Errores del agente de IA en n8n: los mensajes de error más frecuentes de un vistazo

Si en los últimos meses has seguido los hilos de errores de la comunidad oficial de n8n, seguramente habrás notado que los problemas reportados en torno al AI Agent node se repiten bastante. Los mismos mensajes de error aparecen una y otra vez: un prompt vacío, un Chat Model que no está conectado, un Memory node que pierde la sesión, o un Output Parser que falla al generar salida estructurada. Esta página recopilatoria reúne los errores más frecuentes en una sola vista, para que la próxima vez que veas un aviso de error en rojo no tengas que buscar primero en diez hilos distintos, sino que sepas directamente hacia dónde mirar.

Para dos temas especialmente reportados con frecuencia, agentes RAG que no responden desde su propia base de datos, y chatbots que responden notablemente lento, hemos creado sendas FAQ detalladas, enlazadas más abajo. Los demás errores los encontrarás de forma compacta aquí, cada uno con la documentación oficial de n8n como fuente. Actualizado: julio de 2026.

Errores de prompt y de disparador en el AI Agent node

El tipo de error más frecuente surge incluso antes de que el agente llegue al modelo de lenguaje, es decir, en el propio prompt. Según la documentación oficial sobre problemas frecuentes del AI Agent node, aparecen sobre todo los siguientes patrones:

• „Error: 400 Invalid value for 'content': expected a string, got null": El prompt está configurado en Define below, pero la expresión del campo de texto no se resuelve en una cadena válida. Comprueba que los campos referenciados realmente existan y nunca devuelvan null.
• Valores null desde el Chat Trigger: Si el prompt está configurado en Connected Chat Trigger Node, aparece el mismo error cuando llegan valores vacíos en el campo chatInput. Elimina los valores null directamente en el nodo disparador de entrada.
• „No prompt specified": El agente espera automáticamente un prompt del nodo anterior, normalmente el Chat Trigger. Configura en su lugar el parámetro prompt en Define below y construye el texto de forma explícita a partir de las salidas de nodos o de texto estático.
• Falta el Chat Model: Sin un sub-nodo Chat Model conectado, la ejecución se interrumpe de inmediato. Haz clic en el conector Chat Model del nodo del agente y selecciona un modelo.

Límites de tasa y errores de cuota en el Chat Model

No todos los errores provienen del propio agente, muchos proceden del proveedor del modelo de lenguaje conectado. Según los problemas frecuentes del nodo OpenAI Chat Model, aquí aparecen sobre todo tres mensajes:

• „The service is receiving too many requests from you" (límite de tasa): Divide grandes cantidades de datos con un bucle Loop Over Items y un nodo Wait entre las pasadas, en lugar de enviar todos los elementos a la vez.
• „Insufficient quota": Comprueba que en la cuenta de OpenAI estén seleccionados la organización y el proyecto correctos, que haya saldo suficiente disponible y que los límites a nivel de organización y de proyecto no estén agotados. Tener activada la recarga automática evita que se te acabe el saldo en medio de un proyecto con un cliente.
• „Bad request - please check your parameters": Ejecuta la misma operación de prueba a través del nodo HTTP Request, allí OpenAI ofrece mensajes de error mucho más detallados que a través del nodo propio de n8n.

Errores de memoria y de sesión

Los agentes de chat con memoria presentan errores propios. La documentación del Simple Memory node menciona dos clásicos:

• Varios Memory nodes comparten una misma instancia: Sin session ID distintos, varios Simple Memory nodes en el mismo workflow acceden al mismo historial de conversación. Asigna un session ID propio a cada Memory node.
• „No sessionId": Comprueba si tu Chat Trigger realmente genera un sessionId. Si no usas el On Chat Message trigger, tienes que gestionar la sesión manualmente; para pruebas basta un ID estático como my_test_session, pero no para producción.

Salidas estructuradas: cuando el Output Parser tropieza

En cuanto un agente debe entregar JSON en lugar de texto libre, entra en juego el Structured Output Parser, y es justo ahí donde, según la documentación sobre los problemas frecuentes del Structured Output Parser se acumulan errores propios:

• Como sub-nodo, el parser solo procesa el primer elemento cuando hay varios, por lo que las expresiones siempre se resuelven contra el primer registro.
• El parser está pensado para la salida final, no para pasos intermedios; para formatos intermedios, la estructura deseada debe ir en el System Message del agente.
• Las salidas estructuradas son, en general, menos fiables con agentes que con simples LLM chains. La documentación recomienda pasar la respuesta del agente a una LLM chain separada y parsearla solo allí.
• Las referencias de esquema JSON con $ref no son compatibles, por lo que hay que definir los esquemas completamente escritos en lugar de usar referencias.

Agentes RAG: dos errores con su propia FAQ en profundidad

Dos errores aparecen tan a menudo en los hilos de la comunidad que los tratamos en detalle en guías propias:

• ¿Por qué mi agente RAG no responde desde la base de datos? analiza las cinco causas más frecuentes cuando un agente RAG funciona, pero se desvía del contenido del Vector Store.
• ¿Chatbot RAG demasiado lento? Optimizar los tiempos de respuesta explica a qué se debe cuando una respuesta tarda 16 segundos o más, y qué palancas realmente marcan la diferencia.

Si los errores se acumulan aunque ya conozcas la documentación, a menudo merece la pena echar un vistazo externo a toda la configuración del workflow. Precisamente en eso te apoya NordFlux en automatizaciones de n8n: documentado de forma limpia, con soberanía de datos alemana, y construido para que mantengas el control de tus agentes incluso después de la próxima actualización de n8n.

Preguntas frecuentes

¿Dónde encuentro la lista oficial de errores del AI Agent node?

Encontrarás la lista completa, mantenida de forma continua, directamente en la documentación de n8n bajo Common Issues del AI Agent node. Allí se recogen mensajes de error como el error de contenido null o la conexión Chat Model faltante, junto con los pasos de solución correspondientes.

¿Por qué recibo „Insufficient quota", aunque todavía hay saldo en mi cuenta de OpenAI?

A menudo se debe a que en n8n está configurado un proyecto u organización distinto de aquel en el que realmente hay saldo. Comprueba en la configuración de facturación de OpenAI qué organización y qué proyecto están activos, y compáralo con las credenciales guardadas en n8n.

¿Debo crear un Memory node propio para cada agente?

No es obligatorio, pero cada Memory node necesita su propio session ID en cuanto varios agentes o varios usuarios están activos al mismo tiempo. Sin session ID distintos, varios Simple Memory nodes acceden de lo contrario al mismo historial de conversación, lo que provoca respuestas mezcladas.

¿Por qué mi agente a veces sigue devolviendo texto libre a pesar del Structured Output Parser?

Las salidas estructuradas son, en general, menos fiables con agentes que con simples LLM chains, porque el agente alterna entre varias llamadas a herramientas. Por ello, la documentación de n8n recomienda pasar la respuesta en bruto del agente a una LLM chain separada para su posprocesamiento, en lugar de analizarla directamente dentro del workflow del agente.

¿Estos errores solo son relevantes para instancias de n8n autoalojadas?

No, los errores mencionados sobre prompt, Chat Model, memoria y Output Parser ocurren independientemente del hosting, tanto en n8n Cloud como en instalaciones autoalojadas. Los errores de límite de tasa y de cuota, en cambio, dependen exclusivamente del proveedor de modelo correspondiente, no de la variante de hosting de n8n.