Objetivos de aprendizaje
- Diseñar un flujo RAG local sin enviar documentos a APIs externas.
- Separar ingesta, recuperación, generación y envío de respuesta.
- Evitar respuestas sin evidencia y fugas entre usuarios.
En cristiano: RAG privado. Es un sistema que busca fragmentos relevantes en tus documentos antes de responder. La privacidad depende de dónde guardas documentos, embeddings, logs y respuestas.
Mapa del flujo
Entrada: Telegram / formulario / chat interno -> n8n valida usuario y pregunta -> n8n crea embedding o llama a un servicio de embeddings -> Qdrant devuelve chunks permitidos -> Ollama genera respuesta con citas -> n8n guarda traza y envía borrador -> humano aprueba si la acción tiene impacto real
Idea clave. Para soporte interno o FAQ, no necesitas un agente “muy autónomo”. Necesitas recuperación fiable, citas, permisos y una respuesta que se pueda auditar.
Docker compose de laboratorio
Este compose es una base local. En producción añade HTTPS, backups, usuarios, secretos fuera del repositorio y límites de red.
services:
qdrant:
image: qdrant/qdrant:latest
ports:
- "6333:6333"
volumes:
- qdrant_data:/qdrant/storage
n8n:
image: n8nio/n8n:latest
ports:
- "5678:5678"
environment:
- N8N_ENCRYPTION_KEY=change-me
- GENERIC_TIMEZONE=Europe/Madrid
volumes:
- n8n_data:/home/node/.n8n
volumes:
qdrant_data:
n8n_data: Cuidado. No metas documentos de clientes en un prototipo sin permisos, backups y política de borrado. Un RAG local también puede filtrar datos si Qdrant no filtra por tenant o si n8n guarda trazas completas.
Nodos mínimos en n8n
- Trigger de chat, Telegram o webhook.
- Validación de usuario, tenant y permisos.
- Normalización de pregunta.
- Búsqueda en Qdrant con filtro por tenant.
- Llamada a Ollama con contexto y regla de “no sé”.
- Respuesta con citas y traza guardada.
Regla de respuesta: - Responde solo con el contexto recuperado. - Cita documento y sección cuando sea posible. - Si el contexto no basta, di "No tengo evidencia suficiente". - No ejecutes acciones externas sin aprobación humana.
Comprueba que funciona. Crea dos documentos casi iguales de dos clientes distintos y pregunta como cada cliente. Si la respuesta mezcla chunks, el problema no es el modelo: es tu filtro de recuperación.
Guardar y reabrir el proyecto.
El primer RAG útil para una pyme no necesita magia. Necesita permisos antes de buscar, contexto pequeño pero bueno y trazas que permitan explicar por qué respondió eso.
Fuentes oficiales
Siguiente misión recomendada
Si has guardado la evidencia de esta lección, continúa con «n8n webhooks». Si no, repite la comprobación antes de avanzar.