse con el resto de los servicios de Google, igual que lo
Speaker A
haríamos en otras herramientas como Sapier Make o Power Automade, pero directamente desde nuestro flujo.
Speaker A
Bien, ahora que ya configuramos las credenciales de Gmail, lo que vamos a hacer es usar ese bloque para enviar un correo electrónico directamente desde N8N, ya que como lo habíamos visto antes, este bloque nos permite varias cosas, como por ejemplo, podemos
Speaker A
responder un correo, marcarlo como leído o como no leído, eliminarlo e incluso obtener correos y procesar su contenido.
Speaker A
Pero en este caso yo lo que quiero hacer es algo mucho más simple, que es mandar un correo desde mi cuenta de Gmail.
Speaker A
Entonces, lo primero que tenemos que indicar es la dirección de correo de destino. Así que por acá simplemente escribimos la dirección a la que quiero enviar el mensaje.
Speaker A
Luego, debajo de eso tenemos la opción de escribir el asunto del correo. En este caso, yo para este ejemplo voy a usar algo básico, como por ejemplo un mundo. Simplemente eso. Así que lo escribimos por aquí.
Speaker A
Y después tenemos el campo del cuerpo del correo, en donde básicamente este lo podemos escribir como texto plano o incluso como HTML. Y sabiendo esto, seguramente te estará preguntando, ¿a qué me refiero con esto? Bueno, si querés hacer un correo más elaborado con
Speaker A
imágenes, estilos o un diseño especial, lo podés escribir en HTML y N8N lo va a enviar con ese formato. Pero en cambio, si lo que querés hacer es algo más sencillo, como voy a hacer yo ahora, simplemente escribís texto plano. Así
Speaker A
que en este caso voy a poner, "Hola, Alex" y ese va a ser el cuerpo de mi mensaje. Y ahora bien, una vez que lo hayamos configurado esto de aquí, lo que vamos a hacer es probarlo. Y para eso
Speaker A
hacemos clic en test. Y como vemos, N8N automáticamente intenta mandar el correo con la configuración que acabamos de poner. Y si todo está bien, debería llegarme directamente a mi buzón. De hecho, acá lo estoy viendo. Recibí el correo que dice hola mundo como asunto y
Speaker A
en el cuerpo tengo el texto que puse recién. Así que bien, como estamos viendo, funciona sin problemas. Ahora bien, algo importante a mencionar es que en algunos casos N8N agrega una nota al pie que dice que el correo fue enviado
Speaker A
desde N8N. Pero no te preocupes por ello, ya que esto lo vamos a poder personalizar o quitar. Pero lo importante y qué es lo que quiero que entiendan es que ya estamos logrando enviar correos de manera automática.
Speaker A
Ahora, eso sí, una cosa que tienen que tener en cuenta es que en lugar de probar solo este paso, también puedes probar el Workow por completo. Es decir, que no únicamente vamos a ejecutar este bloque de Gmail, sino que vamos a correr
Speaker A
toda la automatización con el botón de test workflow. Y esto es muy útil porque tal vez tengas pasos previos que generan información y después queres que esa información se use como contenido dinámico dentro del correo. Por ejemplo, podría ser el nombre de una persona, un
Speaker A
pedido, una fecha o cualquier dato que venga de otro nodo. Entonces acá podríamos recibir parámetros de entrada y luego insertarlo directamente en el asunto o en el cuerpo del mensaje. Eso ya depende del flujo que estés armando.
Speaker A
Y lo bueno de todo esto es que una vez que la credencial de Gmail ya esté creada, no tenés que volver a configurarla cada vez, ya que si vamos al apartado de credenciales dentro de N8N, como vemos por aquí, ya me aparece
Speaker A
guardada y es por ello que en cualquier workflow nuevo que cree, simplemente la selecciono del desplegable y ya está lista para usar. Y ahora bien, en cambios, si en algún momento necesito trabajar con otra cuenta distinta, también puedes hacerlo, ya que
Speaker A
simplemente lo que tendrás que hacer es crear una nueva credencial con esa otra cuenta de Gmail y después en el bloque selecciono cuál quiero usar. Y eso es algo muy útil, ya que por ejemplo si tengo varias casillas y quiero que unos
Speaker A
correos salgan de una dirección y otros de otra, lo podemos hacer tranquilamente. Y por supuesto, esto no aplica solo en Gmail. ya que si quiero conectar N8N con el calendario de Google, con Google Drive o Google Sheet, el proceso es muy
Speaker A
similar, ya que de nueva cuenta vamos a tener que crear la credencial y luego usarla en el bloque correspondiente. Y lo mismo pasa con otras plataformas como por ejemplo Hotmail, Airta Table o cualquier servicio externo, ya que cada
Speaker A
uno tiene su propia forma de autenticación. Algunos funcionan con esta como Gmail, otros con clave de API, pero la lógica es siempre la misma. Lo importante es que una vez que la credencial está configurada, ya la puedes reutilizar en todos los workflow
Speaker A
que necesites sin volver a pasar por todo el proceso. Así que, como ves, ya tenemos la acción de enviar correos de DN8N funcionando perfectamente y esto abre un montón de posibilidades para automatizar notificaciones, reportes o cualquier flujo que quieras.
Speaker A
Ahora bien, si recuerdan cuando teníamos esto de aquí, en este caso lo que teníamos en pantalla se ejecutaba de manera manual, pero ojo, que también podríamos programarlo para que se ejecute en una fecha y hora determinada, ya que, por ejemplo, por aquí podríamos
Speaker A
buscar en este caso shedule, que vendría a ser este trigger de aquí con el cual podríamos llegar a programar distintos eventos y obviamente nosotros por aquí podríamos conectar esto con esto para enviar un email y directamente por aquí
Speaker A
adentro podríamos por ejemplo decirle que cada lunes a las 9 de la mañana se dispare un flujo que envíe un correo o que procese cierta información. Así que bien, es por ello que esto de aquí lo podríamos conectar al bloque de correos
Speaker A
electrónicos que vimos antes. Pero ahora bien, lo que quiero diseñar en el día de hoy es un proceso que nos permita conectarnos con Google Drive. Entonces, para eso lo primero que vamos a hacer es limpiar un poco lienzo. Así que vamos a
Speaker A
seleccionar todos estos triggers y lo vamos a eliminar. Y lo que vamos a hacer es arrancar desde cero, ya que como le había comentado, lo que quiero hacer ahora mismo es algo diferente. Así que por lo tanto, lo que voy a hacer es
Speaker A
crear un nuevo trigger, en donde este trigger se va a ejecutar cada vez que suba un archivo a una carpeta en específica dentro de mi Google Drive, ya que, por ejemplo, si no venimos a mi cuenta, estaremos viendo que por aquí
Speaker A
tengo creada una carpeta llamada trigger. Y lo que quiero hacer esta vez es que cada vez que alguien suba un archivo dentro de esta carpeta, automáticamente se dispare el Wflow. Ya que ahora bien, ¿qué podría pasar a partir de ahí? Bueno, podríamos mandar
Speaker A
un correo electrónico notificando que llegó un archivo. Asimismo, podríamos almacenar los datos de ese archivo en el table, en un CRM o a su vez en el IRP de la empresa, que esto realmente es algo muy sencillo, pero muy útil. Así que
Speaker A
ahora bien, ¿cómo lo configuramos? Bien, primero lo que tenemos que hacer es agregar un trigger del tipo on app event y por aquí dentro del buscador lo que haremos es buscar Google Drive y veremos que cuando seleccionemos Google Drive por aquí me aparece estas
Speaker A
dos opciones, una para cuando hay un cambio en un archivo específico y otra para cuando hay un cambio en una carpeta. Así que bien, para este caso me interesa la segunda cuando hay cambios en una carpeta en específico, así que le
Speaker A
damos un clic por aquí y hasta acá, como hemos visto, todo bien. Pero, ¿qué pasa?
Speaker A
Como vemos por aquí, estaríamos necesitando configurar las credenciales de Google Drive. Y no te preocupes, ya que esto es completamente igual que con Gmail, ya que únicamente si lo seleccionamos por aquí, estaríamos necesitando colocar un ID de cliente y a
Speaker A
su vez un cliente secreto que si recuerdan hemos obtenido desde Google Cloud. En mi caso, como ya había creado esas credenciales para Gmail, no tengo que repetir todo el proceso que hemos hecho antes, porque básicamente lo vuelvo a repetir todo lo que hemos hecho
Speaker A
anteriormente. Sirve también, asimismo para Google Drive, Google Calendar o cualquier otra herramienta de la suit de Google, ya que por ejemplo ahora lo único que necesitamos hacer es irnos a credenciales por aquí y vamos a ver que tenemos este ID de cliente llamado
Speaker A
cliente web 1. Y lo que vamos a hacer por aquí es nada más buscar Google Drive, en este caso Appicemos hecho con Gmail y lo vamos a seleccionar. Y en este caso si lo tienen deshabilitado, lo vamos a tener que habilitar.
Speaker A
Ahora bien, una vez que lo tenemos habilitado, simplemente lo que vamos a tener que hacer es, en este caso venirnos por aquí y lo que vamos a hacer es copiar el ID de cliente, que si recuerdan lo tenemos básicamente dentro
Speaker A
de Google Cloud. Así que directamente venimos y lo pegamos. Y ahora bien, simplemente esto mismo lo tenemos que hacer con el secreto de cliente. Así que lo pegamos, lo guardamos, iniciamos sesión, eso sí, con nuestra cuenta de Google de nueva cuenta. Así que
Speaker A
seleccionamos nuestra cuenta. Obviamente por aquí Google nos advierte que no ha verificado esta aplicación, ya que la estamos creando. Por lo tanto, le damos a continuar. Y aquí lo que tenemos que hacer es aceptar los permisos y a las
Speaker A
cosas que queremos que acceda básicamente de nuestra cuenta esta aplicación en Google Drive específicamente, ya que por ejemplo por aquí nos pide acceso para ver, crear y editar archivos de Google Drive. Por lo tanto, en mi caso, para simplificar los
Speaker A
ejercicios prácticos que vamos a hacer próximamente, lo que haré es seleccionar y habilitar todas estas opciones, pero ten en cuenta que también lo puedes deshabilitar si una de ellas no te convence. Así que bien, una vez hecho esto, le damos a continuar y perfecto,
Speaker A
ya tendríamos la cuenta de Google Drive totalmente vinculada. Y ahora bien, una vez que tenemos esto, lo único que tenemos que hacer por aquí, por ejemplo, es configurar nuestro trigger, ya que primero por aquí nos permite modificar, por ejemplo, y definir cada cuánto
Speaker A
quiero que se revise la carpeta, ya sea por minuto, por hora, cada día, la semana o un mes en específico. Así que de momento queremos visualizar esa carpeta cada minuto, si hay un cambio o no. Y ya luego en la siguiente opción
Speaker A
por aquí podemos elegir una carpeta o una carpeta en específica. Por ejemplo, si abrimos por aquí nos va a aparecer en este caso toda nuestra carpeta. Así que voy a seleccionar trigger por aquí mismo. Y finalmente por aquí decido qué
Speaker A
evento quiero que se dispare en el WF, ya sea que si quiero crear un archivo nuevo, que se actualice un archivo existente. Asimismo, podemos ejecutar este evento al momento de crear o modificar una carpeta. y a su vez
Speaker A
podemos hacer otras cosas más. Así que bien, en mi caso voy a marcar en este caso cuando se cree un archivo nuevo, así que le voy a colocar por aquí. Y ya con esto hemos terminado. Así que a
Speaker A
partir de ahí, cada vez que suba un archivo a esa carpeta que hemos seleccionado de Google Drive, automáticamente se va a ejecutar el flujo que estoy diseñando. Y obviamente después puedo seguir agregando todas las acciones que quiera, ya sea por ejemplo
Speaker A
enviar un correo, mover archivos, actualizar registros en una base de datos o lo que sea.
Speaker A
Ahora que ya tenemos configurado la conexión con Google Drive, vamos a hacer algo muy sencillo para testear este flujo, ya que lo que quiero hacer es que cada vez que se cree un archivo nuevo en mi carpeta de Google Drive,
Speaker A
automáticamente se me envíe un correo electrónico de notificación. Así que para esto vamos a añadir un nuevo bloque por aquí y buscaremos Gmail. Este mismo, le vamos a dar a enviar un nuevo mensaje por aquí en la parte de abajo. Y ahora
Speaker A
bien, seguramente te estarás preguntando por qué voy a utilizar Gmail en vez de otro cliente de correo, como por ejemplo Hotmail. Bien, básicamente lo hago porque por aquí ya tengo configurada la credencial para hacerlo con Gmail y no
Speaker A
me voy a complicar con otro cliente de correo. Así que bien, una vez que lo agreguemos, hacemos doble clic en él y lo que voy a hacer primero que nada es indicar por aquí la dirección de correo electrónico a la que quiero que llegue
Speaker A
el mensaje. Así que por ejemplo voy a usar la misma que siempre y luego por aquí en la parte de abajo voy a escribir el asunto. Por ejemplo, se ha subido un nuevo fichero y en este caso el email va a ser del
Speaker A
tipo texto, ya que por aquí en el cuerpo le voy a colocar algo sencillo, como por ejemplo, hola, coma, se ha subido un nuevo archivo a la carpeta de Google Drive.
Speaker A
Y asimismo también otra posibilidad o mejor dicho otra opción que tenemos es de enviar un archivo adjunto. De hecho, podríamos pasarle directamente el archivo que se sube en el Drive y que llegue como adjunto en el correo, pero
Speaker A
por ahora no lo voy a hacer, pero está bueno saber que la opción existe. Ya con esto configurado, vamos a testear el flujo. Entonces, para esto lo que haremos es darle a guardar y vamos a activar nuestro flujo por aquí en la
Speaker A
parte de arriba. Y ya con esto activo, ahora nuestro workflow queda en modo escucha, es decir, cada vez que subamos un archivo dentro de la carpeta que configuramos debería dispararse automáticamente este proceso y mandarle el email. Así que bien, vamos a
Speaker A
probarlo. Entonces, una vez que nos encontremos por aquí dentro de nuestro Google Drive, lo que voy a hacer es colocar un archivo dentro de él, por ejemplo, este mismo que dice holamondo.txt.
Speaker A
Así que lo arrastramos y lo colocamos por aquí en la parte de adentro. Esperamos a que lo cargue y una vez cargado, ahora sí que sí. Si no volvemos a nuestro Wflow, debería haberse ejecutado. Así que bien, para ver esto
Speaker A
nos vamos a la sección en este caso de ejecuciones. Y como vemos por aquí el flujo ya se ejecutó. Así que ahora bien, si no venimos a nuestro Gmail y si esperamos unos segundos y efectivamente me llega el correo a mi bandeja de
Speaker A
entrada, en donde si lo abro ahí lo tenemos en donde nos dice subido un nuevo fichero y por aquí nos dice hola, se ha subido un nuevo archivo a la carpeta de Google Drive. Ahora bien, algo importante a mencionar es que este
Speaker A
proceso no se ejecuta al instante en el mismo segundo que se sube el archivo a nuestra carpeta de Google Drive.
Speaker A
ya que por defecto el trigger de Google Drive que configuramos está revisando la carpeta cada minuto, que es lo que habíamos seleccionado anteriormente por acá y es por eso que puede tardar algunos segundos en llegar la notificación.
Speaker A
Por lo tanto, si el flujo se ejecutó hace unos pocos segundos, la detección sería casi inmediata. Pero en cambio, si subo un archivo justo después de que se revisó, puede tardar hasta un minuto en volver a chequear esa carpeta. Y esto
Speaker A
mismo ocurre si programo el trigger para que revise cada hora, cada día o cada semana, ya que como le había mencionado antes, no es en tiempo real, sino que se ejecuta en intervalos. En este caso lo dejamos, por ejemplo, en un minuto y
Speaker A
funcionó perfecto, ya que el archivo se subió, N8N lo detectó y recibí el correo de notificaciones al instante. Así que bien, con esto comprobamos que somos capaces de escuchar lo que ocurre en la carpeta de Google Drive y mandar un
Speaker A
correo automáticamente. Así que bien, con esto somos capaces de escuchar lo que ocurre en la carpeta de Google Drive y mandar un correo automáticamente.
Speaker A
Ahora vamos a dar un paso más con nuestro Wflow, ya que básicamente hasta este momento hemos logrado que cuando se sube un archivo a la carpeta de Google Drive se dispare un correo electrónico.
Speaker A
Pero, ¿qué pasa si además queremos enviar ese archivo como adjunto en el correo? Bien, vamos a verlo. Primero lo que voy a hacer es dejar vacío la carpeta del Drive. Así que voy a seleccionar este archivo y lo voy a eliminar. Y esto lo
Speaker A
hago para que quede todo más claro, ya que lo importante es que cada vez que se suba un fichero a la carpeta de Google Drive se ejecute este proceso. Ahora sí, una vez que hemos hecho esto, me voy a
Speaker A
ir al trigger de Google Drive. Y si ejecuto esto de aquí, efectivamente estaremos obteniendo un error, ya que si recuerdan, anteriormente nosotros por aquí hemos eliminado ese archivo. Así que por lo tanto de nueva cuenta lo vamos a
Speaker A
seleccionar y lo vamos a arrojar por aquí en la parte de adentro y esperamos a que se suba. Y una vez que se sube por aquí, volvemos y si ejecutamos de nueva cuenta este bloque.
Speaker A
Como vemos ahora sí que sí en la salida ya estamos viendo todos los datos que N8N es capaz de recoger tanto como por ejemplo toda la información que hemos proporcionado como nuestro email, el nombre, asimismo el tipo de enlace,
Speaker A
propiedades, entre otras cosas. Y ahora bien, lo que me interesa es utilizar esta información en el bloque de Gmail.
Speaker A
Ya que si ingresamos por aquí, como veremos aquí mismo lo podemos ver tanto en esquema, en tabla o en Jason, lo que básicamente hemos traído de nuestro Google Drive. Así que bien, ahora lo que vamos a hacer es venirnos hacia aquí
Speaker A
abajo y vamos a agregar un nuevo archivo. Y aquí mismo le vamos a dar agregar archivo y en este caso se nos crea una variable llamada date que hemos obtenido del trigger. Pero aquí me encuentro con un detalle importante.
Speaker A
Pero ahora bien, si intentamos ejecutar este bloque, como veremos de nueva cuenta, obtendremos un error, ya que si leemos un poco por aquí, veremos que en este caso Gmail espera un contenido binario y no únicamente un enlace o como
Speaker A
en este caso un dato de texto. Así que en este caso para enviar un archivo que vendría a ser el que hemos recibido por aquí, lo que necesitamos hacer es un paso intermedio. Entonces para esto voy a agregar una nueva acción por aquí en
Speaker A
el medio de estos dos bloques. Y aquí mismo vamos a buscar de nueva cuenta Google Drive, lo seleccionamos y vamos a estar utilizando en este caso la acción de descargar archivo esta misma, ya que esta acción nos va a permitir descargar
Speaker A
un archivo en formato binario. Ahora bien, si ingresamos dentro de este bloque, veremos por aquí que podemos seleccionar el archivo que queremos utilizar. Por ejemplo, en este caso, hola mundo, lo podríamos seleccionar tranquilamente, pero si recuerdan, nosotros no queremos hacer esto
Speaker A
exactamente, ya que lo que queremos es que esto de aquí sea dinámico, porque si recuerdan, lo que queremos hacer nosotros es que si agregamos un nuevo archivo de cualquier tipo dentro de nuestra carpeta trigger, por aquí en Google Drive, queremos básicamente que
Speaker A
se ejecute este flujo. Ahora bien, una vez que se ejecuta y hemos obtenido la información, lo que vamos a hacer es seleccionar esa información y para que sea un poco más dinámico, vendremos por aquí y seleccionaremos esta opción que
Speaker A
sea por URL, ya que básicamente por aquí le vamos a pasar el enlace que me viene en la salida del trigger, el formato básicamente webview viw link, creo que está por aquí abajo del todo. Vamos a verlo mejor en el esquema.
Speaker A
Efectivamente vendría a ser este mismo, así que lo seleccionamos, lo arrastramos y lo colocamos por aquí en la parte de adentro. Ahora bien, algo importante mencionar es que este enlace de aquí dentro de esta variable que acabamos de
Speaker A
seleccionar es único para cada archivo que se sube al Google Drive. Así que para este caso hacerlo de esta manera no sirve a la perfección. Y ahora sí, por ejemplo, si ejecuto de nueva cuenta este bloque, veremos en este caso que por
Speaker A
aquí ahora sí puedo pasarle el contenido binario del archivo descargado al bloque Gmail, ya que por ejemplo, si se fijan, aquí dice data y aquí abajo tenemos esa misma variable. Por ende, ahora sí que sí hemos convertido ese archivo
Speaker A
perfectamente en binario. Asimismo, si nos fijamos por aquí en la parte arriba, nos aparece un nuevo apartado llamado binario. Eso sí, una cosa más, es muy importante escribir correctamente el nombre de la variable que queremos utilizar, ya que, por ejemplo, si
Speaker A
colocamos aquí datas y lo intentamos ejecutar, veremos que efectivamente estaríamos obteniendo un error. Pero en cambio si escribo exactamente data, en este caso y es como aparece en el bloque de descargas, veremos que ahora sí que sí. Si lo volvemos a ejecutar, esto
Speaker A
estaría funcionando correctamente. Así que bien, si vemos por aquí, se supone que el correo se ha enviado perfectamente, por ende, si nos vamos a nuestro Gmail y lo actualizamos, esperamos unos segunditos y efectivamente aquí tenemos este mensaje y si lo abrimos veremos que tenemos el
Speaker A
título, el contenido y a su vez junto el archivo que hemos enviado, listo para descargar. Entonces, ¿qué logramos aquí?
Speaker A
En pocas palabras, que cada vez que se suba un archivo a la carpeta de Google Drive, el flujo se ejecute, descargue ese archivo, lo convertimos en binario y lo mandamos automáticamente como adjunto, en este caso en un correo
Speaker A
electrónico de Gmail. Así que bien, en resumen, comprobamos cómo podemos escuchar los eventos de una carpeta de Google Drive, en donde recuperamos los archivos que se sube y finalmente lo procesamos y lo enviamos por correo, en este caso por Gmail, pero asimismo puede
Speaker A
ser por cualquier otro. Esto nos demuestra como N8N nos permite interconectar distintas herramientas, en este caso Google Drive, Gmail, dentro del mismo Workflow y de manera totalmente automática.
Speaker A
En esta clase vamos a diseñar un proceso NN8N que nos permita recopilar datos desde un formulario y con esa información insertarla en una base de datos dentro de Air Table. Así que bien, lo primero que vamos a hacer es irnos a
Speaker A
un nuevo lienzo en blanco en NN8N. Y si le damos en agregar, veremos que por aquí tenemos varias opciones, que ya lo hemos estado viendo a lo largo de este curso. Por un lado, podría trabajar con herramientas externas de formulario,
Speaker A
como los que están por aquí, como por ejemplo Formstark, Jot Form o Typeform, ya que en este caso el flujo sería creo el formulario en esa plataforma y luego conecto N8N para traer los datos aquí mismo. Pero en esta ocasión no vamos a
Speaker A
hacerlo así, ya que lo que voy a hacer es trabajar con una funcionalidad interna de N8N. en este caso que nos dan la posibilidad de crear un formulario directamente dentro del propio entorno, ya que, por ejemplo, si nos fijamos por
Speaker A
aquí a la derecha, tendríamos esta opción para crear ese formulario y desplegarlo en mi instalación local DN8N.
Speaker A
Así que si le damos un click, como vemos en mi caso me aparece la dirección local host porque lo tengo corriendo en mi máquina. Pero en cambio, si lo tienes instalado en un servidor en la nube o en
Speaker A
un servidor home race, verás el nombre dirección de ese servidor en lugar de local host. De todas formas, siempre vas a tener un endp que acceder para visualizar el formulario. Asimismo, también por aquí adentro podemos definir varias cosas, entre ello, por ejemplo,
Speaker A
si quiero que este formulario sea público o en cambio que pida autenticación antes de responder, también lo podemos hacer. tal que sí, pero en mi caso le voy a dejar que no. Y asimismo también por aquí podemos colocar el nombre del formulario, una
Speaker A
pequeña descripción y por supuesto si bajamos un poco más por aquí, aquí mismo podríamos agregar un elemento a nuestro formulario, que en este caso vendría a ser los campos que va a contener. Y ya te digo que esos campos pueden ser
Speaker A
diferentes tipos, como por ejemplo de tipo texto. Y asimismo también tenemos del tipo email, fichero, lista desplegable para seleccionar opciones, entre muchísimas cosas más. E incluso puedo marcar si un campo es obligatorio o no. Así que bien, por ejemplo, por
Speaker A
aquí abajo podríamos agregar más elementos a nuestro formulario. Y ahora bien, una vez creado el formulario, ya tendré la posibilidad de recopilar respuestas NN8. Y ahora sí, ya con esa información, vamos a conectarnos con Air Table. Pero para eso, antes que nada,
Speaker A
además de diseñar nuestro formulario, necesitamos también configurar las credenciales de Air Table N8N, ya que básicamente lo que voy a hacer por aquí es crear una tabla simple en A table que va a funcionar como nuestra base de datos. Entonces, de esta manera,
Speaker A
cada vez que alguien complete el formulario, esos datos se van a capturar automáticamente y se insertará en la tabla de Air Table que definamos nosotros. Así que con todo esto ya tenemos el punto de partida para empezar a construir nuestro workflow.
Speaker A
En este video lo que vamos a hacer es terminar de configurar nuestro formulario. Para empezar le voy a dar un título sencillo, ya que en este caso voy a usar nombre y trabajo de la persona que complete el formulario. Así que lo
Speaker A
vamos a llamar de ese modo. Y esto mismo lo voy a copiar y lo voy a pegar en la descripción de este formulario, ya que básicamente lo que quiero recopilar en este caso, como le había mencionado, es el nombre, apellido
Speaker A
y puesto de trabajo, nada más, ya que básicamente este capítulo no veremos cómo crear un formulario superelaborado o con un diseño espectacular, sino que lo que busco es que lleguen a entender cómo funciona la conexión entre un formulario y table. Así que en este caso
Speaker A
vamos a los campos por aquí en la parte de abajo y el primer campo será nombre de tipo texto. Asimismo vamos a bajar y vamos a agregar un nuevo elemento. En este caso le llamaremos apellido, también de tipo texto. Y ya por último
Speaker A
vamos a crear un tercero y último elemento. Y a este campo le vamos a llamar trabajo, que igualmente será del tipo texto. Y hasta aquí, básicamente ya lo tenemos configurado.
Speaker A
Ahora bien, lo que podemos hacer es testear este formulario, ya que si nos fijamos aparece un pop que vendría a ser este mismo con la URL de prueba a la que se puede acceder. Así que lo que podemos hacer es copiar esta
Speaker A
URL, ya que esta dirección es la misma que aparece luego en la parte de arriba.
Speaker A
Y si la abro en el navegador, voy a ver exactamente el mismo formulario. Entonces, una vez que tengo el formulario listo, hacemos clic en ejecutar por aquí. Y como vemos por aquí, nos dice que N8N se pone en modo
Speaker A
escucha. Pero ahora bien, ¿qué significa esto? Sencillamente que está esperando que alguien complete el formulario para capturar la información y traerla por aquí. Así que bien, le damos a parar y vamos a ejecutar esto de nueva cuenta. Y
Speaker A
si nos fijamos por aquí, como vemos, se nos estaría abriendo una pestaña con el link que hemos visto anteriormente, en donde nos aparece un formulario llamado nombre y trabajo. Y aquí, por supuesto, tenemos los tres campos para completar,
Speaker A
tanto en nombre, apellido y el trabajo. Así que bien, lo que voy a hacer es rellenar rápidamente estos campos, ya que por ejemplo, pongámosle un nombre como Alex, asimismo un apellido Smith y ya por último en el campo de trabajo
Speaker A
escribo cualquier posición. Así que en este caso le voy a escribir programador. Y ahora bien, una vez que hayamos rellenado estos tres campos por aquí, le podemos dar a enviar. Y una vez que hacemos esto, si cerramos esta pestaña
Speaker A
de aquí y nos volvemos a N8N, al revisar la salida ve un Jason con toda la información capturada y asimismo podemos cambiar y variar entre esquema, tabla o formato JSON, ya que por ejemplo, si nos fijamos podemos ver por ejemplo la hora
Speaker A
en la salida que se envió el formulario, como por ejemplo el día. Asimismo, también podemos ver el modo del formulario, ya que en este caso me parece el modo test porque estoy usando la URL de prueba. Por lo tanto, si luego
Speaker A
que le cambiamos a producción nos va a aparecer este modo. Y por supuesto, ya por último, asimismo también nos aparece los tres datos que ingresó el usuario, tanto el nombre, el apellido y el trabajo. Por lo tanto, con esto
Speaker A
confirmamos que el formulario funciona y que ya estamos recibiendo la información correctamente. Ahora bien, con esto listo, podemos pasar al siguiente paso, que vendría a ser agregar un bloque que nos permita insertar esos datos en una tabla de
Speaker A
table. Ahora que ya tenemos el formulario funcionando, lo siguiente que vamos a hacer es insertar la información de una base de datos de table. Así que bien, para eso dentro de N8N por aquí voy a buscar el conector de A Table,
Speaker A
este mismo. Le damos un click y aquí le vamos a dar en crear y entre las acciones disponibles elijo crear registros, que es justo lo que necesito en estos momentos. Ahora bien, como le había mencionado, lo que quiero hacer es
Speaker A
crear un registro, por lo tanto, en esta ocasión no quiero actualizarlo, tampoco eliminarlo y mucho menos leer datos.
Speaker A
sino que únicamente lo que vamos a hacer es crear un nuevo registro cada vez que alguien complete el formulario. Hasta aquí todo bien, pero antes de continuar necesito una credencial que me permita conectar N8N con Table. Y ya que
Speaker A
estamos, por, también voy a crear una tabla nueva ener table para usarlo en este ejemplo. Así que bien, para ello se dirigen a esta página de aquí y en este caso la idea es mantenerlo simple. Así que lo que voy a hacer es crear una base
Speaker A
de datos online con una tabla básica de solo tres columnas. Por lo tanto, nos venimos por aquí en la parte de abajo y le damos un clic en el botón que nos dice crear. Y en este caso podemos usar
Speaker A
IA para crear una tabla o asimismo podemos crear una tabla por nuestra cuenta. Así que bien. Por lo tanto, en este caso, como va a ser una tabla bastante sencilla, le voy a dar a esta segunda opción de aquí. Y ahora bien,
Speaker A
esperamos a que se nos cargue y una vez que estemos por aquí, le voy a dar un nombre a esta base de datos, como por ejemplo nombre trabajo, o por qué no en inglés.
Speaker A
Y una vez que tenemos esto, también podemos cambiar el color que querramos. Por ejemplo, vamos a dejarle el que viene por defecto. Y ahora bien, una vez que hayamos cambiado el nombre de nuestra base, en este caso nos viene por
Speaker A
defecto una tabla llamada tabla uno, que en este caso le vamos a dejar así mismo.
Speaker A
Pero eso sí, lo que voy a hacer por aquí es modificar alguna de las columnas. Por ejemplo, la de nombre únicamente le voy a mantener así, pero las demás en este caso voy a eliminarlas. Y ahora bien, una vez que hayamos eliminado esas
Speaker A
columnas, lo que voy a hacer es crear una segunda, en este caso del tipo texto de una sola línea y le vamos a llamar apellido y le damos a crear campo. Asimismo, ya que estamos, vamos a crear otro segundo
Speaker A
del mismo tipo. Y en este caso, a esta columna le vamos a llamar trabajo.
Speaker A
Asimismo, también podemos colocar los nombres en inglés, pero de momento, ¿por qué no? Vamos a mantenerlo en español. Y ahora bien, ya con esto tengo una tabla sers sencilla, lista para usar como la que tenemos por aquí. Ahora bien, el
Speaker A
siguiente paso es crear la conexión desde N8N. Por lo tanto, si no volvemos a N8N y le damos a crear una nueva credencial, como vemos por aquí, en este caso nos pide que elijamos el método de conexión, ya sea por ejemplo con A2 o
Speaker A
mediante un token de acceso. En mi caso voy a usar el token de acceso personal porque es más directo y me da flexibilidad para controlar los permisos. Así que bien, una vez que lo seleccionamos, nos volvemos a Air Table,
Speaker A
volvemos hacia atrás. Como vemos por aquí, tendríamos creada nuestra base y lo que haremos ahora para conectar esta base con N8N es generar este token.
Speaker A
Entonces, lo que tenemos que hacer es irnos por aquí a nuestro perfil y lo que haremos luego es irnos a centro de creadores y por aquí mismo nos vamos a ir a tokens de acceso personal. Le damos un click por aquí, esperamos a que se
Speaker A
nos cargue y le damos a crear token. Y ahora bien, por ejemplo, por aquí vamos a colocarle un nombre a este token, por ejemplo, test token.
Speaker A
Y una vez que hemos colocado el nombre, lo siguiente que tenemos que hacer es asignar los permisos. Por lo tanto, le damos añadir alcance. Y aquí lo que podemos hacer es decir que queremos hacer a través de ese token, ya sea en
Speaker A
este caso leer registros. También le podemos dar la opción para crearlos, modificarlos o incluso cambiar la estructura de la tabla. Así que bien, para este caso lo que voy a hacer es darle todos los permisos disponibles por aquí y esto más que nada lo hacemos
Speaker A
porque así nos evitamos problemas durante futuras pruebas. Ahora bien, una vez que hemos seleccionado todos los permisos, nos venimos por aquí abajo, en donde tendremos que añadir una base. Por lo tanto, si le damos un clic, veremos que en este caso únicamente tenemos una
Speaker A
base, pero asimismo podemos crear más y seleccionar una de ellas o varias, también puede ser. Y ahora bien, una vez que hemos añadido nuestra base de datos, le damos a crear token. Y como vemos, una vez configurado, table me da el
Speaker A
código del token, así que lo copio, le doy a finalizar, nos volvemos a N8N, en donde por aquí deberemos pegar ese código o ese token que acabamos de generar. Y listo, con esto ya lo tendríamos, así que le damos a guardar.
Speaker A
Y como vemos, la credencial fue creada con éxito. Y ahora bien, si volvemos hacia atrás y si nos fijamos por aquí dentro de las credenciales, tengo la credencial ya creada y lista para usar en este workflow. De hecho, si tienes
Speaker A
más de una aparecerá junto con otras conexiones que habías creado antes, pero en este caso únicamente tenemos una, así que la seleccionamos. Y ya con esto, ahora sí puedes empezar a insertar automáticamente la información que llega desde el formulario en la tabla de
Speaker A
Table. Ahora que ya tenemos la conexión creada con Air Table, vamos a rellenar los campos que nos permiten crear un nuevo registro en nuestra tabla. Así que bien, lo primero que tenemos que hacer es seleccionar la base de datos a la que
Speaker A
tengo acceso con el token que configuramos anteriormente en la credencial, si lo recuerdan, en el capítulo pasado. Así que por lo tanto, como lo hemos visto, ese token solo nos permite ver una de las bases que tengo en Ner table. Y eso está perfecto porque
Speaker A
justo la que necesito es esta de aquí. Así que la vamos a seleccionar. Y ahora bien, si nos vamos al siguiente de campo, como vemos, nos pregunta en qué tabla queremos trabajar. En mi caso vendría a ser la tabla uno, la misma que
Speaker A
ya habíamos creado antes en table, por aquí mismo. Así que directamente la selecciono. Y como vemos, al seleccionarla automáticamente se despliegan las columnas disponibles, tanto nombre, apellido y trabajo. Yo podría escribir datos estáticos directamente por aquí. Por ejemplo, en
Speaker A
el campo nombre le podía colocar Alex. Luego en el campo apellido Smith. Y asimismo luego en el trabajo vamos a colocar que tenemos un trabajo de diseñador, pero claro, esto de aquí no tiene sentido, ya que simplemente siempre
Speaker A
estaríamos insertando la misma información, ya que realmente lo que quiero en este caso por aquí es pasarle contenido dinámico, es decir, los datos que vengan del formulario que acabamos de crear, ya que, por ejemplo, si no venimos por aquí en este formulario y le
Speaker A
damos a ejecutar, Si recuerdan, si nos abre este formulario en donde en este caso N8N estaría escuchando como vemos por aquí, pero por ejemplo si nosotros completamos estas casillas, ya sea con nuestro nombre, asimismo el apellido y por ejemplo con un trabajo.
Speaker A
Y ahora bien, si le damos a enviar y cerramos esta casilla, como vemos hemos obtenido correctamente esta información.
Speaker A
Y asimismo, si nos vamos dentro de este bloque, por aquí, tendríamos esas variables. Y obviamente si también podemos verlo en formato tabla, JSON o como lo querramos, ya que si vemos dentro de JSON estaremos viendo los campos que habíamos definido
Speaker A
anteriormente como puede ser el nombre, apellido y el trabajo. Así que bien, como estamos viendo, estos de aquí vendrían a ser campos dinámicos.
Speaker A
Entonces, simplemente lo que tenemos que hacer es seleccionar uno de estos campos y arrastrarlo, por ejemplo, el nombre dentro de la casilla nombre. Y de igual manera lo haremos tanto para el apellido y asimismo con el trabajo. Ahora bien,
Speaker A
ya con esto configurado podemos hacer una prueba, por lo tanto si le damos a ejecutar y en este caso, si todo está bien, los datos deberían insertarse en nuestra tabla correctamente, por lo que si no venimos por aquí y lo
Speaker A
actualizamos, efectivamente estaríamos viendo en la cuarta fila tanto el nombre, el apellido y el trabajo que acabamos de insertar. Ahora bien, eso sí, si nos fijamos, los registros aparecieron en la cuarta fila. ¿Y esto por qué pasa? Bien, básicamente porque
Speaker A
Air Table crea estas tres filas de aquí, estas tres primeras filas vacías por defecto cuando armamos o creamos una tabla. Así que, por ejemplo, podemos seleccionar toda esta fila, le damos clic derecho y le damos borrar todas. Y
Speaker A
esto lo hacemos ya que a partir de ahora, cada vez que carreguemos y agreguemos nueva información dentro de nuestra tabla, ahora sí que sí va a empezar cargando en la primer fila.
Speaker A
Perfecto, ahora sí nuestro workflow está listo, por lo que cada vez que alguien complete el formulario, los datos se van a guardar automáticamente dentro de table. Así que bien, vamos a probarlo de nuevo. Y eso sí, recuerda que lo podemos
Speaker A
probar en este caso con un formulario en formato testeo o ya en producción que vendría a ser directamente cambiarlo por aquí, ya que básicamente ambos usan URL distinta, pero funcionan exactamente igual. Así que bien, para esta prueba lo
Speaker A
voy a seguir manteniendo en forma testeo, por lo que si salimos de nueva cuenta hacia la parte de afuera y lo volvemos a ejecutar por aquí todo junto.
Speaker A
Como vemos nos vuelve a aparecer en este caso el formulario en donde nosotros directamente podemos cargar el nombre de nueva cuenta, ya sea por ejemplo Aleen, luego el apellido, vamos a colocarle cualquiera, ya sea por ejemplo de nueva
Speaker A
cuenta mi apellido Smith y en el título de trabajo escribo, por ejemplo, analista. Ahora bien, una vez que hayamos rellenado los campos, hacemos clic en enviar y automáticamente el bloque de table se ejecuta como lo acabamos de ver
Speaker A
y eso significa que los datos ya fueron guardados correctamente dentro de nuestra tabla. Y de esta forma lo que hemos conseguido es crear un formulario nn o recopilar la información ingresado en ella y luego una vez que hayamos recopilado esta
Speaker A
información lo que hacemos es insertarla en una tabla de Artica. Lo interesante es que este formulario lo podemos pasar a modo producción por aquí y compartirse con cualquier persona en cualquier parte del mundo, simplemente con esta URL. Y si quisiéramos, incluso
Speaker A
podríamos configurar la autentificación para controlar quién accede y quién no a nuestro formulario. Y lo mejor de todo es que ya tengo en ner table no solo los datos del formulario, sino también información adicional, como por ejemplo con la fecha. y la modalidad. Esto
Speaker A
quiere decir si fue enviado en test o en producción. Y obviamente esto también lo podríamos almacenar dentro de nuestra tabla, ya que esa información se puede aprovechar en cualquier otro bloque que agregue después en mi workflow.
Speaker A
En esta clase vamos a ver cómo podemos llamar a varios procesos desde otro workflow dentro de N8N, ya que hasta ahora tenemos un flujo que recoge datos desde un formulario y luego insertamos esa información en Ner table. Y lo que
Speaker A
quiero mostrar ahora es cómo a partir de ahí podemos ejecutar otro proceso completamente diferente. Para ello, lo primero que vamos a hacer es irnos por aquí a la página principal de N8N y vamos a crear un nuevo workflow por aquí
Speaker A
mismo que le vamos a llamar, en este caso Wflow de destino de este modo. Y aquí únicamente lo que vamos a hacer es agregar un trigger manual y en él lo que quiero hacer es enviar un Gmail. Así que vamos a buscar
Speaker A
Gmail, lo agregamos, decimos que queremos enviar en este caso un mensaje. Así que bien, organizamos un poco esto de aquí y ahora lo que tenemos que hacer es configurar este bloque de aquí para que podamos enviar un email
Speaker A
correctamente. Así que por lo tanto seleccionamos primero que nada nuestra credencial, que ya viene por defecto la que hemos creado anteriormente. Y asimismo lo que vamos a hacer es enviar un mensaje a nuestro correo y en el asunto vamos a colocar
Speaker A
test workflow. Y en este caso en el cuerpo del mensaje vamos a colocar exactamente lo mismo que tenemos en el asunto. Así que lo copiamos, lo pegamos y en este caso el tipo del email va a ser de texto plano,
Speaker A
así que lo seleccionamos. Ahora bien, con eso ya listo, lo que vamos a hacer es guardar este proceso. Así que le damos a guardar por aquí en la parte superior y a continuación lo que haremos es regresar a nuestro flujo principal
Speaker A
que vendría a ser este mismo de aquí, ya que básicamente aquí es donde quiero que después de insertar los datos inner table se llame al workflow que acabamos de crear. Así que bien, para ello buscamos aquí workflow y seleccionamos
Speaker A
este de aquí y le damos a esta acción. Y aquí mismo lo que podemos hacer es seleccionar básicamente cuál workflow queremos ejecutar. Así que bien, en nuestro caso vendría a ser este mismo de aquí que lo hemos llamado Workflow Last.
Speaker A
Así que lo seleccionamos y listo, ya lo tendríamos por aquí mismo. Ahora bien, seguramente te estarás preguntando, ¿y no sería más fácil simplemente agregar la acción de Gmail directamente a este workflow en vez de hacerlo en un workflow separado? La respuesta a esto
Speaker A
es que sí, ya que en este caso particular sería lo más simple mover este bloc de Gmail justamente por aquí mismo. Pero ahora bien, imagínate que trabajas con agentes de integraciones complejas o múltiples herramientas.
Speaker A
Entonces, si llenas todo en un único lienzo, terminas con un diagrama caótico y difícil de mantener. Y es por eso que es mejor dividir procesos en varios workflow y hacer que uno llame al otro.
Speaker A
De esta manera mantenemos todo organizado y modular. Entonces, una vez que hayamos seleccionado dentro de este bloque el workflow que queremos ejecutar, lo que vamos a hacer es ejecutar esto mismo de aquí. Así que le damos a ejecutar y como vemos antes de
Speaker A
ejecutar este bloque necesitamos rellenar este formulario. Así que lo que vamos a hacer aquí es rellenar con información totalmente aleatoria y por lo tanto una vez que lo hagamos si le damos a enviar, efectivamente como estamos viendo aquí se ejecuta estos
Speaker A
procesos previos y luego intenta ejecutar ese workflow, aunque ahora mismo nos ha dado un error. Y esto es porque si no venimos por aquí y lo actualizamos y no venimos a las ejecuciones, nos dice que hemos tenido un error de este tipo al momento de
Speaker A
enviar nuestro mensaje. Okay. Básicamente este error que nos arroja por aquí es porque al ingresar a Google Cloud a mi cuenta, me dice que se bloqueó el acceso a Google Cloud, por lo que si le llega a pasar a ustedes esto
Speaker A
de aquí es por este motivo, ya que básicamente como leemos por aquí nos dice que a partir del 26 de agosto de 2025 Google Cloud comenzó a aplicar la verificación de dos pasos. Por lo tanto, como yo no tengo activo la verificación
Speaker A
de dos pasos en esta cuenta, tengo que solucionar primero que nada esto de aquí y luego de hacerlo directamente me la vuelven a activar. Así que bien, voy a corregir esto y cuando lo tenga vuelvo.
Speaker A
Ahora bien, una vez que haya solucionado este problema, lo que voy a hacer es darle a guardar. Vamos a ejecutar esto de nueva cuenta. Así que bien, doy un clic por aquí y lo que vamos a tener que
Speaker A
hacer de nueva cuenta es completar estos campos con nuestra información, ya sea por ejemplo más de lo mismo, vamos a colocar cualquier cosa. Y ahora bien, al momento de darle a enviar la información, veremos que el flujo hace
Speaker A
lo siguiente. Primero, inserta los datos ener table y segundo, cuando termine este proceso, va a llamar en este caso al otro workflow. Así que bien, esperamos que esto se ejecute. Y ahora si vemos por aquí dice que la ejecución
Speaker A
de este workflow ha sido exitosa. Y si reviso el historial de ejecución en el flujo secundario por aquí mismo, veremos que efectivamente se ha enviado este email exitosamente.
Speaker A
Así que bien, si nos volvemos a nuestro Gmail y lo actualizamos, en este caso vemos que llegó con el asunto que hemos configurado, que vendría a ser esto mismo. Por lo tanto, con esto lo que estamos viendo es lo fácil que se hace
Speaker A
que distintos Wflow interactúen entre sí, ya que en este caso, por ejemplo, lo hice con un solo workflow adicional, pero podríamos tener varios de este mismo tipo por aquí, ya que, por ejemplo, después de insertar el registro Ner table, puedo llamar dos procesos
Speaker A
distintos al mismo tiempo, uno que envíe un correo y otro secundario que notifique, por ejemplo, en Slack. o cualquier otra aplicación. De esta forma evito llenar el lienzo con acciones infinitas y en su lugar distribuyo la lógica en varios flujos mucho más
Speaker A
ordenados y fáciles de mantener. Así que bien, en resumen, un workflow puede ejecutar otro de manera directa y esto nos permite mantener los procesos modulares y organizados, como lo hemos visto por aquí. Y lo mejor es que puedo
Speaker A
encadenar varios workflow sin perder claridad en el diseño. En esta clase vamos a hablar de los webhooks y de cómo podemos activar la ejecución de un workflow desde herramientas externas. Bien, un webhook no es más que una URL especial que
Speaker A
cuando recibe una petición dispara un flujo en N8N. Esto significa que cualquier sistema capaz de hacer una llamada http, sea con get, post o el método que configures, puede activar tu workflow a demanda. Entonces, lo primero que hago es ir al apartado de triggers y
Speaker A
agregamos un webcop de trigger que vendría a ser este mismo de aquí. Y una vez seleccionado veremos que se genera una URL única que vendría a ser esta misma de aquí. En este caso, como estoy en local, esa URL solo funciona en mi
Speaker A
entorno. Pero en cambio, si estuviera en un servidor público accesible por internet, cualquier aplicación podría llamar a esa URL y disparar el proceso.
Speaker A
Por supuesto, esto se puede proteger con autentificación, tokens o lo que necesites, pero la idea principal es que ahora tengo un punto de entrada para que herramientas externas puedan ejecutar mis workflow. Y para que se entienda un poco mejor esto de aquí, vamos a verlo
Speaker A
con un ejemplo, ya que, por ejemplo, yo podría llamar este webhood desde herramientas como Max Apier o incluso desde un sistema propio en mi empresa que haga llamadas http. Y lo interesante es que esto funciona en ambas direcciones, ya sea desde un sistema
Speaker A
externo hacia N8N o desde N8N a un sistema externo que también tenga webhooks disponibles, como por ejemplo podría ser el caso de MAC. Así que bien, veamos este caso cómo sería si fuera hacia afuera, ya que como le había
Speaker A
comentado antes en M, por ejemplo, puedo crear también un web por aquí mismo, este mismo aquí. y le vamos a dar a customizar. Y aquí voy a seleccionar este apartado de aquí y veremos que este webhop por aquí me da un endp que
Speaker A
vendría a ser una URL a la que puedo llamar. Así que lo que voy a hacer es darle clic derecho y lo voy a copiar tal que así y le damos a guardar. Y ahora bien, desde N8N eliminamos esto mismo y
Speaker A
lo que haremos es buscar el conector http request, que si recuerdan ya lo hemos estado viendo en capítulos pasados, así que lo selecciono y lo que haremos es configurar una petición post a la URL que acabamos de copiar. Ahora
Speaker A
bien, cada vez que N8N ejecute este bloque, estará llamando al web de Meg y disparando un flujo en esa herramienta.
Speaker A
Y de nueva cuenta, esto mismo sucedería si lo hacemos al revés, ya que en este caso, desde Meg podríamos lanzar una petición a mi weput de N8N. Así que bien, antes de hacer una prueba práctica, lo que vamos a hacer por aquí
Speaker A
es preparar este bloque para que haga un post a Make y a su vez vamos a pasarle algunos parámetros. Así que habilitamos esta opción, nos vamos hacia la parte de abajo y aquí le vamos a pasar, por ejemplo, el nombre. En este caso vamos a
Speaker A
pasarle por aquí de valor mi nombre. Y asimismo podemos agregar más parámetros por aquí, como por ejemplo nuestro apellido.
Speaker A
Y ya por último podemos pasar nuestro correo. Y ahora bien, una vez que hemos agregado estos parámetros antes de ejecutar este HTP request, por aquí mismo, lo que haré es irme a MAC de este modo y le vamos a
Speaker A
dar a correr o mejor dicho para que escuche. Así que le damos allí y como veremos ahora mismo se encuentra escuchando por lo que si volvemos a N8N y ejecutamos esto de aquí, veremos que nos dice que esa petición fue aceptada y
Speaker A
en cambio si volvemos por aquí veremos que dentro de MC hemos recibido estos valores correctamente. Y ahora bien, teniendo esos valores, directamente podríamos enviar un correo, por ejemplo, utilizando Gmail. Así que por aquí le podemos dar a enviar email y
Speaker A
directamente una vez que tenemos aquí nos registramos y también podemos enviar distintos valores por aquí por ejemplo, ya sea el contenido que vendría a ser el nombre, podemos colocar también el apellido y a su vez el correo. Y es así
Speaker A
básicamente como podemos jugar con esto mismo. Así que bien, con esto queda claro algo muy importante, como por ejemplo en este caso tanto MEC como NN8N, como lo hemos visto por aquí, en este caso los web me permiten que N8N se
Speaker A
integre en tiempo real con cualquier sistema y obviamente esto no depende de Max, API o una herramienta en particular, ya que como lo hemos visto por aquí podemos utilizar cualquier aplicación que sepa ser una llamada httpo, significa que un workflow n8N puede
Speaker A
ejecutar se en demanda cuando otro sistema lo necesite. En resumen, un web es una URL que dispara un flujo NN8N, por lo que puede ser llamado desde cualquier sistema externo, como lo hemos visto con Me. Y asimismo como lo
Speaker A
acabamos de hacer, podes usar N8N para llamar webcost de otras herramientas y gracias a eso podemos encadenar procesos entre distintas plataformas sin depender de integraciones rediseñadas. Esto es un concepto muy simple, pero extremadamente poderoso.
Speaker A
En esta clase vamos a ver cómo podemos incorporar inteligencia artificial en nuestro workflow DN8.
Speaker A
Entonces, para verlo, voy a ejecutar un flujo manual antes que nada. Y ahora bien, si le damos al más y nos vamos a Ian, veremos que por aquí tenemos la opción de trabajar con agentes de inteligencia artificial o con acciones
Speaker A
más simples. Y ya te digo que esto es algo parecido a lo que ya existe en herramientas como Make o Sapier. Por ejemplo, una de las acciones más básicas es análisis de sentimiento, que vendría a ser esta opción aquí, por lo que si le
Speaker A
damos un clic, estaremos agregando el bloque de análisis de sentimientos, que vendría a ser justamente este mismo, que de nueva cuenta esta ya lo habíos visto en capítulos anteriores cómo funciona, pero ahora bien vamos a ver cómo utilizarlo, ya que si ingresamos dentro
Speaker A
de este bloque por aquí lo que nos pide es un texto para clasificarlo como positivo.
Speaker A
negativo o neutro. Así que bien, en este caso voy a probar con una frase como esto es una mala pregunta y veremos que si intentamos ejecutar veremos que nos va a dar un error. ¿Por qué? Porque todavía no he conectado ni un modelo de
Speaker A
inteligencia artificial, ya que por aquí podemos usar distintos proveedores, como por ejemplo Azure de Open AI. Asimismo, también tenemos Amazon Web Service, también tenemos Google y si seguimos bajeando, veremos que también tenemos Mistral oama hacking face o directamente
Speaker A
también tenemos Open AI. Así que bien, para este ejemplo voy a usar Open Ay, por lo tanto nos vamos a tener que ir a la página oficial que en este caso vendría a ser esta misma, plataform.com, ya que desde aquí podemos crear una
Speaker A
llave API para consumir los modelos. Por lo tanto, una vez que no encontremos por aquí, nos vamos a ir al dashboard por aquí mismo. Obviamente para esto nos vamos a tener que registrar y loguear con nuestra cuenta. Y si nunca lo has
Speaker A
usado, no te preocupes, ya que el costo es muy bajo. De hecho, lo que vamos a hacer en este curso cuesta unos pocos céntimos, así que teóricamente con $ de crédito tenés más que suficiente y probablemente no llegues ni a gastar
Speaker A
Y lo mejor de todo es que si nos vamos a usos por mes, veremos que en este caso nos estaría dando $ de crédito gratis para usar por mes. Así que bien, una vez que lo utilicemos se estaría reseteando
Speaker A
al siguiente mes. Y aquí mismo nos dice cuánto nos queda. Ahora bien, dentro de Open en el menú lateral nos vamos a clave de API y lo que haremos es crear una nueva clave. En este caso, yo por
Speaker A
aquí ya tengo una clave creada, pero en su caso se van directamente por aquí, le dan a crear, colocan un nombre, por ejemplo, en este caso le voy a llamar TN8.
Speaker A
Y una vez que le hemos dado un nombre, le damos a crear llave secreta.
Speaker A
Y ya con esto nos estaría generando un token secreto que lo que vamos a hacer es copiarlo para usar dentro luego de nuestro workflow. Por lo tanto, una vez que lo tengamos, volvemos a N8N, seleccionamos el nodo de Open AI, que
Speaker A
vendría a ser este mismo. Y como vemos nos pide que configuremos la credencial, así que por lo tanto le damos a crear nueva credencial y únicamente una vez que estemos por aquí lo que haremos es pegar nuestra clave API por aquí y le
Speaker A
damos a guardar. Y en este caso, si hemos seguido todos los pasos correctamente, nos va a aparecer el siguiente mensaje en donde nos dice que la conexión fue aprobada correctamente.
Speaker A
Ahora sí, únicamente lo que nos falta es seleccionar en este caso, el modelo que queremos utilizar. Y como vemos en este momento hay varios disponibles, lo que algunos se van deando con el tiempo y otros nuevos van apareciendo.
Speaker A
Así que bien, en este caso, por ejemplo, puedo usar GPT 4.1 Mini o asimismo también si buscamos debe haber un GPT4 o Mini que vendría a ser este mismo también que lo podemos utilizar ya que básicamente estos mismos consumen menos
Speaker A
recurso y son más que suficientes para lo que queremos hacer. Así que bien, por lo tanto, seleccionamos el modelo y volvemos a probar nuestro flujo. Lanzo la ejecución con mi frase, esto es una mala pregunta, y ahora sí me da un resultado correcto,
Speaker A
ya que vemos que el bloque de análisis de sentimiento lo clasifica como negativo y en cambio en la rama neutro y en positivo no aparece nada, pero en la rama negativo sí, porque en este caso reconoce que la frase transmite una
Speaker A
valoración negativa. Este ejemplo es muy sencillo, pero demuestra la lógica. Y recuerda que lo que estamos analizando aquí de forma estática en la práctica podría ser dinámico, ya que, por ejemplo, podríamos tomar cientos de reseñas de una tienda online, cargar
Speaker A
registros desde un Excel o una base de datos, pasar cada fila por este bloque de análisis y luego devolver el resultado a un archivo o guardarlo en la misma base de datos. Así que bien, de esa forma podemos hacer análisis de
Speaker A
sentimientos a gran escala, sin programar nada. En esta clase vamos a explorar cómo ejecutar distintos bloques de inteligencia artificial dentro de un WFlow NN8N, ya que primero vamos a lanzar un prom simple hacia cualquier modelo que tengamos en Open AI. Seleccionamos el
Speaker A
conector de Open AI y vemos todas las acciones posibles, como por ejemplo resumir contenido, clasificar contenido, extraer datos de documentos, enviar un mensaje a un modelo, entre otros. Ahora bien, para este ejemplo voy a usar enviar un mensaje a un modelo, así que
Speaker A
por lo tanto selecciono GPT4 mini. Y en este caso el prom que voy a enviar es muy simple, como por ejemplo, escribe una historia de ciencia ficción en 10 palabras y luego le asigno el rol de usuario y ejecuto. Y en este caso nos
Speaker A
arroja una historia de ciencia ficción de 10 palabras que dice humanos y androides coexistieron, pero un virus amenazó la paz. Y como vemos, esto realmente es un ejemplo sencillo, pero nos permite ver cómo funciona la inteligencia artificial dentro de un
Speaker A
workflow. Ahora vamos a hacerlo un poco más complejo, ya que lo que haremos es crear un trigger de chat que se ejecuta cada vez que el usuario interactúa con el chat. Entonces, para esto podemos habilitar la subida de archivos adjuntos
Speaker A
que luego podrán ser procesados con inteligencia artificial. Así que bien, para esto agrego otro bloque de open y en este caso seleccionaremos la acción analizar imagen. Luego seleccionamos el modelo GPT4 o mini y le paso un prom indicando que extraiga datos de
Speaker A
facturas. Y en este caso, ya como sabemos los archivos se envían en formato binario desde el chat, por lo que al momento de testear puede que haya errores si no referenciamos correctamente la variable binaria, pero una vez ajustada todo funciona
Speaker A
correctamente. Así que bien, en este caso subimos una factura de ejemplo al chat y veremos que el bloque de IA procesa la imagen y extrae automáticamente los datos como por ejemplo nombre del destinatario, dirección, empresa, email. Y asimismo,
Speaker A
si subimos otra factura vacía, el bloque simplemente deja los campos vacíos sin problema. Y ahora bien, una vez que tengamos los datos extraídos, podemos usar un bloque posterior para insertar esa información en una tabla de datos.
Speaker A
Asimismo, también podemos tomar toda la información como un único campo o parciar el Jason para obtener cada dato por separado. En resumen, N8N permite trabajar con IA de forma flexible, ya que además, como hemos visto, también podemos procesar texto, generar promps,
Speaker A
analizar imágenes y extraer datos automáticamente. Y asimismo esto se integra dentro de Wordflow completamente sin necesidad de herramientas externas. Y como le había mencionado antes, es equivalente a lo que se puede hacer tanto en sapier o Power Automate, pero con más controlad.
Speaker A
Así que bien, esto nos abre la puerta a automatizar tareas inteligentes como análisis de documentos, clasificación de información o generación de contenido dinámico dentro de nuestros procesos.
Speaker A
En esta clase vamos a hablar de la potencia de N8N comparada con otras herramientas de automatización, especialmente cuando hablamos de inteligencia artificial, ya que todo lo que hemos visto hasta ahora, ya sea bloques de Air Table, enviar correos,
Speaker A
notificaciones de Slack, webhooks, trigger de chat, análisis de dato cona, se puede diseñar también en herramientas como Sapier, Power Automate o Meg. Por ejemplo, puedo crear un proceso que al recibir datos desde un webhook publique automáticamente en Twitter, LinkedIn y
Speaker A
Facebook. O asimismo también podemos diseñar un flujo que lea información de una hoja de Excel y luego que use un modelo de Open AI para generar descripciones de puesto de trabajo y las inserte automáticamente en esa misma hoja. En otras palabras, los elementos
Speaker A
básicos de automatización y uso de inteligencia artificial que hemos visto se pueden replicar en esas plataformas.
Speaker A
Ahora bien, la diferencia clave aparece cuando trabajamos con agentes de inteligencia artificial NN8N, ya que estos agentes nos permiten usar múltiples modelos de IA al mismo tiempo.
Speaker A
Asimismo, también podemos mantener memoria de conversaciones, lo que le permite recordar contextos y acciones anteriores e integrar múltiples herramientas para ejecutar tareas a partir del lenguaje natural, ya que, por ejemplo, un agente de N8N podría recibir información de un formulario, analizar
Speaker A
los datos con un modelo de Open AI, consultar una base de datos o servicio externo y por último tomar decisiones y ejecutar acciones automáticamente. mente según lo que entienda del lenguaje natural. Así que bien, aunque funciones como análisis de sentimientos,
Speaker A
categorización o resúmenes también son posibles en Sapier o en Make, pero la verdadera potencia de N8N hoy reside en los agentes de inteligencia artificial.
Speaker A
Ahí es básicamente en donde se puede diseñar y poner en producción flujos inteligentes más complejos que son capaces de interactuar con múltiples servicios. y modelos de manera coordinada.
Speaker A
Antes de avanzar es importante entender qué es un agente de inteligencia artificial y cómo funciona, ya que en este caso un agente de IA es un sistema o un programa diseñado para realizar tareas de forma autónoma o semiautón
Speaker A
utilizando inteligencia artificial para percibir su entorno, tomar decisiones y actuar en consecuencia. Dicho de una forma más simple, imagina que tenés un robot que debe llevar un paquete del punto A al punto B. En este caso, para lograrlo, necesita observar su entorno,
Speaker A
ver si hay obstáculos, tomar decisiones por dónde caminar, si debe detenerse o avanzar y finalmente actuar, ya sea caminar, levantar el paquete, esquivar objetos, etcétera. Así que bien, ya te digo que un agente día hace exactamente eso, pero en lugar de moverse en el
Speaker A
mundo físico, opera en el mundo digital, ya que es un programa capaz de tomar decisiones autónomas para automatizar procesos, interactuar con otros sistemas o ejecutar tareas online. Así que ahora bien, vamos a ver los tres comportamientos claves de un agente de
Speaker A
A, ya que en este caso podemos dividir el funcionamiento de un agente en tres comportamientos principales, como por ejemplo, en primer lugar la percepción, ya que la gente recibe información de su entorno constantemente en el contexto de herramientas como N8N o Copilot Studio.
Speaker A
Esto puede ser dato de formulario, respuesta de usuarios, consulta de base de datos, mensajes de entrantes, archivos, entre otros. En segundo lugar vendría a ser la toma de decisiones, ya que luego el agente procesa esa información y decide qué hacer. Además,
Speaker A
estas decisiones pueden basarse en reglas, patrones o incluso en aprendizaje automático. Así que bien, cuanto más detalladas y específicas sean las instrucciones que le damos, más predecible será su comportamiento. Por lo que en este caso, si lo dejamos actuar con libertad, será
Speaker A
más autónomo e imprescindible, mientras que si le imponemos muchas reglas será más controlado y previsible. Y obviamente, como todo, dependiendo del escenario, nos puede convenir una u otra opción, ya que a veces queremos que solo tome dos o tres decisiones posibles y
Speaker A
otras veces queremos que tenga más libertad para resolver problemas de forma creativa. Y finalmente, después de decidir, el agente ejecuta acciones concretas en su entorno, ya que por ejemplo en N8N o en Copilot Studio, esto podría ser enviar un correo electrónico,
Speaker A
actualizar una base de datos, crear un archivo, asignar una tarea o activar otro flujo de trabajo. En este caso, un ejemplo sencillo, podrías imaginar que alguien rellena un formulario online en donde la gente recibe esos datos que vendría a ser la percepción y luego
Speaker A
analiza la información y decide qué hacer. Y ya por último, en base a eso, envía un email o guarda los datos en una base de datos, que esto vendría a ser la acción. Así que bien, así es como
Speaker A
funciona un agente de ella, percibe, decide y actúa. Vamos a construir un agente simple de inteligencia artificial NN8N. Así que lo primero que voy a hacer es crear un nuevo workflow por aquí y le voy a poner un nuevo nombre, por ejemplo, agente
Speaker A
uno. Y una vez hecho esto, a continuación vamos a inicializar este WordPro con un trigger de tipo chat. Por lo tanto, damos un click por aquí, bajamos un poco y agregamos el chat de trigger este mismo. En este caso no lo voy a hacer
Speaker A
público ni voy a permitir subir archivos todavía porque para lo que vamos a hacer ahora no es necesario. Ahora bien, una vez que tenemos el trigger, lo siguiente es agregar el módulo de agente, por lo que damos un click por aquí, nos vamos a
Speaker A
Ian y por aquí vamos a seleccionar este mismo de aquí que vendría a ser un agente de IA. Y si lo seleccionamos y abrimos ese módulo, vamos a ver que tiene varias secciones, como por ejemplo el modelo, memoria y herramientas. Así
Speaker A
que bien, empecemos por el modelo. Como ya sabemos y hemos visto en capítulos pasados, N8N nos ofrece un montón de opciones, ya que tenemos modelos como, por ejemplo, Google, Amazon, Microsoft, Open Ai Yamaha, Mistral y muchos más por
Speaker A
aquí mismo. Y como le había mencionado antes, cada uno tiene sus características propias, ya que, por ejemplo, alguno funciona mejor con la voz, otros con imágenes o documentos y otros con texto. Así que bien, lo ideal es elegir el que mejor se adapte al caso
Speaker A
de uso que tengamos en esos momentos, ya que por ejemplo si subimos un poco, tendríamos el Azure Open que básicamente podés desplegar tu propio modelo en un entorno privado y usarlo con tus datos.
Speaker A
empresariales y lo mismo podemos hacer utilizando Amazon o Google, pero en mi caso, como ya tengo configurado una llave API de Open AI, voy a aprovecharla y seleccionar un modelo de Open AI. Así que bien, simplemente seleccionamos la
Speaker A
credencial que hemos configurado anteriormente y ya que estamos, en mi caso voy a seleccionar el modelo GPT 4.1 Mini porque como le había mencionado antes tiene un costo muy bajo y es perfecto para este ejemplo donde no vamos a consumir muchos créditos. Así
Speaker A
que bien, una vez que hemos seleccionado esto por aquí, ya tendríamos nuestro modelo bien configurado.
Speaker A
Ahora bien, una vez que tenemos nuestro modelo seleccionado, lo que estaría sucediendo ahora mismo es que en este caso el modelo debería responder directamente a lo que el usuario escriba en el chat, ya que, por ejemplo, si hacemos doble clic a la cajita de la
Speaker A
gente, vamos a ver que hay dos formas de usarlo, ya que, por ejemplo, si desplegamos este apartado de aquí, veremos que tenemos estas dos opciones, en donde la primera que vendría seleccionado por defecto, lo que hace es que deja que responda
Speaker A
automáticamente, en este caso, el modelo, a lo que escribió el usuario, como lo hace básicamente en CHPT. Pero ahora bien, en cambio, si seleccionamos la segunda opción, que vendría a ser esta misma de aquí, que en este caso
Speaker A
vendría a ser la que nos interesa, ya que básicamente, como lo hemos visto, por aquí le podríamos dar instrucciones específicas para que actúe como un agente. Así que bien, para eso directamente hacemos clic en definir instrucciones y ahí podés escribir
Speaker A
exactamente lo que querés que haga. Y ya te digo que estas instrucciones sirven cuando queremos que la gente use herramientas adicionales que más adelante vamos a incorporar. Así que antes de probarlo, lo siguiente que haremos será agregar la capacidad de
Speaker A
memoria en este caso para que pueda recordar el contexto de la conversación. Ahora vamos a configurar la memoria de nuestro agente DN8N.
Speaker A
Así que bien, para hacerlo simplemente hacemos clic en el botón más que aparece en la sección de memoria, esta parte de aquí y aquí básicamente podemos ver los tipos de memoria disponibles actualmente que tenemos en N8N. Puede que con el
Speaker A
tiempo agreguen más o quiten algunos, pero por ahora tenemos opciones como por ejemplo redis, Postgress, Motor, Satar, entre otros. Obviamente, como habíamos visto antes, cada uno de ellos tiene sus características de la misma forma que pasa con los modelos de Open AI, Google,
Speaker A
Amazon o Microsoft, por ejemplo. que si recuerdan en este caso en nuestro ejemplo, cómo queremos algo básico y práctico al mismo tiempo, voy a seleccionar la opción de window buffer memory que vendría a ser la más sencilla, ya que esta memoria lo que
Speaker A
hace es almacenar la conversación entre el usuario y el agente dentro del propio entorno de N8N. Esto quiere decir que no requiere credenciales ni configuración extra y por eso es ideal para pruebas rápidas o para desplegar un agente
Speaker A
sencillo. Claro que también podríamos usar, por ejemplo, una memoria en preso, pero en este caso, como le había mencionado antes, necesitaríamos tener la base de datos configurada y con ello quiero decir que deberíamos crear una credencial más conectarla entre otras
Speaker A
cosas, lo cual hace el proceso más engorroso y es por eso que en este caso nos quedamos con la de Windows BF Memory, este mismo de aquí. Así que bien, una vez seleccionada, vemos que aparece un parámetro que vendría a ser
Speaker A
el número de interacciones que se va a guardar en la memoria. En este ejemplo voy a dejarlo en cinco, lo cual significa que se recordará las últimas cinco interacciones entre el usuario y el agente. Y básicamente con esto ya
Speaker A
tenemos la memoria lista, así que vamos a probar el agente. Por lo que por aquí abro el chat en la parte inferior y escribo, por ejemplo, "Hola y si lo enviamos veremos que la gente me responde sin problemas."
Speaker A
Ahora bien, si ahora le pregunto qué son los agentes de inteligencia artificial, veremos que el modelo me devuelve una respuesta bastante larga. Y aquí vemos algo importante. De momento, nuestro agente está actuando casi como un CH GPT básico, ya que no tiene instrucciones
Speaker A
personalizadas, así que responde de manera genérica. Además, la respuesta es muy extensa porque no le hemos dado un prom optimizado. Por eso, el siguiente paso clave será configurar las instrucciones de la gente. Y ojo, ya que esto no depende si tiene herramientas o
Speaker A
no. Simplemente se trata de que en lugar de contestar siempre de forma abierta al prom del usuario, podemos definirle reglas básicas de comportamiento para que dé justo con el tipo de respuesta que buscamos.
Speaker A
Ahora vamos a dar un paso muy importante que es definir las instrucciones de nuestro agente, ya que hasta ahora, si recuerdan, el modelo estaba respondiendo de forma abierta a lo que escribía el usuario en el chat. Así que bien, lo que
Speaker A
vamos a hacer ahora es personalizar ese comportamiento. Entonces, para hacerlo, damos doble clic en el bloque de la gente y en lugar de que el prom sea directamente lo que escribe el usuario, vamos a escribir nuestras propias instrucciones. Para
Speaker A
esto, básicamente, nos dirigimos por aquí desplegamos venimos seleccionamos esta segunda opción, que en este caso nos estaría dando esta sección para añadir un prom, pero en este caso le vamos a dar que queremos añadir una expresión y lo que haremos es
Speaker A
ampliar el área de texto. Así que damos un clic por aquí mismo. Y ahora sí, básicamente por aquí podemos escribir o pegar lo que necesitemos. En mi caso, para no perder tiempo, voy a pegar directamente un bloque de instrucciones
Speaker A
ya preparado y lo voy a ir comentando, ya que si vemos este bloque tiene tres partes que vendría a ser un rol, la tarea y las notas. Así que bien, en este ejemplo le estoy diciendo a la gente que
Speaker A
es un asistente capaz de responder preguntas del usuario. Nada complejo todavía, ya que simplemente si nos fijamos en las tareas le estamos diciendo que básicamente su función es responder al mensaje del usuario. Así que bien, básicamente como estamos
Speaker A
viendo, el mensaje que vamos a usar como referencia es el jsjon.Chatinput, chat input, que si recuerdan es exactamente lo que escribe el usuario en el chat. Y ya luego, por último, en la parte de notas le estoy agregando dos condiciones
Speaker A
muy concretas. La primera es que sus respuestas deben ser claras y concisas. Y en segundo lugar, le estamos diciendo que no debe exceder los 200 caracteres, que lo único que cambia respecto antes es que ahora le pongo un límite y una
Speaker A
regla de estilo, ya que en este caso no quiero que me devuelva una respuesta larguísima, sino algo corto y al grano.
Speaker A
Así que bien, con la instrucción lista, vamos a probarlo. Abro el chat y le escribo un hola. Luego repito la misma pregunta que antes, que son los agentes de IAM, y veremos que al momento de darle a enviar, ahora sí la respuesta
Speaker A
que obtengo es mucho más breve, ya que por ejemplo en este caso nos dice que los agentes de IA son sistema que utilizan inteligencia artificial para realizar tareas de manera autónoma, como interactuar, aprender y tomar decisiones basadas en datos. Aquí ya vemos como la
Speaker A
gente está respetando las instrucciones que le dimos. En resumen, no hay nada extraño, ya que estamos trabajando como si fuera un prom con rol y reglas, ya que básicamente le estamos diciendo cómo queremos que se comporte el modelo y que
Speaker A
debe tener en cuenta al responder. Ahora que ya tenemos esta base, vamos a seguir incorporando nuevos elementos a la gente para hacerlo más útil y poderoso.
Speaker A
En nuestra clase vamos a agregar nuestra primer herramienta a la gente y aunque será algo muy sencillo, nos permitirá ver el potencial real de estas capacidades. Entonces, para hacerlo hacemos clic en agregar herramientas por aquí mismo. Y como vemos N8N nos ofrece
Speaker A
infinitas opciones, ya sea enviar correos, insertar filas en tablas, conectar Notion, Slack, Telegram y 1000 posibilidades más. Pero para esta demostración vamos a hacer algo muy simple que vendría a ser usar Wikipedia.
Speaker A
Así que bien, lo buscamos por aquí y una vez que lo encontremos lo seleccionamos y lo que tendremos que hacer es indicarle en este caso a la gente que responda solo con información de Wikipedia. Y es por ello que en este
Speaker A
caso agregamos este texto de aquí, ya que con esto aquí lo que le estamos diciendo es que ignore cualquier otro conocimiento que tenga del modelo de Open Eide y se centrará únicamente en la información pública de esa herramienta.
Speaker A
En este caso si es verdad que puede parecer algo sin sentido, pero nos sirve para ver cómo podemos hacer que la gente se base en fuentes específicas y no solo en Wikipedia, ya que por ejemplo en otro caso podrías conectarlo a tu propio PDF,
Speaker A
Excel, Word o páginas web específicas y hacer que la gente responda únicamente sobre esos datos. Así que vamos a indicarle que sigas respondiendo a las personas del usuario, pero siempre usando la información de Wikipedia.
Speaker A
Además, también por aquí lo que vamos a hacer es agregar una tarea en donde le vamos a decir utiliza información de la herramienta Wikipedia, que básicamente vendría a ser la que acabamos de agregar. Y esto lo debemos hacer así de
Speaker A
colocar el nombre específico de la herramienta que vamos a utilizar porque como le había mencionado antes, cada una de las herramientas tiene un nombre en específico, aunque si bien nosotros por aquí directamente podríamos cambiar el nombre de esta herramienta, pero en este
Speaker A
caso es recomendable si ya tiene un nombre o si lo llegamos a cambiar por otro, es venir de nueva cuenta a nuestra gente en la expresión y debemos cambiar esta parte de aquí, ya que como hemos visto, cada herramienta que agregas a la
Speaker A
ente tiene un nombre en específico y es importante que coincida exactamente con el que usés en las instrucciones, ya que por ejemplo si cambiamos el nombre de la instrucción, como le había comentado recientemente, en este caso la gente
Speaker A
podría no encontrar la herramienta y arrojar un error. Y asimismo, si nos fijamos por aquí, también mantenemos la regla de no excederse los 200 caracteres, porque como sabemos en este caso Wikipedia puede devolver respuestas muy extensas y queremos mantenerlas
Speaker A
concisas. Así que bien, con esto listo, guardamos el agente y vamos a testearlo. Primero escribimos un hola y vemos que la gente no responde como un chat normal, sino que en su lugar consulta Wikipedia y devuelve hola. es una
Speaker A
expresión en español que significa hello o hide y también es un nombre asociado a lugares, arte y una revista popular en España. Y como estamos viendo, esto muestra claramente como las instrucciones y la herramienta configurada determina el comportamiento
Speaker A
de la gente. Ahora, por ejemplo, podemos hacer preguntas más específicas, que podría ser, ¿qué son los agentes de inteligencia artificial? Y veremos que nos devuelve información directamente de Wikipedia.
Speaker A
Asimismo, también podríamos preguntar cuál es la capital de Perú y veremos que nos entrega que es Lima, fundada en 1535, capital y ciudad más grande de Perú, ubicada en la costa del océano Pacífico. Y ahora, por ejemplo, si le
Speaker A
hacemos una última pregunta, ¿cuál es la capital de Argentina? Veremos que nos devuelve el dato de Wikipedia sobre Buenos Aires. Como vemos, cada respuesta se basa únicamente en la información de Wikipedia sin que el modelo de Openi AI
Speaker A
modifique los datos. Así que bien, una vez que tenemos esto funcionando, podemos analizar cómo la gente accede a los datos, cómo se comporta según la herramienta configurada y ajustar instrucciones o reglas según necesitemos. Esto nos da básicamente una
Speaker A
idea clara del potencial de los agentes NN8N, ya que podemos conectarlos a cualquier fuente de dato, definir reglas claras y obtener respuestas precisas y controladas.
Speaker A
Vamos a revisar paso a paso lo que está sucediendo en esta gente, ya que como hemos visto, le hemos estado haciendo algunas preguntas, como por ejemplo, en donde primero le dijimos hola. Luego consultamos qué son los agentes de IA,
Speaker A
pedimos datos sobre Perú y después datos sobre Argentina. Entonces, ¿qué pasó detrás de todo esto? Bien, primero para explicar esto, abrimos el conector de la Wikipedia y si vemos el resultado, aquí aparece toda la información que nos devuelve sobre Argentina, que fue
Speaker A
justamente la última pregunta que lanzamos. Así que bien, este es el detalle de la última ejecución en donde Wikipedia nos da un montón de datos.
Speaker A
Pero recordemos que a la gente le dijimos que la respuesta debe tener máximo 200 caracteres. Eso significa que toda esa información tan extensa el modelo tiene que comprimirla en una frase corta o dos. En resumen, el flujo es el modelo va a Wikipedia, recoge los
Speaker A
datos y después los ajusta según la instrucción que definimos en el agente. Ahora hay algo muy importante, ya que si abrimos la sección de memorias vemos que se almacena todas las instrucciones entre el usuario y el agente. Y
Speaker A
seguramente te estarás preguntando, ¿para qué sirve esto? Bien, básicamente para que la gente recuerde lo que ya dijo y no repita respuestas. De esta forma puede consultar la conversación previa y responder algo como tal y como te consulté antes, etcétera y etcétera.
Speaker A
Asimismo, también podemos ver esta memoria en diferentes formatos, ya sea formato tabla, JSON o esquema. Y si nos fijamos allí aparecen los distintos roles en donde por ejemplo tendríamos el mensaje del humano que vendría a ser el usuario, las instrucciones de la gente y
Speaker A
finalmente la respuesta de la inteligencia artificial, ya que por ejemplo el usuario dice hola el agente responde con una definición breve.
Speaker A
Luego, a su vez habíamos preguntado qué son los agentes de ella y recibimos una respuesta clara. Después pedimos información sobre Perú y Argentina y el agente comprime los datos de Wikipedia y nos devuelve en frases cortas. Entonces, en conclusión, lo que logramos aquí es
Speaker A
un agente muy sencillo, pero que ya responde siempre basándose en una herramienta concreta, Wikipedia. Una herramienta simple, sin parámetros complicados, pero que es perfecta para mostrar cómo funciona la integración y los conceptos básicos de cada bloque que agregamos a la gente.
Speaker A
En esta sesión vamos a construir un agente que sea capaz de mandar correos electrónicos automáticamente a partir de instrucciones que lancemos en el chat.
Speaker A
Así que bien, para esto primero voy a crear un nuevo WordPlug. Le voy a llamar agente A, así que lo colocamos por aquí.
Speaker A
Y en este caso, como trigger inicial, seleccionaré por mensaje de chat. Y por ahora de igual manera, no voy a permitir que se agregue ficheros adjuntos porque en este ejemplo no lo necesitaremos.
Speaker A
Ahora bien, una vez que tenemos esto, a continuación lo que vamos a hacer es agregar un agente de inteligencia artificial y vamos a definir sus instrucciones. Así que bien, por lo tanto, seleccionamos IA y agente de IA por aquí.
Speaker A
Y lo que haremos en este caso es definir sus instrucciones. Así que seleccionamos este de aquí y una vez que lo hacemos le damos a expresión y podemos expandir justamente esto. En donde por aquí adentro para no perder tiempo, voy a
Speaker A
pegar directamente las instrucciones y vamos a leerlas juntos. Ya que como vemos primero que nada lo que estamos haciendo es definir un rol en donde le decimos, "Eres un asistente capaz de enviar un email." Y básicamente su función principal o su tarea en este
Speaker A
caso va a ser responder a este mensaje, a los mensajes del usuario. Esto significa que aunque la gente pueda enviar emails, si no hay información suficiente, solo debe responder al usuario con lo que pide. Y asimismo, por aquí le estamos diciendo que debe
Speaker A
utilizar información de la herramienta emails para enviar correos electrónicos. Y ya por último, en notas le estamos diciendo por aquí que para enviar un email debe pedirle al usuario el email del destinatario y lo que quiere comunicar, ya que en este caso la gente
Speaker A
se encargará de redactar el asunto y el contenido usando inteligencia artificial. Y con estas instrucciones el agente ya sabe qué hacer y cómo actuar.
Speaker A
Ahora solo falta configurar el modelo de IA y la memoria. Así que bien, en este caso como modelo de inteligencia artificial vamos a usar Open AI, el que ya habíamos configurado anteriormente y por aquí vamos a seleccionar que
Speaker A
queremos utilizar la versión GPT 4.1 Mini que como le había mencionado antes, tiene un costo ínfimo y es suficiente para este ejemplo. Y asimismo, ya que estamos, vamos a seleccionar la memoria básica de N8N, que vendría a ser esta
Speaker A
misma de aquí. para básicamente poder almacenar las conversaciones y que la gente pueda recordar interacciones recientes si es necesario. Finalmente, lo único que no hace falta es agregar la herramienta de enviar correos electrónicos que permitirá que la gente
Speaker A
transforme la información que recibe en emails reales. Ahora vamos a agregar la herramienta que le va a permitir a nuestro agente enviar correos electrónicos. Para eso, simplemente vamos al apartado de herramientas y seleccionamos la que necesitamos, ya que por ejemplo en este
Speaker A
caso podría ser Outlook o asimismo también podemos trabajar con Gmail u otro cliente de correo. En mi caso voy a usar Gmail porque ya tengo configurada la credencial y la conexión a mi cuenta.
Speaker A
Ahora bien, si prestamos atención por aquí por defecto, estaremos viendo que la herramienta tiene la acción de enviar mensaje, aunque si damos un clic por aquí, podríamos cambiarla por eliminar, responder, obtener correos, etcétera.
Speaker A
Pero de momento en este caso, lo dejamos en enviar, que es lo que nos interesa en estos momentos. Ahora bien, un detalle importante es que el nombre de la herramienta aparece como Gmail, pero si recuerdan en la instrucción de mi agente
Speaker A
habíamos escrito que usara la herramienta llamada email tanto por aquí como aquí mismo, ya que recuerda, como le había mencionado en la clase pasada, que si no coinciden estos mismos nombres puede haber problemas en el futuro. Así que lo que vamos a hacer es renombrarlo.
Speaker A
Por lo tanto, copiamos esto de aquí, nos volvemos a nuestro Gmail y aquí mismo vamos a cambiar el título por este mismo, ya que de esa forma queda perfectamente alineado con lo que configuramos antes dentro de la instrucción. Ahora viene la parte clave,
Speaker A
ya que necesitamos que la gente de IA pueda reconocer tres cosas. el destinatario, que vendría a ser la dirección de correo, asimismo, el asunto y por último el mensaje, ya que si recordamos anteriormente lo que habíamos hecho por aquí es darle un correo al
Speaker A
cual le queremos enviar, como por ejemplo podría ser [email protected]. Asimismo, también le podemos colocar aquí el asunto hola y como mensaje porque no un hola mundo.
Speaker A
Pero básicamente lo que sucedía con esto es que si le damos a ejecutar estábamos enviando un correo con el asunto hola, el mensaje hola mundo a esta dirección.
Speaker A
Pero ahora bien, lo que queremos en este caso es que sea automático dependiendo de lo que el usuario ingrese por aquí en consola, ya que para este punto, si vemos por aquí en la parte de arriba, veremos que en ciertas ocasiones nos
Speaker A
aparece un banner con la opción from a que nos permite usar la inteligencia artificial para detectar automáticamente esos campos. Entonces, lo que haremos es, por ejemplo, irnos al campo de destinatario. Vamos a seleccionar expresión, lo hacemos más grande y pego
Speaker A
el código que nos sugiere el sistema, que vendría a ser este mismo. Eso sí, hay ciertas veces que, por ejemplo, por aquí nos trae ciertos parámetros, pero nosotros lo podemos eliminar, ya que en este caso lo primero que queremos hacer
Speaker A
es darle una clave, por lo tanto le vamos a llamar email address, que básicamente por aquí, gracias a esta llave, le estamos diciendo a la inteligencia o a la gente que queremos colocar una dirección de email dentro de
Speaker A
este campo, ya que así mismo podemos separar esto en una coma y agregar una pequeña descripción por aquí, como por ejemplo el email del destinatario, ya que básicamente esta pequeña descripción que le estamos agregando por aquí adentro es para definir o mejor
Speaker A
dicho para explicar mejor lo que queremos hacer con esta llave. Aunque ya te digo que en este caso no es obligatorio agregarle una descripción porque en este caso la llave ya es clara, pero esto más que nada lo solemos
Speaker A
agregar para explicarle y que la gente pueda interpretar bien lo que queremos colocar en ese campo. Asimismo, también podemos definir el tipo de parámetro, que en este caso será de texto, pero por ahora no es necesario, ya que el agente
Speaker A
sabrá tranquilamente de qué tipo de texto serán, pero recuerden que pueden agregar tranquilamente este tipo de información. Y ya por último le podemos pasar un cuarto parámetro por aquí que vendría a ser el correo en el caso, ya
Speaker A
que por ejemplo si el usuario nos pasa una dirección no válida, en este caso le podemos colocar a qué correo le queremos enviar esa información. Pero ya te digo que en este caso no voy a colocar o no
Speaker A
voy a poner un valor por defecto porque quiero que el correo se mande solo y únicamente solo si el usuario me da una dirección válida. Pero eso sí, es importante que sepa que podemos agregar por aquí una dirección porque en el caso
Speaker A
de que el usuario no nos dé una dirección válida, podemos enviar un correo a esa dirección que coloquemos por aquí mismo. Ahora bien, una vez que tenemos esto para el campo dirección, vamos a hacer lo mismo con el campo de
Speaker A
asunto. Así que venimos por aquí, le damos a expresión, abrimos, ampliamos, pegamos lo que habíamos copiado antes y únicamente por aquí vamos a cambiar la llave por asunto en este caso. Y asimismo ya que estamos, aunque esto es
Speaker A
más que obvio lo que le estamos pidiendo a nuestra gente, pero ¿por qué no? A modo de práctica vamos a agregarle una pequeña descripción que diga, por ejemplo, el asunto del email.
Speaker A
Y finalmente vamos a configurar lo mismo para el tema de mensaje. Por lo tanto, ampliamos, volvemos a pegar, colocamos aquí como llave mensaje y en este caso le voy a colocar una descripción que diga algo, por ejemplo, contenido del mensaje.
Speaker A
Y ya con esto, el agente ya tiene toda la información necesaria, tanto el destinatario, el asunto y el cuerpo del correo, ya que como hemos visto, gracias a esto de aquí, fromi, en este caso, la gente puede detectar automáticamente qué
Speaker A
parte del chat corresponde a cada campo. Así que lo único que nos queda ahora es testear el funcionamiento.
Speaker A
Ahora vamos a probar el funcionamiento de la gente que envía emails. Así que bien, agrandamos la ventana de chat y empezamos con un saludo y veremos que la gente no responde en este caso con un hola. Estoy aquí para ayudarte. por
Speaker A
favor indícame el email del destinatario y el mensaje que quieres enviar en el correo. Así que perfecto. Para ir más rápido, en este caso, voy a pegar directamente un ejemplo en donde le diremos, "Quiero que le envíes un email
Speaker A
a esta dirección de Gmail para confirmarle que estoy disponible para una reunión el viernes a las 5." Y asimismo también le aclaramos que en el asunto puede escribir lo que quiera. Así que por lo tanto lanzo este mensaje y en
Speaker A
principio el correo ya ha sido enviado, ya que como vemos el agente no responde, el correo electrónico ha sido enviado correctamente confirmando tu disponibilidad para la reunión del viernes y asimismo también nos dice que si necesitamos algo más que no dudemos
Speaker A
en decírselo. Así que bien, abro mi correo, refresco la bandeja de entrada y ahí está un mensaje que dice, "Quiero informarte que estoy disponible para la reunión del viernes a las 5. Un saludo." Así que bien, como vemos, el correo se
Speaker A
envió correctamente, aunque de forma bastante sencilla. ¿Por qué? Porque las instrucciones que le dimos a la gente son muy básicas, ya que por aquí, si lo recuerdan, solo le pedimos que tome el destinatario y el mensaje. Y ya te digo
Speaker A
que con más instrucciones podríamos mejorar mucho el resultado, ya que, por ejemplo, le podemos decir que siempre incluya un saludo inicial como estimado que firme automáticamente con tu nombre o en cambio que adapte el tono según el destinatario. De todas formas, lo
Speaker A
importante aquí es ver el flujo, ya que si vemos, primero le damos la instrucción por chat en donde la gente detecta la dirección de correo. Esto en realidad lo hace de forma muy simple, reconociendo el aro y seguido a esto
Speaker A
genera un asunto autónomamente, ya que en este caso, como vemos escribió confirmación de reunión porque entendió el contexto. Luego redacta el cuerpo del correo con el mensaje que le pasamos y finalmente lo envía al destinatario. Y además todas las conversaciones quedan
Speaker A
guardadas en la memoria interna de N8N. Eso significa que si más adelante intentamos mandar otro correo a la misma persona, el agente podría decirnos, "Oye, ya enviaste un correo confirmando esta reunión, quizás no necesites repetirlo." Así que sí, el agente no
Speaker A
solo envía emails, también recuerda lo que ya hicimos. lo que lo convierte en un verdadero asistente digital.
Speaker A
En esta sección vamos a hablar de lo que es RAC o como se conoce en inglés, pero traducido en español, que significa generación aumentada por recuperación.
Speaker A
Para simplificarlo, podemos decir que es una técnica en inteligencia artificial que combina modelos de recuperación de información con modelos generativos.
Speaker A
Ya que a diferencia de un modelo generativo como GPT, que crea respuestas desde cero basándose en su entrenamiento, un sistema RA primero recupera información relevante de una base de datos o de fuentes externas como documentos o páginas web y luego
Speaker A
utilices información para generar respuestas más precisas y relevantes. Básicamente es como si alguien te hiciera una pregunta y tú tuvieras un libro de referencia. Buscas la información en el libro y luego das una respuesta basada en lo que encontraste.
Speaker A
Pues bien, básicamente ese es un sistema RA y además un sistema RA se basa principalmente en dos componentes en donde primero es la recuperación. Esto vendría a ser cuando el usuario hace una consulta, el sistema busca información relevante en fuentes externas, como le
Speaker A
había mencionado, puede ser base de datos, documentos o incluso internet. Esto se parece a buscar en Google obteniendo fragmentos similares a la pregunta del usuario. Y el segundo componente es la generación, ya que después de recuperar la información, el
Speaker A
modelo generativo la utiliza para crear una respuesta coherente y precisa. Esta respuesta no es un simple copiar y pegar, sino que interpreta la información para ofrecer un contenido natural y contextualizado.
Speaker A
Y ya te digo que la principal ventaja de implementar RAC es que permite crear sistemas más potentes y precisos sin tener que entrenar un modelo gigante desde cero, ya que en este caso al combinar recuperación de información con
Speaker A
generación de contenido, el modelo puede ser más eficiente y acceder a información actualizada sin necesidad de reentrenarse, lo cual suele ser muy costoso. Y en lugar de almacenar todo el conocimiento dentro del modelo, solo necesitas saber cómo buscar y usar la
Speaker A
información recuperada. Y básicamente esto permite respuestas más informadas, precisas y específicas, especialmente en áreas donde la información cambia o se actualiza con frecuencia.
Speaker A
¿Sabías que cuando le hacemos una pregunta a un modelo de inteligencia artificial no se pone a leer todo internet desde cero? ya que lo que realmente pasa es un proceso mucho más eficiente y en ese proceso los endings
Speaker A
cumplen un papel clave. Así que bien, hoy vamos a ver cómo funcionan junto con los modelos RAC. Pero primero, ¿qué es un modelo RAC? Bien, un modelo de recuperación aumentada de contexto o RAC, básicamente es una estrategia para
Speaker A
que un sistema de IA pueda encontrar información relevante en una base de datos antes de responderte. Pero para que esto sea rápido y eficiente, necesitamos usar embendings, ya que un bending es una forma de convertir un texto en un vector, es decir, en una
Speaker A
representación matemática en un espacio de múltiples dimensiones. Suena complicado, pero la idea es simple, ya que en vez de comparar textos directamente, los convertimos en números que representan su significado. Esto permite que la búsqueda de información relevante sea muchísimo más rápida y
Speaker A
precisa, ya que imagina que tenemos un documento enorme que un modelo debe usar para responder, por lo que si guardamos ese documento tal cual en texto plano, la búsqueda sería superlenta, ya que el sistema tendría que leer de principio a
Speaker A
fin cada vez que hagas una consulta. En cambio, lo que hacemos con RAC es trocear ese documento en fragmentos más pequeños y convertir cada fragmento en un vector usando embendings. Luego guardamos todos esos vectores en la base de datos. Ahora, cuando el usuario hace
Speaker A
una pregunta, esa consulta también se convierte en un vector. Y lo que pasa es que el sistema compara ese vector con lo que ya tenemos guardados de los fragmentos del documento. Entonces, de esa comparación, selecciona los más parecidos y con eso puede generar una
Speaker A
respuesta rápida y precisa. En cambio, si no dáramos en Bending, sería como buscar una palabra en un libro gigante pasando página por página hasta encontrar algo que encaje. Obviamente eso sería lentísimo y nada práctico, sobre todo si hablamos de un chat donde
Speaker A
esperamos una respuesta en segundos. Entonces, en resumen, los envending permiten transformar texto en vectores que representan su significado, ya que además los modelos RAC usan esos en bending para buscar primero la información más relevante antes de responder y gracias a eso las respuestas
Speaker A
son más rápidas, precisas y útiles. Así que ya lo sabes, sin mendings la magia de un rack simplemente no sería posible.
Speaker A
¿Alguna vez quisiste que un agente de inteligencia artificial pudiera responder preguntas usando tus propios documentos, desde Google Drive, OneDrive o cualquier servicio? Pues hoy te voy a mostrar cómo construir un agente que hace justo eso utilizando un sistema RAC
Speaker A
y en Vending. Así que vamos paso por paso. Así que bien, lo que vamos a hacer es crear un agente de IAC que no solo use la información que ya tiene el modelo, sino que pueda acceder a documentos internos y darte respuestas
Speaker A
basadas en ellos, ya que, por ejemplo, imagina que tienes un documento con la política de devolución de tu tienda online, por lo que con otro agente serás capaz de leer ese documento y responder preguntas como tipo de reembolso, plazo
Speaker A
de envío, precio de envío, todo de manera automática y el lenguaje natural. Y recuerda que este documento puede ser Word, PDF o cualquier otro formato. Lo importante es que nuestro sistema RAC pueda leerlo y usar enendings para organizar la información en fragmentos.
Speaker A
Así que bien, lo primero que vamos a hacer es ir a nuestro workflow y vamos a crear uno nuevo. Y por aquí arriba a este workflow lo vamos a llamar agente baj rack y luego creamos un workflow que
Speaker A
se ejecute a partir de un chat y por ahora no agregaremos documentos directamente ya que primero vamos a configurar el agente. Así que bien, por aquí seleccionamos el modelo de Openi que vamos a usar. Agregamos memoria simple para este flujo y dejamos la
Speaker A
línea temporal lista. Y aquí viene la parte interesante, hacer que nuestra gente pueda buscar información usando en endings y bases de datos vectoriales.
Speaker A
Así que para esto simplemente vamos a herramientas, agregar herramienta nueva y buscamos la opción que dice algo como responder preguntas basadas en base de datos vectoriales. Luego nos pide qué modelo usar o a qué base de datos conectarnos. En este punto es donde
Speaker A
elegimos la base de datos vectorial que transforma nuestro texto en vectores y permitirá al rack recuperar la información más relevante. Y como estamos viendo, algunas opciones que tenemos son inmemory para pruebas rápidas posgress Pincoin quadrant superbase, SAP. Y como siempre, cada una
Speaker A
tiene características distintas, ya que, por ejemplo, Bitcoin o Superbase son base de datos vectoriales en la nube, fáciles de desplegar y similares a air table, pero para vectores. Ahora bien, una vez conectada la base de datos vectorial, cada fragmento del documento
Speaker A
se transforma en un vector con embings, por lo que cuando el usuario haga una consulta, el agente convierte la pregunta en un vector y lo compara con los vectores del documento. De esta manera puede seleccionar la información más relevante y responder de forma
Speaker A
rápida y precisa. En resumen, subimos un documento PDF o Word a cualquier lugar accesible. Creamos un agente con RAC en nuestro workflow. Conectamos una base de datos vectorial para almacenar información en vectores usando en bendings. Y finalmente ahora nuestro
Speaker A
agente puede responder preguntas basadas en nuestros propios documentos de forma precisa y rápida. Es así como los vending y RAC hacen posible que un modelo de ella trabaje con información interna y no solo con lo que ya conoce
Speaker A
por defecto. Vamos ahora a utilizar una de las bases vectoriales que tenemos disponibles para recopilar la información que tenemos actualmente en Google Drive. Así que bien, en este ejemplo voy a usar un documento sencillo de apenas tres páginas. Obviamente pueden ser
Speaker A
documentos más largos, varios archivos o diferentes formatos. Cada caso tendrá pasos específicos, pero prácticamente todo se puede automatizar. En este caso voy a utilizar Python como ejemplo.
Speaker A
Entonces, para acceder a Python hago clic aquí y voy a usar unas credenciales que ya tengo creadas. En este caso tengo algunas dadas de alta con distintos índices listos para seleccionar.
Speaker A
Entonces, vamos a ir paso a paso. Primero escribimos Pincon y accedemos al primer enlace, en donde por aquí vamos a poder loguearnos con nuestra cuenta de Google o cualquier otra que tengamos. En mi caso, yo ya estoy usando la misma
Speaker A
cuenta de Google con la que creé el proyecto, así que ya estoy registrado. Ahora, al entrar en Pinecom verás que todavía no tengo ningún proyecto, así que vamos a crear uno desde cero. En este caso le voy a poner de nombre
Speaker A
agentes y lo creamos. Y perfecto, ahora ya podemos trabajar con varios índices que serán los que almacenarán nuestros documentos. Asimismo, si trabajas con tecnología de Microsoft, también puedes crear índice de Azure, lo que te permite almacenar información no estructurada.
Speaker A
Pero lo importante aquí es que al crear el proyecto Picconar. Y ahora bien, ya con eso podemos empezar a trabajar. Así que bien, una vez que estemos dentro de Python, vamos a la sección de índices dentro de database y
Speaker A
creamos un índice nuevo desde cero. Le pongo el nombre ecommerce, pero ojo porque no puede tener mayúsculas. Luego definimos las dimensiones del índice que dependerán del bending que usemos. Así que para este ejemplo voy a usar el vending small de open que es suficiente
Speaker A
para un documento pequeño. Después podemos seleccionar si el índice estará en modo serverlinks o en un servidor específico y elegir la nube y región, como por ejemplo podría ser Amazon, Google o Azure. En mi caso, yo voy a
Speaker A
dejar Amazon y la región que aparece por defecto, pero recuerda que mientras más cerca estés del servidor donde hagas consultas, mejor será la latencia. Con esto listo, hacemos clic en create index y ya tenemos nuestro índice preparado. Y
Speaker A
asimismo, este será el lugar donde se van a almacenar los vectores que generemos a partir de nuestros documentos. Ahora vamos a nuestra gente y vamos a configurar las credenciales de Python. Para hacerlo, edito las credenciales actuales y para mostrar
Speaker A
todo desde cero, elimino las que ya tenía creadas. Luego voy a crear una nueva credencial. Pego la llave API que copiamos al crear el proyecto y guardo.
Speaker A
Y si lo hemos hecho bien, Python nos confirma que la conexión es correcta. Después seleccionamos el índice e-commerce y creamos un namespace que puede llamarse igual, por ejemplo, e-commerce. Esto nos sirve para separar proyectos o categorías dentro del mismo
Speaker A
índice. Ahora bien, hasta aquí todo está listo, pero qué pasa que si nos fijamos el índice está vacío, ya que no hemos subido aún ninguna información y es por eso que necesitamos crear otro workflow, por ejemplo, usando N8N, que se encargue
Speaker A
de leer el documento desde Google Drive, dividirlo en fragmentos, que esto se llama tunes, luego generar mendings para cada fragmento y por último subirlos al índice en Python. Y ahora sí, una vez hecho esto, nuestro agente podrá usar
Speaker A
estos vectores para responder preguntas basadas en la información real documento. Entonces, vamos paso a paso a crear ahora ese workflow que cargue la información en la base de datos.
Speaker A
Ahora vamos a crear un nuevo workflow dentro de N8N que nos permita subir información directamente a Python. Así que bien, para esto tengo por aquí un lienzo en blanco. Así que lo primero que voy a hacer es ponerle un nombre a este
Speaker A
flujo de trabajo, por lo que vamos a llamarlo, por ejemplo, agente gu ra input, para saber que este proceso se encarga de enviar información a nuestro agente de RAC, aunque bien pensándolo mejor, no es un agente, así que vamos a
Speaker A
eliminar esta parte de aquí. Y ahora sí, vamos paso a paso con todo el proceso.
Speaker A
Lo primero que necesitamos es que el flujo se ejecute automáticamente cada vez que subamos un archivo a Google Drive. En mi caso tengo una carpeta llamada e-commerce, así que quiero que cada vez que alguien suba documentación a esa carpeta no arranque este workflow
Speaker A
automáticamente. Así que vamos a buscar el nodo de Google Drive y lo agregamos y dentro del trigger seleccionamos la opción que dice is create or update, es decir, cuando se crea o se actualiza un archivo. Y esto es importante porque a veces se modifica
Speaker A
documentos, por ejemplo, las políticas de devolución y queremos que esa información se vuelva a cargar en Python sin hacerlo manualmente. Así que bien, seleccionamos la carpeta correspondiente, en este caso ecommerce y listo. Ya con eso tenemos el evento de
Speaker A
inicio del flujo configurado. Ahora bien, cuando este trigger se activa, el nodo de Google Drive nos devuelve mucha información del archivo, pero no incluye el binario, que es lo que necesitamos para subir el documento a Python. Así que lo que haremos será
Speaker A
agregar otro nodo de Google Drive, pero esta vez con acción downlan file, ya que este bloque se encarga de descargar el archivo real desde la URL que nos da el trigger anterior. Entonces, para eso seleccionamos la propiedad webink del
Speaker A
bloque previo y cuando ejecutamos este nodo veremos que ahora sí tenemos un binario disponible que es el archivo propiamente dicho. Perfecto. Ahora que tenemos el binario, ya podemos conectarnos con Python y subir el documento en formato vertical. Así que
Speaker A
bien, buscamos el nodo Python y lo agregamos. Y aquí lo que debemos hacer es seleccionar nuestro índice, que en este ejemplo es e-commerce, y también el name space, que llamamos igualmente e-commerce. De esta forma, todo el contenido que se suba a la carpeta de
Speaker A
Google Drive será procesado y almacenado dentro de este índice de Python. Y ya por último, antes de finalizar, necesitamos convertir el texto del documento en bendings, que son las representaciones vectoriales que entiende Python. Entonces para eso añadimos un nuevo bloque de Open AI en
Speaker A
Bendings. Seleccionamos el modelo texting small, que es el mismo que usamos en la configuración del índice de Python. Por lo tanto, no habrá ningún problema de compatibilidad, ya que este bloque tomará el contenido del documento, lo transformará en vectores
Speaker A
numéricos y esos vectores serán los que finalmente se guarden dentro de nuestra base vectorial en Python. Y listo, con este Wflow, cada vez que subamos un documento a la carpeta de Google Drive, N8N, descargará el archivo, generará los
Speaker A
enending con Open y los almacenará automáticamente en Python. De esta forma, nuestra agente RAC podrá acceder a esa información actualizada cada vez que tenga que responder preguntas o generar respuestas basadas en esos documentos. En el próximo paso vamos a
Speaker A
conectar este Wordflow con el agente para que pueda consultar la base vectorial y recuperar información relevante.
Speaker A
Continuamos trabajando con nuestro Wordflow que va a actualizar la información de la base de datos de Python. En este punto necesitamos partir el contenido del documento antes de subirlo, ya que en este ejemplo tengo un documento Word de tres páginas, pero
Speaker A
podría ser más largo. La idea es no enviar todo el contenido de una sola vez a la base de datos, sino dividirlo en fragmentos o chuns. Por ejemplo, podemos partir el contenido en tres o cuatro párrafos para que cada párrafo luego se
Speaker A
convierta en un vector dentro de Python. Así que bien, primero vamos a ver qué datos vamos a subir. En este caso tenemos el binario del archivo, no es un Jason, así que seleccionamos binario como tipo de datos. Vamos a agregar como
Speaker A
metadatos una propiedad llamada data, que será básicamente el nombre del binario que estamos extrayendo del fichero. Para asignarle el valor, buscamos la propiedad name dentro de los datos que nos da el trigger de Google Drive, ya que si lo revisamos veremos
Speaker A
que el nombre del archivo es, por ejemplo, política de devolución. Perfecto. Así sabemos qué archivo estamos subiendo a Python. Ahora viene la parte importante, splitear el texto en tokens. ya que un token generalmente equivale a tres o cuatro caracteres
Speaker A
aproximadamente, aunque depende del modelo. Así que en este caso podemos usar la calculadora de tokens de Open E u otras herramientas para estimar cuántos tokens tiene nuestro texto, ya que por ejemplo si escribo hola, ¿cómo estás? Puede equivaler a unos cuatro
Speaker A
tokens. Esto nos va a dar una idea de cómo se divide el documento. Así que bien, sabiendo esto, volvemos a N8N. Y con el token splitter en N8N podemos configurar esto mismo, ya que por aquí podemos definir el tamaño del tun, que
Speaker A
vendría a ser cuántos token tendrá cada fragmento. Y asimismo podemos definir también el overlap, que vendrían a ser cuántos tokens se solapan entre fragmentos consecutivos para mantener el contexto. Así que bien. Por lo tanto, el overlap es muy importante, ya que, por
Speaker A
ejemplo, si el primer chun termina en la palabra granizar, el siguiente chun no debería empezar justo después, sino un poco antes para que el contexto no se pierda. Así que bien, sabiendo esto, en este caso vamos a usar un chung size de
Speaker A
200 tokens y un overlap de 20 tokens. Esto nos asegura que cada fragmento tenga suficiente información y que el modelo no pierda sentido al procesarlo.
Speaker A
Ahora bien, con los chun ya creados y los envending generados, estamos listos para subir todo a nuestra base de dato vectorial. Solo nos queda guardar el workflow y ejecutar el proceso, ya que cada documento que se suba a la carpeta
Speaker A
de Google Drive se dividirá automáticamente en tokens. Asimismo, también se generarán los endings y se almacenarán en Python. Así que bien, una vez que la información está en la base de datos, nuestro agente RAC podrá consultar estos vectores. Asimismo,
Speaker A
también podrán responder preguntas basadas en el contenido real del documento y todo esto de manera automática, actualizándose cada vez que se suba o modifica un archivo. Y ya con esto tenemos un flujo completo de carga y procesamiento de documentos listos
Speaker A
para ser usados en un sistema RAC con Pinecoin. En esta clase vamos a probar nuestro workflow completo, el que nos permite subir información a la base de datos de Python. Así que lo primero que voy a hacer es hacer clic en test workflow
Speaker A
para ejecutarlo y vamos a ver si con el archivo que tenemos ya es suficiente o si hace falta subir alguno más. Así que bien, ejecuto el proceso y parece que ha agregado correctamente los datos a Python. De hecho, si voy a la salida,
Speaker A
puedo ver el resultado en diferentes formatos como tabla, esquema o directamente enjon. Y además, si bajo un poco, veo que el contenido se ha dividido en ocho bloques. Y también lo vemos por aquí, que exactamente tengo ocho elementos de salida, lo que
Speaker A
significa que el documento, en este caso la política de devoluciones, se ha atroceado en ocho fragmentos distintos.
Speaker A
Ahora lo que quiero hacer es ir directamente a Python para comprobar que información se ha cargado. Y efectivamente, como vemos dentro de Python tengo un namespace llamado ecommerce, que fue el que creamos anteriormente.
Speaker A
Y en este caso, si lo abrimos, podes ver que tiene un número de registro ocho, lo cual confirma que el contenido se ha dividido en esos ocho fragmentos, en donde cada uno de esos registros representa una porción del texto
Speaker A
original del documento que acabamos de subir. Así que bien, ahora puedo visualizar la información que se ha guardado en cada uno de esos registros, ya que por ejemplo, si vemos el primer bloque contiene la primera líneas del documento desde la línea 1 hasta la 11,
Speaker A
donde aparece el texto que habla de la política de devoluciones seguido del nombre de commerce test y termina con la frase por razones de higiene y seguridad. Y esto es correcto, ya que si abro el documento original y lo
Speaker A
comparto, efectivamente, esto mismo coincide, ya que si vemos por aquí, todo ese fragmento inicial fue considerado como el primer bloque del contenido almacenado en Python. Y ya luego los siguientes bloques siguen el mismo patrón en donde básicamente cada uno
Speaker A
contiene una sección distinta del texto que fue generada al momento de dividir el documento con el token splitter en nuestro workflow. Entonces, como vemos, cada bloque o registro dentro de Python no solo guarda el texto, sino que además
Speaker A
contiene valores vectoriales, los llamados embendings, en donde estos embendings son los que permiten representar el texto en un formato numérico dentro de la base de datos vectorial. Luego, cuando nuestro agente realice una consulta, estos vectores pueden ser recuperados y traducidos
Speaker A
nuevamente a texto usando un modelo como Open Mendings o incluso proveedores como Asure o Google, ya que en este caso cada vector tiene además un conjunto de metadatos, ya que si lo revisamos vemos que incluye la línea del documento que
Speaker A
corresponde, el texto original extraído y el nombre del documento al que pertenece. Esto es muy útil porque si en el futuro subimos varios documentos, por ejemplo, 10 políticas o manuales distintos, Python va a poder identificar no solo el
Speaker A
contenido, sino también qué documento pertenece cada fragmento. Entonces, lo que tenemos hasta el momento es esto, ocho registros creados en Python, en donde cada registro representa una parte del documento original y cada uno tiene su propio vector y metadatos asociados. Gracias a
Speaker A
esto, cuando trabajemos con nuestra gente, podremos acceder a toda esta información en donde la gente será capaz de buscar, interpretar y responder preguntas utilizando los datos almacenados en Python.
Speaker A
Obviamente basándose en los endings y en el modelo de Open AI GPT4 Mini, que será el encargado de generar las respuestas finales para el usuario.
Speaker A
Continuamos trabajando con otro agente y en esta parte lo que nos falta es agregar los embingirle buscar y entender la información dentro de nuestra base de datos vectorial. Así que lo primero que voy a hacer es seleccionar los enending de open y en
Speaker A
este caso voy a usar los textings small que son los mismos que ya utilizamos en Python para almacenar los datos, ya que de esta manera mantenemos la compatibilidad entre el proceso de subida y el de búsqueda, asegurando que
Speaker A
el modelo pueda interpretar correctamente los vectores que vienen desde la base de datos. Ahora que tenemos definidos los embing, lo siguiente que voy a hacer es agregar el modelo del lenguaje que se encargará de interpretar los resultados y generar
Speaker A
respuestas en texto natural. Entonces, para esto voy a elegir el modelo de Open AI GPT4 Mini, ya que es ligero, rápido y más que suficiente para procesar la información que obtendremos desde Python, ya que este modelo será el que
Speaker A
traduzca los vectores en texto entendible. y genera respuestas coherentes para el usuario final. Así que bien, una vez hecho esto, lo que necesito es darle instrucciones al bloque de la gente, que es el que estamos viendo ahora mismo en pantalla.
Speaker A
Voy a escribir el nombre e-commerce para identificar claramente el contexto de la información que este agente va a manejar. Y en la descripción o pron base voy a indicar algo como lo siguiente.
Speaker A
Esta herramienta está diseñada para proporcionar información relacionada con el e-commerce, incluyendo políticas, condiciones y otros documentos relevantes que estén almacenados en la base de datos. De esta forma, si más adelante subo otros tipos de documentos, ya sea por ejemplo política de envío,
Speaker A
términos y condiciones o guía de usuario, el agente podrá utilizarlos también sin problema, ya que comprenderá que todos pertenecen al mismo dominio, el e-commerce. Con esto ya lo tengo prácticamente listo, ya que en este caso el agente tiene susbendings
Speaker A
configurados, su modelo de lenguaje asignado y la descripción que define el tipo de información que debe usar. Por ahora, lo único que falta es darle instrucciones específicas, es decir, el pron principal de la gente, donde le diremos qué tipo de preguntas debe
Speaker A
responder y cómo debe comportarse al hacerlo. Antes de probar el funcionamiento completo de nuestro agente, vamos a agregarle las instrucciones, ya que hasta ahora el agente simplemente respondía al prom que teníamos en el chat sin una guía clara sobre cómo debía
Speaker A
comportarse. Por eso, lo que vamos a hacer ahora es añadirle unas instrucciones específicas que definan su rol, sus límites y el tipo de respuesta que debe ofrecer. Entonces, para hacerlo, vamos a abrir el bloque de configuración de la gente y voy a pegar
Speaker A
las instrucciones base. Luego la vamos a ir modificando paso a paso para adaptarlas a nuestro caso. Así que bien, para este ejemplo voy a escribir algo como lo siguiente en donde le vamos a decir, eres un asistente capaz de
Speaker A
responder preguntas del usuario basándote solo en la información de la herramienta e-commerce. Esto básicamente es muy importante porque de esta forma el modelo no inventa información ni utiliza datos externos que tenga entrenados, sino que responde únicamente en base a la información que encuentra
Speaker A
en nuestra base de datos vectorial. Luego, más abajo voy a agregar una sección llamada tareas, donde vamos a definir la función principal. Así que le vamos a colocar que su función principal es responder de forma clara y concisa a
Speaker A
las preguntas del usuario sobre los datos de e-commerce. Y por último, para mantener las respuestas breves, también le voy a indicar un límite en donde le diremos que no debe exceder los 200 caracteres por respuesta. De esta manera
Speaker A
nos aseguramos de que la gente devuelva información puntual, fácil de leer y directamente relacionada con el documento. Ahora bien, una vez que tenemos las instrucciones listas, voy a hacer clic en guardar. En este punto hay un detalle importante, el nombre de la
Speaker A
herramienta, ya que aunque el data name que usamos sea ecommerce, el nombre interno de la herramienta puede ser diferente, así que hay que verificar que coincidan para evitar errores al momento de hacer la búsqueda en la base vectorial. Recordemos que este agente
Speaker A
está conectado a una base de datos vectorial en Python, por lo tanto, es allí donde irá a buscar los fragmentos de texto que coincidan con la consulta del usuario. Ahora sí, con todo configurado, vamos a probar el agente.
Speaker A
En mi caso, ya tengo cargado un documento con la política de devolución de mi tienda online dentro del índice de Python. Así que lo primero que haré será abrir el chat de la gente y escribir un mensaje de prueba. Por ejemplo, hola,
Speaker A
¿qué tarifa de envío tienes? Y veremos que la gente automáticamente va a buscar en la base de datos de e-commerce y debería devolver una respuesta basada en el contenido del documento. Así que bien, perfecto. En este caso vemos que
Speaker A
no responde con información sobre las tarifas y los plazos de entrega. Eso significa que el flujo completo en bendings, base vectorial y modelo GPT está funcionando correctamente. Bien, ahora voy a hacer una segunda prueba, esta vez con otra pregunta. ¿Qué puedes
Speaker A
decirme sobre los reembolsos? Y veremos que nuevamente el agente vuelve a consultar la base vectorial y me responde algo, como los reembolsos se procesan con el método de pago original y tardan entre 5 a 10 días hábiles.
Speaker A
Además, los costos de envío no son reembolsables, salvo si el producto está defectuoso. Excelente, ya que podemos ver que recordó el contexto de la conversación y fue capaz de ir a buscar la información específica dentro del mismo documento. Así que bien, esto nos
Speaker A
confirma que el sistema está funcionando correctamente y que el modelo entiende cómo combinar la información vectorial con las instrucciones de la gente. Ahora bien, detrás de escena, lo que ocurre es que el documento que subimos a Google Drive fue convertido en bloques de
Speaker A
texto, en donde en este caso cada bloque se transformó en un vector gracias a los enending de Open y fue almacenado en Python. Por eso, cuando la gente recibe una pregunta, compara el texto con los vectores existentes, encuentra los más
Speaker A
parecidos y genera una respuesta del lenguaje natural utilizando el modelo GPT4 Mini. Y ya por último, una cosa a tener en cuenta es que en este ejemplo usamos un documento Word, pero podríamos hacer lo mismo con PDFs, Excel, Google
Speaker A
Docs, OneDrive, SharPoint o incluso Dropbox, ya que técnicamente el proceso es exactamente el mismo. En donde subimos el archivo, se dividen en fragmentos, se genera el embing vectorial. El único detalle que puede variar es el tratamiento del formato, ya
Speaker A
que en este caso cada tipo de archivo necesita su propio método para leer el contenido antes de transformarlo en tokens. Entonces, con este flujo completo, tenemos un agente con instrucciones claras, una base de datos vectorial con los documentos relevantes
Speaker A
y un modelo de lenguaje que puede interpretar los vectores y responder en texto natural. Así que bien, esto nos permite crear asistentes especializados que respondan solo con la información interna de la empresa, algo que hoy es superútil para proyecto de atención al
Speaker A
cliente, soportes técnicos, consulta de políticas, catálogos o documentación interna. En la siguiente clase vamos a hablar de un aspecto fundamental cuando diseñamos agentes de inteligencia artificial, la memoria. Así que bien, para comenzar voy a agregar por aquí un tricker de chat
Speaker A
que será el punto de inicio donde el usuario interactúa con el agente. Después voy a añadir un bloque de agente de inteligencia artificial que es el que se va a encargar de procesar las conversaciones.
Speaker A
Ahora bien, una vez que lo tengo en pantalla, veo varias opciones, ya que como vemos puedo elegir el modelo de chat con el que quiero trabajar. En este caso voy a dejar el que viene por defecto, que me funciona bien para la
Speaker A
demostración. Y ahora llegamos a una de las partes más interesantes de los agentes, el apartado de memoria. Esto es algo muy relevante cuando trabajamos con agentes porque marca la diferencia entre una simple llamada a un modelo como Open
Speaker A
y un verdadero agente inteligente, ya que si solo agrego un bloque que hace preguntas y respuestas con openo configurado y el reto los datos. Pero lo que no tengo es un sistema de memoria. Eso significa que el modelo no recuerda lo que hablamos
Speaker A
antes, por lo que cada pregunta se procesa de una forma aislada. En cambio, los agentes pueden hacer mucho más, ya que además de tener herramientas a las que puedes llamar para ejecutar tareas, también tienen la capacidad de recordar,
Speaker A
es decir, conservar el historial de conversaciones con el usuario. Y esto es clave para crear interacciones naturales, coherentes y con contexto.
Speaker A
Así que bien, si hago clic en la sección de memoria se despliegan todas las opciones disponibles actualmente. Y es importante aclarar que esto puede cambiar con el tiempo, ya que pueden añadirse o eliminarse tipo de memoria según las versiones. Y si nos fijamos,
Speaker A
entre las opciones más comunes tenemos Pogres, que vendría a ser una base de dato estructurada clásica que puede desplegarse tanto en servidores locales como en la nube, ya que, por ejemplo, plataforma como Superbase permiten crear una base de datos pogres en segundos
Speaker A
para almacenar el historial de conversaciones. Luego también tenemos redis o chat memory, que también sirven para guardar datos de sesión o conversaciones con un enfoque más temporal o rápido. Y acá viene un punto muy importante, no toda la memoria
Speaker A
funcionan igual, ya que por ejemplo, si seleccionan la opción window w buoofer memory, esa memoria es temporal. Eso significa que toda la información de la conversación se guarda solo durante la ejecución actual del Wflow, por lo que en cuanto se reinicia el proceso esa
Speaker A
información se pierde. Y ya te digo que esto es útil cuando estoy haciendo pruebas rápidas, ya sea, por ejemplo, escribo un hola, luego pregunto, ¿qué son los agentes de IA? El sistema se conecta al modelo de Open me da una
Speaker A
respuesta y listo, tan solo eso, pero de nueva cuenta esa conversación no queda registrada fuera del entorno del workflow. Ahora bien, si lo que queremos es llevar nuestros agentes a producción, esa memoria temporal no alcanza. ¿Por qué? Porque seguramente vamos a
Speaker A
necesitar analizar la conversación de los usuarios o empleados, revisar el historial de interacciones o incluso entrenar mejoras de la gente a partir de esas conversaciones reales. Y para eso necesitamos una memoria persistente, es decir, una base de dato externa donde la
Speaker A
información no se pierda con el tiempo. Un ejemplo clásico sería conectar una base de datos pogres, ya que como le había mencionado antes, la podemos tener desplegada en local, en nuestros propios servidores o asimismo en la nube con
Speaker A
servicios como Superbase, Neon o render, ya que cuando la conectamos las conversaciones de la gente se almacenan allí. De esa forma, aunque el workflow de N8N se reinicie o incluso si migramos el proyecto a otro servidor, no perdemos
Speaker A
ningún dato. Y simplemente al configurar PGR deberemos definir las credenciales de conexión, tanto host, puerto, usuario, contraseña y base de datos. Y una vez hecho, la memoria quedará activa y lista para registrar los mensajes del usuario y la respuesta del agente. Así
Speaker A
que bien, en resumen, si estás testeando un agente, la memoria temporal puede servirte perfectamente. Pero en cambio, si vas a llevarlo a producción o quieres analizar conversaciones, conviene usar una memoria persistente como postgrés, redis u otra conexión externa, ya que
Speaker A
esto te permitirá tener un histórico completo de interacciones, analizar el comportamiento de tus usuarios y mejorar progresivamente la experiencia de la gente. En definitiva, la memoria convierte a un simple chatbot en un agente realmente inteligente.
Speaker A
En esta clase vamos a configurar una memoria externa para nuestra gente. Y cuando digo externa me refiero a fuera del workflow y fuera de N8N, ya que el objetivo es que toda la información que la gente recuerde, como las
Speaker A
conversaciones con los usuarios, se almacene en una base de datos independiente de forma segura y persistente. Así que bien, para empezar hago clic en la sección memoria dentro del agente y acá puedo elegir cualquiera de las opciones que aparecen en
Speaker A
pantalla. En mi caso voy a elegir postgres porque me resulta muy fácil implementarla online sin tener que montar toda la infraestructura manualmente. De todas formas, si querés podés desplegar tu propia base de datos pogres en local, en un servidor on
Speaker A
premise o en la nube. Solo vas a tener que configurar la cadena de conexión para que N8N pueda acceder a ella. Así que bien, selecciono el bloque de pogres y enseguida me pide las credenciales de acceso. Así que por lo tanto acá tenemos
Speaker A
que crear una nueva credencial y me aparece los campos clásicos de cualquier conexión de base de datos, ya sea el host, el nombre de la base de datos, usuario contraseña puerto número máximo de conexiones y algunos detalles adicionales. Pero antes, para poder
Speaker A
completar esto, necesito tener una base de datos pogres ya desplegada. Nosotros, para simplificar, vamos a usar una herramienta online llamada Superbase, que permite crear una base de datos pogres en la nube de forma rápida y gratuita. Obviamente podrías usar
Speaker A
cualquier otra plataforma que te ofrezca pogres en línea o incluso trabajar con tu propio servidor si querés tener un control total sobre la infraestructura.
Speaker A
Todo depende de tus necesidades y del entorno donde vayas a ejecutar tu agente. Pero en este caso quiero mostrarte Superbase porque es una herramienta muy sencilla y práctica, ya que Superbase tiene una gran ventaja.
Speaker A
Además de ofrecer base de datos pobres relacionales, también permite crear base de datos vectoriales, lo que es ideal si más adelante queres almacenar en bendings o trabajar con datos de forma más avanzada. Así que con Superbase matas dos pájaros de un tiro, ya que
Speaker A
tenés una base relacional donde guardar la memoria de la gente y también la posibilidad de integrar datos vectoriales más adelante. Entonces, vamos a crear nuestra base de datos.
Speaker A
Ingresamos a la página de Superbase y si no tenemos cuenta podés registrarte directamente con tu cuenta de Google o creando una nueva desde cero. Ahora bien, una vez que accedas vas a ver un panel principal y eso sí, si es tu
Speaker A
primera vez te va a pedir que crees un proyecto nuevo. Así que hacemos clic en create a new project y acá mismo le damos un nombre al proyecto. Por ejemplo, puedes llamarlo N8N memory o I agente DB. lo que te resulte más fácil
Speaker A
de identificar. Luego, Superbase te va a pedir definir una contraseña para la base de datos. Eso sí, te recomiendo dejar que te genere una automáticamente, copiarla y guardarla en un bloc de notas porque la vas a necesitar más adelante
Speaker A
para conectar N8N con Pogress. Después elegir la región del servidor, preferiblemente una que esté cerca de donde operas. Esto es más que nada para reducir la latencia y que las consultas sean más rápidas, ya que por ejemplo si
Speaker A
estás en Latinoamérica o Europa, podes seleccionar París o una región de Estados Unidos. Ahora, una vez configurado todo, hacemos clic en create project. Y ahora sí, Superbase va a tardar unos segundos o un par de minutos en desplegar la base de datos progress,
Speaker A
pero no te preocupes, ya que esto es completamente normal. Y ahora sí, una vez que el proyecto esté creado, vamos a tener acceso a todos los datos de conexión, tanto el host, el usuario, la contraseña, el puerto y el nombre de la
Speaker A
base de datos. Así que bien, esa información es la que luego vamos a ingresar en las credenciales de Pogres dentro de N8N. Y con todo esto ya dejamos lista la base de datos externa que va a servir como memoria persistente
Speaker A
para nuestro agente. Y a partir de aquí todo lo que el usuario converse con el agente se podrá almacenar en esta base de dato externa, permitiéndonos analizar las conversaciones, mantener contexto entre sesiones y no depender de la memoria temporal del workflow. Así que
Speaker A
bien, en la siguiente clase vamos a ver cómo conectar Superbase con N8N y crear la tabla de memoria que almacenará las conversaciones de la gente.
Speaker A
Bien, ahora que ya tenemos desplegado nuestro proyecto en Superbase, vamos a conectarlo directamente con N8N para que nuestro agente pueda guardar su memoria fuera del workflow en una base de datos externa. En mi caso, el proyecto todavía se está terminando de crear, pero ya
Speaker A
puedo acceder a los datos de conexión sin problema. Ahora bien, en el panel lateral izquierdo de Superbase, entramos en la sección de configuración del proyecto y dentro de ella seleccionamos database o base de datos según el idioma que tengas configurado. Ahí vas a ver
Speaker A
una opción llamada conectar. Hacemos clic en ese botón y se nos abrirá la información necesaria para conectarnos.
Speaker A
a nuestra base de datos pogres. Ten en cuenta que la interfaz de Superbase cambia con frecuencia, así que si no ves exactamente la misma pantallas, no te preocupes, solo busca la parte donde te muestran los datos de conexión porque
Speaker A
eso es lo que realmente necesitamos. En esta sección vas a encontrar toda la información que necesitamos como el host, el puerto, usuario, base de datos y en algunos casos parámetros adicionales. Estos son los mismos datos que N8N necesita para establecer la
Speaker A
conexión con PGR. Así que con esta información a mano vamos a volver a N8N.
Speaker A
Entonces, ahora dentro de N8N vamos a crear una nueva credencial del tipo posgress. Hacemos clic en credenciales, seleccionamos nueva credencial y elegimos pgres como tipo de conexión.
Speaker A
Ahora simplemente tenemos que copiar y pegar los valores desde Superbase, por lo que en host copiamos el valor que nos muestra en Superbase. En base de datos dejamos el nombre por defecto posgress.
Speaker A
En usuario copiamos también el que figura en Superbase. En puerto pegamos el número correspondiente que puede variar del 5432 tradicional. Y finalmente en contraseña colocamos el password que guardamos cuando creamos el proyecto. Ahora bien, una vez completado todos los campos, hacemos clic en
Speaker A
guardar y como vemos N8N va a probar automáticamente la conexión y si todo está bien configurado, vas a ver un mensaje indicando que la conexión se realizó correctamente. Eso significa que N8N ya está conectado a nuestra base de
Speaker A
datos en Superbase y que puede empezar a almacenar información allí. Ahora, si miramos la parte inferior de la configuración, vas a ver un campo que dice nombre de tabla. Por defecto, N8N propone crear una tabla llamada N8N Chat
Speaker A
History, que será donde se guarda el historial de conversaciones de la gente. Asimismo, también puedes cambiarle el nombre si querés, pero en mi caso lo voy a dejar tal como está. Además, si vemos debajo también vas a ver un parámetro
Speaker A
llamado Context Window Len, que básicamente define cuántas interacciones o mensajes se almacenan por sesión. Por ahora lo voy a dejar con el valor predeterminado.
Speaker A
Y ahora bien, si vamos a nuestro panel de Superbase y entramos en la sección editor de tablas, vas a notar que por ahora no hay ninguna tabla creada. Y esto es normal, ya que N8N va a crear automáticamente la tabla cuando la gente
Speaker A
empiece a generar conversaciones y a guardar el historial. Así que en este punto simplemente guardamos los cambios del agente y ya estamos listos para probar la integración. Así que bien, ahora sí vamos a testear el agente. Y lo
Speaker A
que quiero comprobar antes que nada es que la conversación no se almacene dentro del workflow, sino que directamente en la base de datos externa, que en este caso vendría a ser nuestro pg desplegado en Superbase, por lo que una vez que empecemos a
Speaker A
interactuar con el agente, Superbase va a crear automáticamente la tabla y va a empezar a registrar todo el historial del chat. Y con eso ya tenemos N8N conectado a una base de dato externa pogress en Superbase. De esta forma toda
Speaker A
la memoria de la gente queda guardada de manera persistente, incluso si reiniciamos N8N o cambiamos de workflow.
Speaker A
En la próxima clase vamos a analizar cómo se guardan los datos en esa tabla y cómo podemos consultarlos o gestionarlos desde Superbase.
Speaker A
Bien, ahora que ya tenemos conectado nuestro agente con la base de datos Pogress en Superbase, vamos a probar que todo funcione correctamente y que los datos realmente se estén guardando fuera del workflow en una base de datos externa. Para eso lo que voy a hacer es
Speaker A
abrir un chat y empezar a probar el agente directamente desde N8N. Así que bien, por aquí primero que nada voy a saludarlo para ver si responde correctamente. Así que le escribo hola y como vemos me devuelve una respuesta.
Speaker A
Perfecto. Eso significa que la gente ya está funcionando y que está utilizando la configuración con Poscres. Ahora quiero probar con algo un poco más específico, por ejemplo, que es el computer vision. Y en este caso, como no tenemos ningún retriever conectado ni
Speaker A
reglas especiales, así que la gente simplemente está consultando directamente al modelo de Open AI como si fuera un CH GPT básico sin límites ni filtros. Así que bien, vamos a enviarle la pregunta y esperar el resultado. Ahí vemos que tarda un poco, lo cual es
Speaker A
normal porque está procesando toda la respuesta completa. Y como vemos, el modelo me devuelve una explicación bastante larga y esto tiene sentido porque no le puse ningún límite de longitud ni restricciones, así que responde con todo el nivel de detalle
Speaker A
que quiera. Y ya por último voy a hacer una última prueba y preguntarle qué es el machine learning. Y como vemos en este caso, como el modelo obviamente sabe de qué se trata, así que me va a devolver otra respuesta nuevamente
Speaker A
extensa. Y en este caso no me interesa tanto el contenido de la respuesta, sino comprobar que los datos del chat se estén guardando correctamente en la base de datos. Así que bien, una vez hecho esto, voy a ir directamente a Superbase
Speaker A
para revisar la base de datos y en el panel lateral izquierdo hago clic en database y desde ahí puedo acceder al esquema de tablas que se ha generado automáticamente.
Speaker A
Como vemos, ya tengo una nueva tabla creada llamada N8N Chat Stories y esta es básicamente la tabla donde están guardadas las conversaciones de la gente, por lo que si lo abrimos podemos ver su estructura en donde tiene una
Speaker A
columna ID que actúa como una clave primaria, además una columna sesión ID y una columna de mensaje donde se guarda el contenido de cada mensaje. Esto significa que cada fila representa un mensaje dentro de una conversación y que
Speaker A
todos los mensajes de una misma sesión comparten el mismo session ID. Y bien, como podemos ver, el primer mensaje corresponde a lo que yo escribí antes, un hola. Después, el siguiente mensaje lo genera la IA a. Hola, ¿cómo puedo
Speaker A
ayudarte? Luego, asimismo aparece mi siguiente pregunta que es el computer vision y nuevamente la IA responde con una explicación larga sobre visión por computadora. Y finalmente por aquí tenemos mi pregunta sobre machine learning y su respectiva respuesta. Como
Speaker A
vemos, todo esto está ya almacenado dentro de la base de datos pogres, eso sí, fuera de N8N, lo que confirma que la memoria externa está funcionando perfectamente.
Speaker A
Además, si nos fijamos, cada mensaje se guarda en formato Jason, lo que te permite después procesar estos datos con cualquier herramienta externa, ya que, por ejemplo, podrías analizar las conversaciones desde Power B para generar reportes visuales o cualquier
Speaker A
modelo de inteligencia artificial para medir la calidad de las respuestas, detectar palabras clave o incluso identificar si las interacciones fueron positivas o negativas. Todo esto se puede hacer procesando los campos del Jason, ya que ahí se indica quién envió
Speaker A
el mensaje, el usuario o la IA y el contenido exacto de cada interacción. Entonces, en resumen, las conversaciones ya no se guardan dentro del workflow de N8N, sino que directamente en nuestra base de datos externa en Superbase, que
Speaker A
vendría a ser Postgrés. Y esto nos da mucha ventaja, como por ejemplo, mantener los datos aunque reiniciemos o cambiemos de servidor, analizarlos con herramientas externas y tener un control total sobre el historial de conversaciones. En mi caso usé Superbase
Speaker A
porque es muy fácil de desplegar online, pero si prefieres puedes usar un pés local o asimismo pagando uno en línea, ya que luego únicamente solo tenés que configurar correctamente la cadena de conexión y con eso ya tenemos nuestro
Speaker A
agente completamente funcional y conectado a una memoria persistente externa. Algo que también hace que Superbase sea una herramienta muy potente es que no solo nos permite trabajar con una base de datos relacional tradicional como lo es Pogress, sino que también puedes
Speaker A
desplegar una base de datos vectorial directamente dentro de la misma plataforma. Y esto es superinesante porque nos permite tener todo en un mismo entorno, ya que por un lado el almacenamiento clásico de datos en tabla y por otro base vectorial optimizada
Speaker A
para buscar información semántica, ideal para agentes de inteligencia artificial. Entonces, ¿qué podemos hacer con una base vectorial en Superbase? Bien, básicamente podes conectar nuestro agente de IA directamente a esta base de datos para que sea capaz de consultar
Speaker A
información en bebida como texto, documentos o fragmento de contenido que hayamos indexado previamente, ya que, por ejemplo, imaginemos que tenemos políticas de devolución, documentos internos o información de productos. Así que bien, podemos convertir esos textos en bendings y almacenarlos dentro de
Speaker A
esta base vectorial. Luego el agente puede buscarlos por similitud semántica y responder con información precisa y contextualizada.
Speaker A
Ahora bien, desde N8N, cuando trabajamos con un agente podemos ver el listado de base vectoriales disponibles dentro de Superbase. En este caso, el sistema nos muestra un panel como el que tengo en pantalla, un listado vacío, porque todavía no hemos creado ninguna base
Speaker A
vectorial. Así que lo que vamos a hacer ahora es crear una nueva. En este caso el proceso es bastante simple, ya que por aquí vamos a crear una base vectorial directamente desde Superbase, que funcionará en conjunto con nuestra
Speaker A
base relacional de Poggres. La idea es tener dos espacios bien diferenciados. El primero sería pogress relacional, que se va a encargar de guardar el historial de conversaciones con filas y columnas, como ya lo hemos visto antes. Y luego
Speaker A
tendríamos la base vectorial, que en este caso se encargará de almacenar mendings, es decir, representaciones numéricas de los textos o documentos que queremos que la gente pueda consultar.
Speaker A
De esta forma, cuando la gente necesite responder algo, puede buscar dentro de la base vectorial los vectores más similares y luego usar esa información como contexto para generar la respuesta final. Y lo mejor de todo es que podemos
Speaker A
hacer esto sin salir de Superbase, ya que no vamos a necesitar ni servicios externos ni mucho menos configuraciones complicadas, ya que en este caso Superbase combina en un solo entorno una base de datos pogress online, perfecta para guardar el historial de chat y
Speaker A
luego una base vectorial que nos permite integrar modelos de o sistemas de recuperación de información. Así cumplimos con dos objetivos clave en donde en primer lugar era tener una memoria estructurada y persistente para las conversaciones y en segundo lugar
Speaker A
tener un espacio vectorial inteligente para buscar y procesar datos complejos. Entonces, con Superbase tenemos un entorno completo y flexible para trabajar con inteligencia artificial, en donde vamos a poder almacenar el historial de los agentes y al mismo tiempo conectarlos con la base
Speaker A
vectoriales que contienen conocimiento real de la empresa, ya sea documentos o información de productos. Así que bien, por lo tanto, esto nos permite construir agentes mucho más potentes y útiles, capaces de responder basándose en datos propios y no únicamente en lo que ya
Speaker A
sabe el modelo. Ahora bien, en la siguiente parte vamos a ver cómo crear esa base vectorial dentro de Superbase y cómo conectarla directamente con nuestra gente NN8N.
Speaker A
Ahora que ya entendemos para qué sirve una base de dato vectorial en Superbase, lo primero que tenemos que hacer es desplegarla dentro de nuestro proyecto.
Speaker A
Pero no te preocupes, ya que el proceso es muy simple y no requiere instalar nada adicional, solo y únicamente ejecutar un pequeño script SQL desde el propio panel de Superbase. En mi caso, dentro de N8N tengo un bloque de
Speaker A
superbase en el lienzo, que es el que me va a permitir interactuar con la base de datos. Si hago doble clic sobre él, vas a ver que en la parte superior derecha tengo un acceso directo a la documentación. Ahora bien, desde esa
Speaker A
documentación, Superface nos ofrece una guía rápida para desplegar una base de dato vectorial de forma automática. Así que bien, en la guía vas a encontrar varias sentencias SQL que son las encargadas de crear la estructura de nuestra base de datos vectorial.
Speaker A
Básicamente lo que hacemos es copiar todo el script que aparece ahí, ya que este script se va a encargar de crear una tabla llamada documentos, que será donde almacenaremos toda la información vectorizada.
Speaker A
Entonces, una vez copiado el scrape, voy a dirigirme directamente a Superbase y en el menú lateral izquierdo, en lugar de ir al editor de tablas, donde ya tengo la tabla del historial de chat, voy a entrar en el editor de SQL. Aquí
Speaker A
simplemente pego el script que copié antes y hago clic en run para ejecutarlo. Y a partir de aquí, Superbase se encarga de procesar el código y automáticamente crea la nueva tabla dentro de nuestra base de datos.
Speaker A
Ahora bien, una vez finalizado, si vuelvo al editor de tablas, vas a ver que ahora tengo una nueva tabla llamada documentos, además de la tabla del historial del chat, por lo que si la abrimos vas a notar que está vacío por
Speaker A
ahora, pero si vemos ya tiene toda la estructura que necesitamos. Por ejemplo, una ID con clave primaria para identificar cada fila, una columna context que almacenará el texto de los documentos, una columna metadata donde guardaremos información adicional y una
Speaker A
columna vector donde se guardarán los embings, es decir, la representación numérica del texto. El siguiente paso será cargar información dentro de esta base vectorial. Así que bien, en este caso podés hacerlo manualmente con un CSB si ya tenés los vectores generados,
Speaker A
pero lo más interesante es hacerlo de forma automática utilizando un flujo dentro de N8N, ya que básicamente la idea es que podamos tomar un documento, por ejemplo, desde Google Drive, procesarlo y enviar su contenido directamente a esta tabla de Superbase
Speaker A
para que la gente pueda utilizarlo más adelante cuando necesite buscar información o generar respuestas contextuales. En resumen, lo que hicimos fue primero copiar y ejecutar el script SQL desde la documentación de Superbase.
Speaker A
Segundo, crear una tabla llamada documentos que almacena texto, metadatos y vectores. Y finalmente, en tercer lugar, lo que hemos hecho ha sido preparar el entorno para cargar contenido real desde nuestro flujo de trabajo. A partir de aquí, en el
Speaker A
siguiente paso, vamos a ver cómo crear un Wflow NN8N para cargar automáticamente información de documentos como PDFs o archivo de Google Drive directamente dentro de esta base vectorial.
Speaker A
Continuamos trabajando con nuestro agente de inteligencia artificial y en este caso el agente ya puede leer datos desde la base de datos vectorial de Superbase. El único detalle es que todavía está vacía, así que lo que vamos a hacer ahora es diseñar un workflow que
Speaker A
nos permita subir información a esa base de datos, ya que en este caso podríamos hacerlo manualmente. Pero ya que estamos, voy a aprovechar para mostrarte cómo crear un flujo completo dentro de N8N. Y así también aprendemos otros procesos muy útiles que podes aplicar
Speaker A
incluso sin usar inteligencia artificial. Entonces, lo que voy a hacer es crear un nuevo workflow desde cero, en donde este flujo va a encargarse de tomar un documento, leer su contenido y subirlo automáticamente a nuestra base de datos vectorial en Superbase. En mi
Speaker A
caso, tengo un documento dentro de Google Drive en una carpeta llamada recursos humanos que se llama normativa vacaciones. Y si vemos este archivo incluye información como cuántos días de vacaciones le corresponde a los empleados, cómo se solicita la licencia,
Speaker A
qué pasa con la ausencia por enfermedad y en general las políticas internas de una empresa ficticia llamada empresa test. La idea de esto es que la gente luego pueda responder preguntas sobre recursos humanos usando la información que extraiga de este documento. Este
Speaker A
tipo de flujo puede ser muy útil en entornos empresariales, ya que, por ejemplo, se puede implementar dentro de un copiloto corporativo, ya sea usando Microsoft Copilot Studio o herramientas como N8N, que básicamente nos permiten construir agentes personalizados que
Speaker A
respondan preguntas internas basadas en la documentación real de la empresa. Entonces, vamos a ello. En este caso voy a crear un workflow manual, es decir, sin ningún disparador automático. Podría configurarlo para que se ejecute cuando alguien suba un archivo nuevo a la
Speaker A
carpeta de Google Drive, pero por ahora lo voy a ejecutar de forma manual, solo para testearlo. Así que bien, lo primero será buscar una acción de Google Drive para descargar el documento. Selecciono el archivo normativa vacaciones y con
Speaker A
eso ya tengo el primer paso completo. El siguiente paso será subir el documento a la base de datos vectorial de Superbase.
Speaker A
Y esto es importante ya que no lo subiremos a la base relacional tradicional, sino a la base vectorial que es la que almacenan los endings. Así que en N8N selecciono el nodo de Superbase vector Store y elijo la opción
Speaker A
para insertar documentos. Ahora, para conectarme tengo que configurar mis credenciales de superface. Así que bien, para ello voy a crear una nueva conexión y completar los datos necesarios, como por ejemplo en el campo host. Pego la URL del proyecto que copio desde el
Speaker A
panel de Superbase. Luego, así mismo en el campo Servers Roll Secret copio la clave secreta que también se encuentra en la sección API. Ahora sí guardo la conexión con el nombre Superbase conexión, más que nada para reconocerla fácilmente en otros flujos. Y una vez
Speaker A
que ya tenemos la conexión activa, N8N detecta automáticamente las tablas disponibles. Selecciono la tabla documentos, que es donde vamos a insertar la información del archivo. Y antes de subir el contenido, necesitamos preparar el texto para que se convierta
Speaker A
en vector. Para eso vamos a usar dos herramientas clave. La primera es token splitter para dividir el texto en fragmentos manejables, ya que en este caso voy a usar bloque de 200 tokens con un soplamiento de 20 tokens entre ellos,
Speaker A
ya que esto nos va a permitir que las frases no se corten bruscamente y que el contexto se mantenga en tres secciones.
Speaker A
Ahora bien, la segunda herramienta que vamos a estar utilizando son los vendings de Open AI. Así que bien, por aquí lo que voy a hacer es seleccionar el modelo Tex Evending Small, que como siempre les digo, es el más liviano y
Speaker A
funciona perfectamente con Superbase. De esta forma cada fragmento de texto del documento se transforma en un vector que después el agente podrá interpretar y usar en sus respuestas. Una vez que todo esté configurado, ya puedo ejecutar el flujo manualmente, en donde, por
Speaker A
ejemplo, el proceso debería descargar el documento de Google Drive, dividir el texto en tokens, generar los vendings con Openi y, finalmente insertar los datos procesados en la tabla documentos de Superbase. Así que bien, teóricamente si todo sale bien, la tabla que antes
Speaker A
estaba vacía, ahora debería contener los vectores generados a partir del texto del archivo. Con esto ya tenemos nuestro primer documento cargado en la base vectorial y a partir de ahora el agente podrá acceder a esa información y responder preguntas sobre la política de
Speaker A
vacaciones o cualquier otro tema que hayamos documentado. Lo mejor de todo es que este flujo se pueda automatizar completamente, ya que en este caso, por ejemplo, puedes hacerlo que se ejecute cada vez que alguien suba un archivo nuevo a Drive o incluso conectarlo a
Speaker A
otras herramientas de almacenamiento en la nube. Así que bien, en el siguiente paso vamos a probar a la gente en acción para confirmar que puede consultar los datos que acabamos de insertar y responder basándose en esta información.
Speaker A
Antes de ejecutar el flujo que acabamos de diseñar, voy a cambiarle el nombre para tenerlo bien identificado. Así que en la parte superior le pongo Superbase, subida de datos. Perfecto, guardo los cambios y ya con eso estamos listos para
Speaker A
probarlo. Ahora sí vamos a hacer clic en test workflow para ejecutar el flujo y comprobar que todo funcione correctamente. Como vemos, el proceso comienza descargando el documento desde Google Drive, lo divide en fragmentos, genera los bendings y lo sube
Speaker A
directamente a la base de datos vectorial en Superbase. En principio todo ha ido bien, ya que no se han mostrado errores, así que vamos a verificar los resultados directamente desde Superbase. Así que por lo tanto, abrimos Superbase, refresco la vista y
Speaker A
automáticamente ya puedo ver la nueva información cargada, ya que si recuerdas antes solo teníamos la tabla con el historial de conversaciones, pero ahora aparece la tabla documentos, que es la base vectorial donde se ha almacenado todo el contenido del archivo. Dentro de
Speaker A
la tabla podemos ver varias columnas interesantes, como por ejemplo en este caso el campo ID, que vendría a ser la clave primaria que identifica de forma única cada registro que vayamos cargando. Luego tenemos el texto que contiene los fragmentos del documento
Speaker A
que se extrajeron en bloque de 200 tokens, exactamente como configuramos en el token splitter. Así que bien, como vemos, cada una de estas filas representa un bloque de texto con su lapamiento, ya que, por ejemplo, si un token son de tres a cuatro caracteres,
Speaker A
cada bloque agrupa unos 200 tokens más los 20 del overlap que configuramos. En este caso, el solapamiento o el overlap nos permite que los fragmentos mantengan algo de contexto entre sí. Y esto mismo podemos ver cómo se aplica directamente
Speaker A
en la tabla, ya que como vemos el primer bloque va desde la línea 1 a la 13.
Speaker A
Luego el segundo bloque, en lugar de empezar en el 14, comienza la línea 11 y llega hasta la 23. Y si nos fijamos, el 100 hace lo mismo de la 21 a la 41 y así sucesivamente, ya que de esta manera es como se
Speaker A
garantiza que las frases no se corten abruptamente y que el modelo pueda mantener coherencia al buscar dentro del espacio vectorial. Y si nos fijamos, además del texto, tenemos la columna de metadatos, que en este caso incluye información adicional sobre las líneas
Speaker A
extraídas del documento. Y por último, tenemos la columna de vectores y esta es la parte clave, ya que ahí se almacenan los endings generados por Open es decir, la representación numérica del texto que permite hacer búsquedas semánticas.
Speaker A
Gracias a estos vectores, el agente será capaz de encontrar información relacionada con una pregunta de forma mucho más precisa que una simple búsqueda por palabras. En resumen, el flujo se ejecutó correctamente, los datos del documento se dividieron, procesaron y subieron a Superbase y
Speaker A
además la tabla documentos ahora contiene tanto el texto como los vectores correspondientes. Así que bien, hasta este punto ya tenemos la información cargada y lista para ser consultada desde nuestra agente. El siguiente paso será regresar a nuestro agente DN8N y configurarlo para que
Speaker A
recupere la información desde esta base vectorial. De esta forma, cuando un usuario le haga una pregunta, el agente podrá buscar primero en los vectores almacenados encontrar el fragmento más relevante del documento y luego generar una respuesta más precisa y
Speaker A
contextualizada. Ahora sí llegó el momento de agregar la conexión de nuestro agente con Superbase. En este caso voy a seleccionar la conexión correcta, que es la misma base de datos donde almacenamos los vectores hace unos momentos. Ahora bien, una vez seleccionada la conexión,
Speaker A
automáticamente se despliega la lista de tablas disponible dentro de Superbase. Y como podemos ver aparece la que nos interesa, la tabla documentos, donde básicamente están almacenados todos los endings que generamos. Así que bien, perfecto, ya la tenemos seleccionada.
Speaker A
Ahora bien, vamos a agregar la conexión con Open AI para que la gente pueda interpretar y comparar los vectores. En este caso voy a elegir el modelo de Vendings Xmall, ya que como le había comentado antes, es liviano, rápido y
Speaker A
más que suficiente para búsquedas semánticas en documentos. Después, dentro del modelo principal del agente voy a configurar GPT4 Mini, que será el encargado de generar la respuesta basadas en la información encontrada.
Speaker A
Ahora sí, con esto ya tenemos el entorno completo del agente preparado, ya que en este caso tenemos una base de datos pogres en Superbase que almacena el historial de conversaciones y a su vez también tenemos una base de dato
Speaker A
vectorial también en Superbase que guarda toda la información de los documentos para las consultas contextuales.
Speaker A
Así que en resumen, nuestro agente está trabajando con dos fuentes de datos dentro de Superbase, en donde el primero vendría a ser el historial de conversaciones almacenado en pogres, en donde básicamente esto nos sirve como memoria de la gente para recordar
Speaker A
interacciones anteriores. Y por otro lado tenemos una base de datos vectorial que le habíamos llamado documentos donde se guardan los vending de texto que usamos para las búsquedas semánticas. De esta forma el agente puede recordar lo que hablamos. y al mismo tiempo
Speaker A
consultar información precisa desde los documentos cargados. Ahora que ya tenemos las conexiones establecidas, vamos a configurar el comportamiento de la gente. Así que bien, en la sección de configuración podemos definir una instrucción inicial o contexto simple, ya sea por ejemplo, en este caso, le
Speaker A
podemos decir, tu tarea es responder preguntas relacionadas con la normativa de vacaciones. Y en ese caso, esto nos servirá para comprobar que la gente no solo entiende el contexto general, sino que además utiliza los datos almacenados en Superbase para responder con
Speaker A
información real documento. Y ahora bien, ya con todo esto listo, podemos pasar a probar la interacción de la gente, en donde vamos a hacerle algunas preguntas y observar cómo responde utilizando los datos de la base vectorial. Además, veremos en tiempo
Speaker A
real cómo se van guardando las conversaciones en la tabla del historial y cómo los endings de los documentos sirven para ofrecer respuestas precisas y contextualizadas.
Speaker A
Antes de poder probar cómo responde nuestro agente, primero vamos a configurar el bloque que nos permite contestar directamente aquí. Así que bien, voy a nombrarlo vacaciones, que es el nombre que vamos a usar en las instrucciones del propio agente. Luego,
Speaker A
más abajo, voy a escribir lo siguiente. Esta herramienta dará información sobre las vacaciones de los empleados dentro de la empresa. Ahora bien, con esto el bloque ya está identificado y el data que voy a poner será vacaciones, ya que
Speaker A
esto nos va a permitir que todo quede correctamente vinculado. Ahora, en cuanto al bloque que busca los datos en la base de datos vectorial, lo que falta es agregar instrucciones específicas para que la gente no responda automáticamente, sino siguiendo
Speaker A
unas reglas concretas. Entonces, para esto voy a copiar las instrucciones y las vamos a comentar en el rol, en donde básicamente por aquí les indicamos que es un asistente capaz de contestar preguntas del usuario basándose únicamente en información de la
Speaker A
herramienta vacaciones. Y además, ya que estamos por aquí, les decimos que su función principal es responder al mensaje que recibe de jason.lat input usando la información de las herramientas vacaciones con respuestas claras, concisas. y de menos de 200
Speaker A
caracteres, ya que con esto el agente solo leerá datos de nuestra base de datos en Superbase y responderá correctamente. Ahora bien, guardamos todo esto y vamos a testearlo.
Speaker A
desplegamos el chat y vamos a escribir algo como por ejemplo un hola, ya que como vemos en este momento que la gente está usando el historial de conversaciones que también se almacenan en Superbase, por lo que si miro el
Speaker A
session ID puedo ver que es diferente al anterior, lo que nos indica que es una sesión nueva. Y esto es importante para poder analizar luego cada interacción de manera individual. Ahora bien, vamos a continuar con una pregunta más concreta,
Speaker A
como por ejemplo, ¿cuántos días de vacaciones tengo? Y en este caso, como estamos viendo, el agente accede al documento donde tenemos un periodo de vacaciones de 30 días. Y es por ello que en principio debería dar la respuesta
Speaker A
basada en la base de datos, que en este caso sería, tienes derecho a 30 días naturales de vacaciones al año proporcional al tiempo de trabajo. Y bien, como vemos, efectivamente esa es la respuesta que nos devuelve. Asimismo, podemos ir probando otras situaciones,
Speaker A
como por ejemplo, si le preguntamos y si me pongo enfermo y de nueva cuenta, como vemos el agente revisa de nueva cuenta la normativa sobre ausencia por enfermedad y responde que si te enfermás puedes quedarte en casa, notificar a tu
Speaker A
superior y presentar un certificado médico si la ausencia es mayor de 3 días. Y obviamente todo esto queda registrado en el historial de la sesión correspondiente.
Speaker A
Eso sí, es importante destacar que la base de datos vectorial no cambia durante estas consultas, ya que recuerda que los documentos se suben una sola vez con 200 tokens y un overlap de 20 y se puede actualizar manualmente o
Speaker A
automáticamente cuando se suben nuevos archivos. Así que bien, con esto podemos ver cómo funciona nuestro agente usando Superbase, ya que como hemos visto antes, la base de datos vectorial sirve para almacenar la información de documentos y por otro lado, la base de
Speaker A
datos relacional, la de Poggres en este caso, guarda el historial de conversaciones en session ID. De esta forma el flujo queda completo.
Speaker A
Documentos vectorización agente respuestas, historial en la base de datos, relacional y listo. Así tenemos nuestro agente de vacaciones funcionando y listo para responder consultas de los empleados.
Speaker A
Algo importante que vale la pena mencionar es el tema de la memoria en los agentes, ya que como hemos visto es una función superútil porque te permite analizar todo el comportamiento que tiene la gente con el usuario, guardar
Speaker A
el historial de conversaciones y entender cómo evoluciona cada sesión. Pero también hay que tener claro que no siempre es necesario trabajar con agentes, ya que en algunos casos simplemente podés hacer llamadas directas a un modelo de inteligencia artificial como lo de Open sin tener que
Speaker A
almacenar nada en una tabla. Al final todo lo que se guarda ocupa espacio en la base de datos y si no vas a analizarlo después no tiene mucho sentido mantener memoria activa. Por eso en N8N tenés varias opciones en donde
Speaker A
podés usar una memoria temporal, lo que se llama Windows Buffer Memory, que guarda únicamente los datos dentro del mismo Wflow, solo mientras se ejecuta. O asimismo, también puedes almacenar la memoria en una base externa como lo es Superbase si querés tener un registro
Speaker A
persistente o en cambio directamente no usar memoria ni agentes y trabajar con bloques de inteligencia artificial más simples, ya que en este caso los agentes están buenos cuando necesitas algo más complejo, porque como hemos visto puedes darle herramientas ya sea que envíe un
Speaker A
correo, te conecte con Notion, a Air Table, a SAP, o hagan acciones automatizadas con lenguaje natural. Pero si lo único que necesitas es responder preguntas sobre información de un documento, quizás no hace falta tener un agente completo, ya
Speaker A
que de hecho, si prestamos atención en este ejemplo, mi agente responde únicamente sobre las normativas de vacaciones. Así que en este caso podría ser exactamente lo mismo, sin necesidad de usar memoria ni herramientas. Así que voy a mostrar cómo hacerlo. Entonces,
Speaker A
para hacer esto, primero que nada, voy a agregar otro trigger de chat dentro del mismo Warflow, pero esta vez no voy a usar un agente, sino un bloque de inteligencia artificial que simplemente responde. Además, en este bloque no voy
Speaker A
a agregar instrucciones ni memoria porque no la necesitan. Así que únicamente lo que voy a hacer es conectar las credenciales que ya tengo configuradas en Open AI, seleccionar una base de datos vectorial y marcar mi conexión a Superbase. Ahora bien, una
Speaker A
vez hecho esto, selecciono la tabla documentos, que es donde está almacenada toda la información de la política de vacaciones, y marco también el emending de Open AI que ya tengo creado.
Speaker A
Entonces, si recapitulamos, lo que hace este flujo es responder al usuario usando los datos que están en la base de datos vectorial de Superbase sin pasar por un agente. La diferencia principal con respecto a la gente es que, por
Speaker A
ejemplo, que la gente puede tener memoria para guardar el historial y además puede tener herramientas para ejecutar acciones externas, mientras que este bloque que estamos usando ahora solo responde preguntas de forma más simple y directa. Así que bien, lo que
Speaker A
vamos a hacer ahora es probarlo para que vean cómo funciona. Así que bien, ejecuto el bloque y escribo, por ejemplo, cuántos días de vacaciones tengo y veremos que el modelo responde correctamente, ya que nos dice, tienes derecho a 30 días naturales de
Speaker A
vacaciones al año. Y si revisamos la base de datos, veremos que no hay ningún registro nuevo en el historial de conversaciones, porque este flujo no está usando memoria. Entonces, en resumen, si querés analizar el comportamiento del usuario, usar memoria
Speaker A
tiene sentido. Asimismo, también si querés automatizar acciones, los agentes con herramientas son la mejor opción.
Speaker A
Pero en cambio, si solo querés responder preguntas sobre documentos o base de datos vectoriales, podes hacerlo perfectamente con un bloque de a simple, sin necesidad de un agente. Y con eso terminamos este ejemplo. Así podés entender cuándo conviene usar agentes
Speaker A
completos con memoria y cuándo alcanza con un modelo más liviano y directo. Vamos a hablar ahora de las distintas posibilidades que tenemos para desplegar nuestro agente de inteligencia artificial en N8N. Y es que realmente hay muchas opciones. Si bien lo ideal
Speaker A
cuando estamos aprendiendo a usar la herramienta es trabajar directamente dentro del propio chat de N8N usando el trigger del chat para probar y testear nuestro agente, que básicamente es lo que estábamos haciendo. Lo cierto es que en un entorno real normalmente vas a
Speaker A
querer llevar esa gente a producción. ¿Y qué significa eso? Significa que vas a querer publicar tu agente en algún canal externo, por ejemplo, Telegram, WhatsApp, Twilo, Slack o cualquier otra plataforma que uses para comunicarte con usuarios o clientes. Y lo bueno es que
Speaker A
en N8N hacer esto es muy sencillo, ya que simplemente basta con agregar el conector correspondiente a tu Workflow y listo. que, por ejemplo, en este caso, yo podría irme a Tuilo y configurar que cada vez que reciba una llamada o un SMS
Speaker A
se inicialice el workflow donde tengo mi agente o mis bloques de inteligencia artificial. Asimismo, también tenemos la opción de trabajar con WhatsApp Business, ya que cada vez que llegue un mensaje podemos hacer que nuestro workflow realice una determinada acción.
Speaker A
Con Slack ocurre algo muy parecido, ya que podemos decirle que cuando llegue un mensaje a un canal específico, nuestra gente lo procese y responda automáticamente.
Speaker A
Y lo mismo con Telegram, entre muchas otras integraciones posibles. Así que lo que vamos a hacer a continuación es un ejemplo práctico para que veas cómo configurar uno de estos canales y en este caso vamos a hacerlo con Telegram.
Speaker A
Y ya que estamos, también te voy a contar porque ahora mismo estoy trabajando con la versión online de N8N, ya que este ejercicio lo vamos a hacer directamente en la nube. De hecho, como le había comentado antes, podés
Speaker A
desplegar una prueba gratuita de N8N online muy fácilmente, ya que simplemente haces clic en get started, creas tu cuenta, pones el nombre de tu organización, en mi caso tengo la mía configurada y listo, tu entorno quedará alojado en una dirección del tipo tu
Speaker A
nombre punn n8ncloud y a partir de ahí vas a tener una prueba gratuita de 14 días con un límite de 1000 ejecuciones. En mi caso, por ejemplo, ya tengo algunos WFlow ejecutados, pero todavía me queda más que suficiente para probar. Entonces,
Speaker A
¿por qué hacerlo online y no en local? Bueno, si te fijas, cuando agrego, por ejemplo, el trigger de Telegram, lo que N8N hace es generar un hhook, es decir, una URL a la que van a llegar los mensajes que los usuarios escriban en el
Speaker A
bot de Telegram. Entonces, cada vez que llegue un mensaje, ese workflow se ejecuta y además dentro de la configuración vas a ver que hay una URL de prueba y una URL de producción. Esto básicamente ya lo hemos visto en los
Speaker A
primeros videos, pero recuerda que todas ellas están alojadas dentro del entorno de cloud en N8N, justamente bajo la dirección que mencionamos antes, como por ejemplo tu nombre.8N.Cloud cloud o la que corresponda a tu cuenta.
Speaker A
Entonces, a todo esto, ¿por qué no lo hago en local? Porque si trabajas en tu máquina local, esa URL suele ser algo como, por ejemplo, local cost 2.5678 o similar y eso no es accesible desde internet. Por lo tanto, en este caso,
Speaker A
Telegram no podría enviar los mensajes al webhook, ya que básicamente si quieres que esto funcione, tendrías que configurar un túnel o abrir puertos en tu firewall. Y sinceramente, para no complicar todo este proceso, es mucho más simple hacerlo directamente en la
Speaker A
versión de cloud de N8N, ya que aquí no tendrías que preocuparte por la infraestructura ni por la exposición de tu equipo y mucho menos por configuraciones de red, ya que básicamente todo funciona igual que en otras herramientas de automatización en
Speaker A
la nube, ya sea como Make, Sapier o Power Automate. Así que en resumen vamos a trabajar directamente en el entorno online de N8N aprovechando la prueba gratuita y desde ahí vas a poder construir tu agente, conectarlo con Telegram y después si querés llevarlo a
Speaker A
producción en cualquier otro canal, ya sea como WhatsApp, Twilo o Slack. Así que bien, vamos a comenzar con Telegram para ver paso a paso cómo hacerlo.
Speaker A
Vamos a empezar ahora a diseñar nuestro agente, ya que en este caso va a ser un agente sencillo porque lo que me interesa es que entiendas cómo conectar tu agente con Telegram o con cualquier otro canal de distribución si así lo
Speaker A
preferís. Así que dentro de este workflow voy a escribir directamente Telegram porque esa es la plataforma que vamos a usar ahora. Aunque por supuesto también podrías hacerlo con WhatsApp, solo que ahí tendrías que registrarte en Facebook Business, configurar tu cuenta
Speaker A
y seguir sus pasos. En Slack, por ejemplo, pasa algo parecido, ya que tenés que crear tu aplicación y conectar las credenciales. Así que, como vemos, cada plataforma tiene lo suyo.
Speaker A
Obviamente no puedo mostrarte los pasos para todas el proceso sería eterno, pero lo bueno es que N8N tiene documentación oficial para cada una de ellas, así que si después queres hacerlo con otra, no vas a tener problema. Entonces, una vez
Speaker A
estando aquí dentro de N8N, voy a seleccionar Telegram Trigger y elijo la opción cuando lleggaue un mensaje. Y si te fijas, justo acá ya tengo la documentación oficial de N8N para configurar este trigger y las credenciales necesarias. Así que bien,
Speaker A
vamos a hacerlo paso a paso. Primero voy a crear una nueva credencial de Telegram y acá arriba, si nos fijamos, vas a ver que N8N te muestra documentación con los pasos que debemos seguir, ya que en este caso, como vemos, vamos a necesitar el
Speaker A
token y la URL del bot. Pero no te preocupes porque justo aquí arriba tenés el enlace a bot father, que es la herramienta oficial de Telegram para crear bot. Así que bien, en este caso voy a abrir Botfather en una nueva
Speaker A
pestaña y en este caso, por ejemplo, puedes abrirlo desde la web o directamente desde la app de Telegram.
Speaker A
Asimismo, si es la primera vez que entras, te va a aparecer un código QR, igual que pasa cuando usas WhatsApp en el navegador. Así que simplemente escaneas ese código con tu celular para vincular tu cuenta y listo. En mi caso,
Speaker A
yo ya tengo Telegram vinculado, así que lo voy a abrir directamente. Ahora bien, una vez que entramos a bot, vas a ver todas las opciones disponibles para crear o editar bot. Así que desde aquí vas a poder crear uno nuevo,
Speaker A
cambiarle el nombre, eliminarlo o generar un nuevo token. Entonces, lo primero que vamos a hacer es crear un nuevo bot y para eso escribimos el comando new bot y veremos que boter en este caso nos va a pedir un nombre. Así
Speaker A
que por ejemplo, en este caso le voy a colocar de nombre a este bot.
Speaker A
Simplemente bot es Telegram 01 y unos números más. Y ahora bien, si lo enviamos, perfecto, ya lo tenemos. Ahora bien, en este caso nos pide el nombre de usuario del bot, que tiene que terminar con un guion bajo bote.
Speaker A
Así que en este caso voy a colocarle el mismo nombre que le dimos arriba, solo que le agregaré gu bbot. Y listo. Como vemos, el bot se crea automáticamente y botad nos devuelve un token de acceso, que es lo que vamos a usar para
Speaker A
conectarlo con N8N. Eso sí, te recomiendo copiar ese token y guardarlo porque lo vamos a necesitar enseguida.
Speaker A
Además, si vemos por aquí, veremos que Botf nos da un enlace directo para ver tu bot en Telegram, algo así como esto lo que estamos viendo ahora mismo. Así que directamente podés hacer clic ahí y te va a abrir el chat del bot. Y ahora
Speaker A
bien, una vez que tengo por aquí, si le das en start, ya podes empezar a enviarle mensajes. Por ahora, claro, no te va a responder porque todavía no tiene nada configurado detrás. Entonces, ahora sí volvemos a N8N y lo que vamos a
Speaker A
hacer es pegar el token que nos dio Botfather en el campo correspondiente de las credenciales y en este caso la URL la dejamos tal cual viene por defecto.
Speaker A
Así que bien, guardamos los cambios y después hacemos clic en test para verificar la conexión. Y en este caso, si todo está bien configurado, N8N te va a mostrar que la conexión fue exitosa.
Speaker A
Ahora sí, el agente ya está escuchando los mensajes. Así que si voy de nuevo a Telegram y escribo, por ejemplo, "Hola," mensaje debería aparecer reflejado dentro de N8N, mostrando que el bot lo ha recibido correctamente. Y aquí lo
Speaker A
tenemos. Perfecto. Esto significa que ya tenemos un bot completamente funcional en Telegram conectado a nuestro Wflow NN8N.
Speaker A
Ahora bien, los mensajes que los usuarios envíen al bot envían automáticamente al workflow de N8N y a partir de ahí podemos procesarlos, analizarlos o responder usando cualquier bloque de IA que tengamos configurado.
Speaker A
Así que bien, básicamente con solo crear el bot en bot y pegar el token NN8N, la plataforma ya se encarga de todo lo demás, ya que como hemos visto, automáticamente sabe que los mensajes entrantes de este bot deben enviarse al
Speaker A
endpint del workflow que definimos y eso nos permite empezar a construir lógica personalizada dentro del flujo. Así que bien, ya con esto tenemos nuestra base lista para conectar Telegram con N8N. y empezar a trabajar con el agente directamente desde nuestro chat. Así que
Speaker A
en el próximo capítulo vamos a ver cómo hacerlo. Ahora que ya logramos recibir mensajes desde Telegram N8N, vamos a dar un paso más, ya que en este caso vamos a hacer que nuestro bot no solo reciba mensajes, sino que también responda
Speaker A
automáticamente. Y para eso vamos a configurar una acción dentro de Wflow que envíe un mensaje de vuelta. al usuario. Bien, en este caso seguimos dentro de N8N y como vemos ya tenemos nuestro trigger de Telegram que detecta cuando alguien envía un mensaje.
Speaker A
Así que bien, una vez que tenemos esto, ahora sí lo que haremos será agregar un nuevo nodo, que en este caso vendría a ser una acción que nos permita responder al chat. Así que en el buscador escribimos Telegram y entre las opciones
Speaker A
que aparecen seleccionamos la de enviar mensaje y veremos que cuando entramos en esta acción vas a notar que los campos más importantes son dos, el chat ID y el texto del mensaje que vamos a enviar. Y en este caso la opción ya está
Speaker A
seleccionada como enviar mensaje, así que no hay que cambiar nada más. Pero en cambio en el chat ID lo que necesitamos es vincularlo con el ID del chat que recibimos desde el trigger anterior. Así que lo arrastramos directamente desde el
Speaker A
output del nodo anterior hacia este campo. Y listo, ya queda conectado. Ahora en el campo de texto vamos a escribir algo básico, como por ejemplo mensaje recibido. Esto va a ser una respuesta estática, o sea, siempre dirá lo mismo cada vez que alguien escriba el
Speaker A
bot. Pero no te preocupes, ya que más adelante, cuando integremos la inteligencia artificial, haremos que responda de forma dinámica, pero por ahora queremos comprobar que la comunicación está funcionando. Así que bien, guardamos los cambios y hacemos clic en test. Ahora sí, voy a abrir mi
Speaker A
Telegram y le voy a escribir al bot, algo así, como, por ejemplo, hola bot. Y perfecto, como vemos, enseguida recibo la respuesta. Mensaje recibido. Así que ya de este modo comprobamos que el flujo funciona correctamente, ya que en este
Speaker A
caso el mensaje viaja desde Telegram hacia N8N y desde N8N de vuelta hacia Telegram. Eso sí, tal vez notaste que el mensaje incluye una pequeña línea al final, un tipo de firma o banner con la leyenda mensaje enviado automáticamente
Speaker A
desde N8N. Eso aparece básicamente por defecto, pero como le había mencionado antes, esto mismo lo podemos quitar. Y para hacerlo nos vamos dentro del nodo y buscamos la opción agregar atributos de N8N y simplemente la desactivamos. Ahora sí, guardamos cambios y volvemos a
Speaker A
probarlo. Y listo. Como vemos, ahora el mensaje me llega limpio sin ese pie de texto adicional. Así que bien, con esto ya tenemos la base lista, ya que podemos recibir mensajes desde Telegram en N8N y asimismo también podemos enviar mensaje
Speaker A
de respuesta desde N8N a Telegram. En el siguiente paso vamos a ir un poco más allá, ya que lo que vamos a hacer es conectar nuestro agente de inteligencia artificial para que el bot pueda responder de forma natural, no con un
Speaker A
texto fijo, sino con unas respuestas generadas dinámicamente. En esta sesión vamos a dar el paso final, en donde vamos a integrar un agente de inteligencia artificial dentro de nuestro workflow n8. Esta gente va a ser muy simple. Casi un clon de CHGBT
Speaker A
tiene herramientas externas ni funciones avanzadas. De nuevo, la idea no es crear un sistema complejo, sino que entiendas cómo conectar un modelo de IA con Telegram para que tu bot pueda conversar de forma automática. Así que bien, volvemos a nuestro workflow y si
Speaker A
recuerdan, hasta ahora tenemos un flujo que recibe mensajes desde Telegram y devuelve una respuesta fija, pero ahora lo que queremos hacer es reemplazar esa respuesta estática por una respuesta generada por un modelo de ella.
Speaker A
Entonces, lo primero que voy a hacer es eliminar la conexión entre los dos bloques que teníamos hasta ahora, que vendría a ser el trigger de Telegram y la acción de enviar mensaje. Y en el medio vamos a agregar un nuevo nodo que
Speaker A
vendría a ser nuestra gente de I. Y perfecto, ya lo tenemos. Ahora bien, voy a conectarlo de forma que el trigger de Telegram envíe los datos a la gente y que la salida de la gente se conecte con
Speaker A
el bloque que manda el mensaje de vuelta. Así que bien, una vez que tenemos esto en claro, empecemos agregando una memoria sencilla. Así que en este caso selecciono memory y uso la opción más simple que ofrece N8N. Y en
Speaker A
este caso, si te aparece un error diciendo algo como Jason Session ID Not Phone, no te preocupes, ya que eso sucede porque este tipo de memoria está pensada para el chat interno de N8N que usa su propio ID de sesión, pero en
Speaker A
Telegram eso cambia, ya que lo que necesitamos es el chat ID. Entonces, para esto lo que hacemos es copiar la variable que usamos en el bloque anterior, la misma que contiene el chat ID del usuario en Telegram, y la pego
Speaker A
aquí en la configuración de la memoria. Con eso ya tenemos identificado correctamente el usuario dentro de este flujo. Ahora sí, vamos a agregar el modelo de IA. En mi caso voy a usar Open AI GPT4 Mini, ya que tengo las
Speaker A
credenciales configuradas, así que lo selecciono directamente. Una vez hecho esto, vamos con la parte más importante, definir las instrucciones de la gente.
Speaker A
En este caso, no me voy a complicar con roles, herramientas ni nada de eso, ya que simplemente quiero que la gente entienda una sola cosa. Su función principal es responder al mensaje del usuario. Así que en el campo de
Speaker A
definición escribo algo como tu función principal es responder a este mensaje. Y ahora tengo que decirle cuál es el mensaje que debe responder. Como sabemos ese mensaje viene desde Telegram, así que arrastro la variable correspondiente, que en este caso es
Speaker A
json. texto directamente hasta este campo. Y en esta ocasión para evitar consumir demasiados tokens durante las pruebas, le aclaro que responda en menos de 200 caracteres. Ahora bien, ya con eso tenemos nuestro agente configurado y listo para funcionar. Así que bien,
Speaker A
vamos a hacerle una prueba rápida. En este caso le voy a enviar un mensaje al bot en Telegram, por ejemplo, "Hola." Y la respuesta que obtengo desde N8N es algo como, "Hola, ¿cómo estás? Espero que tengas un buen día. Perfecto. Eso
Speaker A
significa que la gente está funcionando correctamente y está generando su propia respuesta con el modelo de IA. Ahora lo único que falta es hacer que esa respuesta generada se envíe realmente a Telegram. Para eso volvemos al nodo que
Speaker A
envía el mensaje y en lugar de usar el texto estático, mensaje recibido, vamos a reemplazar por el output de la gente de IA. Ya que estamos, también vamos a actualizar el Chat ID, por lo que seleccionando la opción Expression y
Speaker A
arrastrando de nuevo el identificador que viene del trigger de Telegram. Hecho esto, el mensaje que el modelo genera, por ejemplo, "Hola, ¿cómo estás? Estoy aquí para ayudarte, será el mismo que el usuario reciba en su chat de Telegram.
Speaker A
Ahora bien, guardamos todo el workflow, lo ejecutamos completo y ya tenemos un bot inteligencia artificial, el cual recibe mensajes desde Telegram, los procesa con un modelo de IA y responde automáticamente al usuario. Así que bien, con esto terminamos la integración
Speaker A
básica. En la próxima sesión podemos empezar a mejorar la lógica de la gente para hacerlo más conversacional, más inteligente o incluso capaz de acceder a herramientas externas.
Speaker A
En esta clase vamos a realizar todas las pruebas de la gente de inteligencia artificial que acabamos de crear y conectar con Telegram. Así que en este último capítulo vamos a comprobar qué funciona correctamente, cómo responde y también entender qué pasa cuando el
Speaker A
workflow está activo. Así que bien, por aquí tengo abierto mi workflow n8n y en este caso, si quiero comprobar que todo el flujo esté funcionando, lo primero que hago es hacer clic en test workflow, ya que como vimos cuando el workflow
Speaker A
está en modo testo. Eso significa que está esperando a recibir un mensaje desde Telegram para poder procesarlo y veremos que inmediatamente N8N detecta el mensaje y lo envía a la gente de ella y este me responde algo como, "Buenos días, espero
Speaker A
que tengas un día maravilloso." Perfecto. Como estamos viendo, el mensaje llega desde Telegram a N8N, pasa por el agente de inteligencia artificial y vuelve al chat de Telegram con la respuesta generada. Ahora fíjate qué pasa si sigo escribiendo sin volver a
Speaker A
activar el test, ya que por ejemplo si le pregunto quién es Michael Jordan y veremos que no nos responde nada, ¿por qué sucede esto? Bien, en este caso porque el web que recibe los mensajes ya no está escuchando, ya que si recuerda
Speaker A
que durante las pruebas el modo test workflow solo funciona de forma temporal. Esto quiere decir que una vez que termina la ejecución N8N deja de escuchar nuevos mensajes. Entonces, si queremos que nuestro bot responda en cualquier momento, tenemos que activar
Speaker A
el Wflow. Así que bien, vamos a hacerlo. Hago clic en el botón de activación que aparece arriba a la derecha. Confirmo con okay y listo. Ahora el workflow queda activo permanentemente. Esto significa que N8N va a escuchar de
Speaker A
manera continua todos los mensajes que lleguen desde Telegram. Ahora volvemos a Telegram y probemos esto de nuevo, por lo que escribo algo de nueva cuenta como que son los agentes de Iam. Y ahora sí, como estamos viendo, el bot me responde
Speaker A
automáticamente. Pruebo otra vez con otra cosa. Por ejemplo, ¿qué opinas de la IA generativa? Y bien, también me da una respuesta coherente generada por el modelo, por lo tanto, esto confirma que el webhook está activo y escuchando correctamente. Básicamente lo que está
Speaker A
pasando detrás de escena es lo siguiente. El trigger de Telegram actúa como un webhook, igual que otras plataformas de automatización como Sapier Make o Power Automate, en donde en este caso ese webbook recibe datos en un endpo público. el texto que envía el
Speaker A
usuario desde Telegram y lo pasa al siguiente bloque, nuestro agente de inteligencia artificial. Luego el agente procesa ese texto con el modelo GPT4 Mini y devuelve la respuesta. Algo importante a tener en cuenta es que para tener un bot que responda constantemente
Speaker A
es fundamental mantener activo el trigger de Telegram dentro del workflow, ya que en este caso si lo desactivamos el web deja de escuchar y por lo tanto el voz simplemente deja de responder.
Speaker A
Por ejemplo, si ahora desactivo el workflow y le escribo hola o qué tal estás, veremos que no va a responder absolutamente nada. Así que recuerda que activar o desactivar el workflow es como encender o apagar tu bot. Así que bien,
Speaker A
lo que acabamos de construir es un agente básico, un mini GBT conectado directamente a Telegram usando N8N. Por ahora solo usa el modelo GPT4 Mini, así que puede responder con conocimiento general, pero no tiene acceso a herramientas externas ni memoria
Speaker A
avanzada. Y eso está perfecto para este punto del curso, porque lo importante era entender cómo integrar un agente de IA con un canal de mensajería real, ya sea como Telegram, WhatsApp, Twilo o Slack, ya que luego la estructura es
Speaker A
exactamente la misma, solo que cambia el punto de entrega y salida del mensaje, pero todo lo demás, el agente, la memoria, el modelo y las instrucciones funciona igual. Así que con esto ya tenés un bot funcional con inteligencia
Speaker A
artificial completamente operativo en Telegram.
Topics:
N8N
automatización
agentes de IA
no code
workflows
Supabase
Telegram
RAG
bases vectoriales
despliegue local