¿Por qué mi agente RAG no responde desde la base de datos? Las 5 causas más frecuentes (FAQ)

Un agente RAG en n8n debe extraer las respuestas exclusivamente de la base de conocimiento conectada, pero en la práctica a menudo no lo hace: ignora el vector store, inventa contenido o afirma que una información no está disponible aunque se encuentre en el índice. La causa casi nunca es el propio modelo de lenguaje, sino la configuración entre la indexación y la consulta: embeddings mal alineados, un chunking desfavorable, un filtro de retriever que excluye demasiado o demasiado poco, o un system prompt que no exige claramente el uso de la herramienta. Este artículo clasifica los cinco patrones de error más frecuentes de los hilos de la comunidad de n8n y de la documentación oficial, e indica en cada caso la solución práctica. Actualizado a: julio de 2026.

Causas en la indexación y la consulta

• Desajuste de embeddings: Si los documentos se procesaron durante la indexación con un modelo de embedding o una dimensión vectorial distinta a la que usa la consulta de búsqueda en el momento de la consulta, la búsqueda por similitud deja de devolver resultados útiles porque los espacios vectoriales ya no coinciden entre sí. En n8n esto ocurre típicamente cuando el workflow de inserción usa un node de embeddings distinto al del workflow de recuperación, por ejemplo OpenAI durante la indexación y un modelo Ollama local en la consulta. La solución: conectar de forma fija el mismo modelo de embeddings en ambos workflows y reconstruir el índice completo con cada cambio de modelo en lugar de solo ampliarlo.
• Problemas de chunking: Los chunks demasiado grandes mezclan varios temas en un solo vector y diluyen la precisión de los resultados, mientras que los chunks demasiado pequeños fragmentan el contexto, de modo que la respuesta se mantiene semánticamente cercana pero incompleta en contenido. Un buen punto de partida suele ser entre 500 y 1.000 caracteres con un solapamiento notable, y el Recursive Character Text Splitter de n8n se orienta por párrafos y encabezados, lo que separa el contenido de forma más limpia que un límite puramente de caracteres. La solución: variar el tamaño del chunk y el solapamiento de forma experimental y comprobar la calidad de los resultados con preguntas reales de usuarios, no solo con textos de ejemplo.
• Filtro de retriever ausente o incorrecto: Los filtros de metadatos en el node de vector store combinan varias condiciones por defecto con un Y lógico, de modo que un filtro configurado de forma demasiado estricta, por ejemplo una combinación de categoría y fecha, excluye todos los documentos aunque exista contenido coincidente en el índice. El foro de n8n también informa de que los filtros dinámicos son menos fiables en el modo de herramienta del agente que en el modo de cadena. La solución: eliminar primero por completo la lógica de filtrado para comprobar la recuperación básica y luego volver a añadir los filtros de forma gradual.

Causas en el prompt y la conexión de herramientas

• El agente no usa la herramienta de vector store: Especialmente los modelos de lenguaje más pequeños no llaman de forma fiable a la herramienta de recuperación si el system prompt no exige explícitamente su uso, y en su lugar responden a las preguntas a partir de su conocimiento de entrenamiento. En la comunidad de n8n se ha demostrado eficaz como solución un system prompt explícito que obliga a usar la herramienta antes de cada respuesta, permite responder únicamente en base a los resultados de la herramienta, e indica al agente que señale abiertamente las lagunas de conocimiento en lugar de improvisar.
• La respuesta de la herramienta es descartada por el agente: Incluso cuando el retriever entrega resultados correctos, el agente puede ignorar la respuesta si la salida de la herramienta está muy estructurada, por ejemplo con muchos párrafos y saltos de línea procedentes de varios documentos a la vez. En estos casos, el modelo responde que la información no está disponible aunque existan resultados coincidentes. La solución: reducir el número de documentos devueltos (top-K) y formatear la salida de la herramienta en el node retriever de forma más compacta, para que el agente la reconozca claramente en el contexto como base de la respuesta.

Quien desee no solo reparar una pipeline de este tipo, sino configurarla de forma limpia desde cero, encontrará en la consultoría de agentes de IA de NordFlux un enfoque basado en un precio fijo y la soberanía de datos alemana como principio fundamental.

Preguntas frecuentes sobre agentes RAG en n8n

¿Por qué mi agente de n8n ignora por completo el vector store?

Por lo general falta una instrucción clara en el system prompt para usar la herramienta de recuperación antes de cada respuesta. Los modelos más pequeños rara vez deducen este comportamiento por sí mismos y recurren en su lugar a su conocimiento general de entrenamiento, incluso cuando hay una herramienta adecuada conectada.

¿Cómo puedo reconocer un desajuste de embeddings?

Una señal típica es que la búsqueda por similitud devuelve de forma constante puntuaciones de coincidencia bajas o arbitrarias, aunque el contenido buscado se encuentre demostrablemente en el índice. Compruebe si el workflow de inserción y el de recuperación usan exactamente el mismo node de embeddings con la misma versión de modelo, véase la documentación de n8n sobre vector stores.

¿Qué tamaño deben tener los chunks para RAG en n8n?

Un buen punto de partida suele ser entre 500 y 1.000 caracteres con algo de solapamiento entre los chunks. Sin embargo, el tamaño adecuado depende de la estructura de los documentos de origen y debe ajustarse a partir de preguntas de prueba reales, no según una regla empírica fija.

¿Debo reindexar después de cambiar el modelo de embeddings?

Sí. Dado que distintos modelos de embedding generan distintos espacios vectoriales, los vectores antiguos y nuevos no se pueden buscar juntos de forma útil. Tras un cambio de modelo debe reconstruirse el índice completo, como también confirman varios hilos de la comunidad de n8n en patrones de error similares.