n8n Automatización de Workflows con AI: Self-Hosted, Visual, Code-First

¿Qué es n8n?

n8n (pronunciado "nodemation") es una plataforma de automatización de workflows fair-code que combina la construcción visual de workflows con extensibilidad completa de código. A diferencia de herramientas puramente no-code, n8n te da un canvas visual para diseñar workflows mientras te permite usar JavaScript o Python en cualquier nodo. Es self-hostable, lo que significa que puedes ejecutarlo en tu propia infraestructura con control completo de tus datos -- o usar n8n Cloud para una experiencia gestionada. El proyecto ha acumulado más de 195,000 estrellas en GitHub y una comunidad de 200,000+ miembros, convirtiéndolo en una de las plataformas de automatización open-source más populares.

n8n opera bajo una licencia fair-code (Sustainable Use License), lo que significa que el código fuente está disponible públicamente, puedes hacer self-host libremente y modificarlo para tu uso. La distinción clave con el open-source tradicional es que fair-code restringe la redistribución comercial -- no puedes revender n8n como servicio. Para desarrolladores individuales, equipos y empresas usándolo internamente, se comporta como software open-source sin límites de ejecución, sin límites de workflows y sin restricciones artificiales.

La plataforma incluye 400+ integraciones (nodos) incorporadas cubriendo APIs, bases de datos, herramientas de comunicación, servicios cloud y proveedores de AI. Con n8n 2.0 (enero 2026), se introdujo la integración nativa de LangChain, agregando 70+ nodos específicos de AI, memoria persistente de agentes y soporte para backends LLM self-hosted.

Editor Visual vs Code-First: Cuándo Usar Cada Uno

n8n te da ambos paradigmas en una plataforma. El editor visual es ideal para workflows donde la lógica se trata principalmente de conectar servicios -- recibir un webhook, enriquecer datos de una API, enviar una notificación.

El modo code-first es la elección correcta cuando tu workflow involucra transformaciones complejas de datos, lógica de negocio personalizada u operaciones que los nodos nativos no cubren. El nodo Code de n8n soporta Node.js completo (JavaScript/TypeScript) y Python con acceso a paquetes externos.

La recomendación práctica: empieza con el editor visual para prototipado rápido y usa nodos de código solo donde los nodos nativos no alcancen. La mayoría de workflows en producción terminan como híbridos -- 80% nodos visuales y 20% nodos de código.

Self-Hosting con Docker Compose

La forma recomendada de hacer self-host de n8n es con Docker Compose. Un solo archivo docker-compose.yml define n8n, una base de datos PostgreSQL para almacenamiento de workflows y opcionalmente Redis para escalado basado en colas. La Community Edition es gratuita sin límites.

# docker-compose.yml - Production n8n deployment
version: '3.8'

services:
  n8n:
    image: n8nio/n8n:latest
    restart: always
    ports:
      - "5678:5678"
    environment:
      - DB_TYPE=postgresdb
      - DB_POSTGRESDB_HOST=postgres
      - DB_POSTGRESDB_PORT=5432
      - DB_POSTGRESDB_DATABASE=n8n
      - DB_POSTGRESDB_USER=n8n
      - DB_POSTGRESDB_PASSWORD=${POSTGRES_PASSWORD}
      - N8N_HOST=${N8N_HOST}
      - N8N_PORT=5678
      - N8N_PROTOCOL=https
      - WEBHOOK_URL=https://${N8N_HOST}/
      - GENERIC_TIMEZONE=America/Bogota
    volumes:
      - n8n_data:/home/node/.n8n
    depends_on:
      postgres:
        condition: service_healthy

  postgres:
    image: postgres:16-alpine
    restart: always
    environment:
      - POSTGRES_USER=n8n
      - POSTGRES_PASSWORD=${POSTGRES_PASSWORD}
      - POSTGRES_DB=n8n
    volumes:
      - postgres_data:/var/lib/postgresql/data
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U n8n"]
      interval: 10s
      timeout: 5s
      retries: 5

volumes:
  n8n_data:
  postgres_data:

Para despliegues de producción, coloca n8n detrás de un reverse proxy (Nginx, Caddy o Traefik) con terminación TLS. Configura la variable de entorno WEBHOOK_URL con tu dominio público.

# .env - Secrets (never commit this file)
POSTGRES_PASSWORD=your-secure-password-here
N8N_HOST=n8n.yourdomain.com

# Start the stack
docker compose up -d

# View logs
docker compose logs -f n8n

# Backup the database
docker compose exec postgres pg_dump -U n8n n8n > backup.sql

# Update n8n to latest version
docker compose pull n8n
docker compose up -d n8n

Construyendo un Workflow de Agente AI: Paso a Paso

El nodo Agente AI de n8n implementa un ciclo ReAct (Razonamiento + Acción) donde el modelo razona sobre la tarea, selecciona una herramienta para llamar, observa el resultado e itera hasta llegar a una respuesta final.

Paso 1: Crear el trigger. Empieza con un nodo Webhook o Chat Trigger. El Chat Trigger provee una interfaz de chat incorporada para testing. Para producción, usa un nodo Webhook.

Paso 2: Agregar el nodo Agente AI. Arrastra un nodo Agente AI al canvas. Este es el orquestador -- recibe el mensaje del usuario, razona sobre él y decide qué herramientas invocar.

Paso 3: Adjuntar herramientas. Conecta nodos de herramientas al agente. Las herramientas son sub-workflows o nodos incorporados que el agente puede llamar.

Paso 4: Agregar memoria. Conecta un nodo de memoria para persistir el contexto de conversación. Simple Memory almacena historial en sesión. Para producción, usa memoria respaldada por PostgreSQL o Redis.

Paso 5: Configurar salida. La respuesta final del agente fluye a nodos de salida -- un nodo Respond to Webhook, un nodo Slack, un nodo Email o cualquier combinación.

// Example: AI Agent workflow structure in n8n
//
// [Chat Trigger] --> [AI Agent] --> [Respond to Webhook]
//                        |
//                   +----+----+----+
//                   |    |    |    |
//              [Memory] [Tool1] [Tool2] [Tool3]
//              (Redis)  (HTTP)  (Code)  (DB Query)
//
// The AI Agent node receives the user message,
// uses its connected LLM to reason about which tools
// to call, executes them, and returns the final answer.
// Memory persists conversation context across calls.

Capacidades de Integración MCP

n8n soporta el Model Context Protocol (MCP) a través de dos nodos dedicados que conectan la automatización de workflows con el ecosistema de herramientas AI.

MCP Server Trigger: Este nodo expone workflows de n8n como herramientas compatibles con MCP. Agentes AI externos (Claude Code, Claude Desktop o cualquier cliente MCP) pueden descubrir y ejecutar esas herramientas vía el protocolo MCP estándar.

MCP Client Tool: Este nodo conecta agentes AI de n8n a servidores MCP externos. Configúralo con un endpoint SSE o Streamable HTTP y tus workflows de agentes n8n pueden descubrir y llamar herramientas de cualquier servidor MCP.

La combinación es poderosa: n8n puede actuar tanto como servidor MCP (exponiendo capacidades de workflows) como cliente MCP (consumiendo herramientas de servidores MCP externos). Esta integración bidireccional posiciona a n8n como una capa de orquestación de workflows dentro del ecosistema MCP más amplio.

Características Enterprise y Precios

n8n ofrece un modelo de precios por niveles. La Community Edition (self-hosted) es completamente gratuita con ejecuciones ilimitadas de workflows, workflows ilimitados y sin restricciones artificiales. Despliega en tu propia infraestructura usando Docker, Kubernetes o cualquier servidor.

Los planes de n8n Cloud proveen una experiencia gestionada: Starter para individuos, Pro para equipos y Enterprise con SSO, logs de auditoría y soporte dedicado. Los planes cloud eliminan la gestión de infraestructura pero introducen precios por ejecución.

El plan Self-Hosted Enterprise combina soberanía de datos con características enterprise: SSO SAML/LDAP, RBAC, logging de auditoría, control de versiones de workflows basado en Git, promoción multi-ambiente, almacenamiento encriptado de credenciales y soporte prioritario. El self-hosting se equilibra con el cloud en aproximadamente 20,000 ejecuciones por mes.

Comparación: n8n vs Zapier vs Make vs Código Custom

Cada plataforma sirve a una audiencia y caso de uso diferente. La elección correcta depende de tu profundidad técnica, sensibilidad de datos, presupuesto y necesidades de integración AI.

Despliegue en Producción y Escalado

Para despliegues de producción, n8n soporta escalado horizontal a través del modo cola. Una instancia principal maneja la UI, recepción de webhooks y programación, mientras instancias worker separadas procesan ejecuciones desde una cola respaldada por Redis.

# docker-compose.yml - Queue mode for horizontal scaling
services:
  n8n-main:
    image: n8nio/n8n:latest
    environment:
      - EXECUTIONS_MODE=queue
      - QUEUE_BULL_REDIS_HOST=redis
      - DB_TYPE=postgresdb
      - DB_POSTGRESDB_HOST=postgres
      # ... other env vars
    command: n8n start

  n8n-worker:
    image: n8nio/n8n:latest
    environment:
      - EXECUTIONS_MODE=queue
      - QUEUE_BULL_REDIS_HOST=redis
      - DB_TYPE=postgresdb
      - DB_POSTGRESDB_HOST=postgres
    command: n8n worker
    deploy:
      replicas: 3  # Scale workers as needed

  redis:
    image: redis:7-alpine
    restart: always

  postgres:
    image: postgres:16-alpine
    # ... same config as before

Monitoreo y observabilidad: n8n expone métricas compatibles con Prometheus en /metrics para conteos de ejecución, duraciones, profundidad de colas y tasas de error. Integra con dashboards de Grafana para visibilidad en tiempo real.

Estrategia de backup: El estado de n8n vive en dos lugares -- la base de datos PostgreSQL (definiciones de workflows, credenciales, historial de ejecución) y el volumen del filesystem (claves de encriptación, nodos personalizados). Haz backup de ambos regularmente.

Endurecimiento de seguridad: Asegura la UI web con la gestión de usuarios integrada de n8n o SSO (las variables legacy de auth básica fueron eliminadas en v1.0). Ejecuta n8n detrás de un reverse proxy con TLS. Restringe los paths de webhook a rangos de IP esperados. Usa almacenamiento encriptado de credenciales. Actualiza la imagen Docker regularmente.

n8n 2.15: Python, Delegación de Agentes y Memoria Vectorial

n8n 2.15 (abril 2026) agrega ejecución nativa de Python en nodos Code, eliminando la limitación de solo JavaScript que anteriormente forzaba a equipos Python a usar servicios externos. Los nodos Code de Python corren en sub-procesos sandbox con acceso a paquetes pip configurados a nivel de instancia. Esto hace a n8n viable para workflows de ciencia de datos, inferencia de modelos ML y transformaciones basadas en pandas directamente dentro del editor visual.

La delegación agente-a-agente permite a los nodos de Agente AI invocar otros sub-workflows de Agente AI como herramientas. Un agente supervisor puede delegar sub-tareas -- investigación, generación de código, análisis de datos -- a workflows de agentes especializados, cada uno con su propia configuración LLM, herramientas y memoria. Esto trae patrones de orquestación multi-agente al paradigma visual de workflows sin requerir frameworks externos como LangGraph.

Dos nuevos backends de memoria expanden las opciones de producción: Redis Chat Memory provee historial de conversación rápido y persistente con TTL configurable para despliegues de chatbot de alto throughput, mientras que Postgres/Supabase Vector Memory almacena embeddings junto con el contexto de conversación, habilitando agentes aumentados con RAG que recuperan interacciones pasadas relevantes usando búsqueda semántica. Ambos se integran como nodos de memoria drop-in en workflows de agentes existentes. Desde 2.15, n8n mantiene una cadencia semanal de releases; la versión estable actual es 2.31 (julio de 2026).