Nodos de IA: Integración con modelos de lenguaje

Los nodos de IA en n8n permiten integrar modelos de lenguaje para enriquecer workflows con capacidades de procesamiento de lenguaje natural. Esta lección cubre cómo utilizar nodos como OpenAI para resumen, generación y análisis de texto, ampliando la funcionalidad de automatización.

Fundamentos de la integración con modelos de lenguaje

Los modelos de lenguaje grandes (LLM) ofrecen capacidades de procesamiento de texto que van desde la generación y resumen hasta la clasificación y extracción de entidades. n8n facilita la interacción con estos modelos a través de nodos dedicados. Estos nodos actúan como clientes HTTP preconfigurados que envían solicitudes a las APIs de los proveedores de LLM, como OpenAI, Google Gemini o Anthropic Claude.

La integración de LLM en un workflow permite automatizar tareas que tradicionalmente requerirían intervención humana o lógica de programación compleja. Por ejemplo, se puede resumir automáticamente el contenido de un correo electrónico, generar respuestas personalizadas basadas en datos de un CRM o clasificar comentarios de usuarios según su sentimiento.

Configuración del nodo OpenAI

El nodo OpenAI es uno de los más utilizados para interactuar con los modelos de lenguaje de OpenAI. Para configurarlo, se requiere una clave de API válida, la cual se obtiene desde la plataforma de desarrolladores de OpenAI. Esta clave debe almacenarse de forma segura en las credenciales de n8n.

1. Añadir el nodo OpenAI: Búscalo en el panel de nodos y arrástralo al lienzo.
2. Seleccionar la operación: Las operaciones comunes incluyen 'Chat', 'Completions' (para modelos legacy), 'Embeddings' y 'Image Generation'. Para la mayoría de las tareas de texto, 'Chat' es la opción recomendada.
3. Configurar credenciales: Selecciona una credencial existente o crea una nueva. Para crearla, elige 'API Key' y pega tu clave secreta de OpenAI.
4. Elegir el modelo: Selecciona el modelo de lenguaje a utilizar, como gpt-3.5-turbo o gpt-4. La elección del modelo impacta el costo y la calidad de la respuesta.
5. Definir el mensaje: En la sección 'Messages', se construye el prompt. Un prompt efectivo es crucial para obtener resultados útiles. Se pueden añadir múltiples mensajes con roles como 'System', 'User' y 'Assistant' para guiar el comportamiento del modelo. El contenido del mensaje puede ser estático o dinámico, utilizando expresiones para inyectar datos de nodos previos.

Ejemplos de uso: Resumen y generación de texto

Consideremos dos aplicaciones prácticas:

• Resumen de texto: Un workflow recibe un artículo extenso de una fuente RSS. Antes de enviarlo a un canal de Slack, se utiliza el nodo OpenAI para generar un resumen conciso. El prompt podría ser: "Resume el siguiente texto en menos de 100 palabras, enfocándote en los puntos clave: [texto del artículo]".
• Generación de texto: Un workflow recibe datos de un formulario de contacto. Se desea generar una respuesta inicial personalizada para el cliente. El prompt podría ser: "Redacta un correo electrónico de agradecimiento por el interés en nuestro producto [nombre_producto]. Menciona que un agente se pondrá en contacto pronto. El cliente se llama [nombre_cliente] y su consulta es: [consulta_cliente]". Los datos entre corchetes se inyectarían dinámicamente desde el nodo previo que procesa el formulario.

La salida del nodo OpenAI suele ser un objeto JSON que contiene el texto generado. Este texto puede ser extraído y utilizado por nodos posteriores, como un nodo 'Email' o 'Slack', para completar la automatización.

Transformación de datos con el Code node

Aunque los modelos de lenguaje son potentes, la salida no siempre está en el formato exacto requerido. Aquí es donde el Code node (o Set node para transformaciones más simples) se vuelve invaluable. Después de recibir la respuesta de un LLM, es posible que necesitemos:

• Extraer un fragmento específico: Si el LLM genera un texto largo, pero solo necesitamos una oración clave.
• Formatear la salida: Ajustar mayúsculas/minúsculas, añadir prefijos o sufijos, o convertir a un formato JSON estructurado si el LLM generó texto plano.
• Validar la respuesta: Asegurarse de que la respuesta cumpla con ciertos criterios antes de continuar el workflow.

const response = $json.choices[0].message.content;

// Ejemplo: Extraer solo la primera oración
const firstSentence = response.split('. ')[0] + '.';

// Ejemplo: Convertir a mayúsculas
const upperCaseResponse = response.toUpperCase();

return [{ json: { summary: firstSentence, original: response } }];

Este fragmento de código JavaScript, dentro de un Code node, ilustra cómo se puede acceder a la salida del nodo OpenAI (asumiendo que está en $json.choices[0].message.content) y realizar transformaciones básicas. El Set node es adecuado para renombrar campos o establecer valores estáticos/dinámicos sin lógica compleja.

Consideraciones de seguridad y privacidad

Al integrar LLM, es fundamental considerar la seguridad y privacidad de los datos. La información enviada a la API del modelo puede ser procesada por el proveedor. Por ello, se deben tomar precauciones:

• No enviar información sensible: Evita enviar datos personales identificables (PII), información financiera o secretos comerciales a modelos de IA públicos, a menos que tengas un acuerdo de procesamiento de datos explícito con el proveedor que garantice la privacidad y no uso de tus datos para entrenamiento.
• Anonimización: Si es imprescindible procesar datos sensibles, considera anonimizarlos o seudonimizarlos antes de enviarlos al LLM.
• Control de acceso: Asegúrate de que las claves de API estén protegidas y que solo el personal autorizado tenga acceso a las credenciales en n8n.

Algunos proveedores ofrecen opciones de modelos privados o con garantías de no uso de datos para entrenamiento, lo cual es preferible para datos empresariales críticos.

Aplicación práctica: Optimización de un proceso de soporte

El lunes, identifica un proceso interno que involucre la lectura y resumen de texto o la redacción de respuestas estandarizadas. Puede ser la clasificación inicial de tickets de soporte, la generación de resúmenes de reuniones o la redacción de borradores de correos electrónicos. Diseña un workflow en n8n que:

1. Reciba el texto de entrada (ej. contenido de un correo electrónico, transcripción de una llamada).
2. Utilice un nodo OpenAI (o similar) para realizar una tarea específica: resumir el texto, extraer entidades clave (nombre del cliente, producto, problema), o generar una respuesta inicial.
3. Use un Code node o Set node para formatear la salida del LLM según sea necesario.
4. Dirija la salida procesada a un sistema destino (ej. un CRM, un sistema de tickets, un canal de comunicación).
5. Configura las credenciales de forma segura y prueba el workflow con datos de ejemplo para validar la calidad de la respuesta del LLM y el formato de salida.