Asistente de Código IA que Aprende de un Repositorio de GitHub - Flujo de trabajo de n8n

• Desarrolladores y Equipos DevOps: Que necesitan respuestas rápidas y con contexto sobre bases de código extensas.


• Redactores Técnicos: Que buscan una forma automatizada de consultar archivos de documentación alojados en GitHub.


• Ingenieros de Automatización: Que buscan ejemplos avanzados del uso del nodo Agente de IA de n8n y patrones RAG.


• Usuarios que exploran plantillas de n8n: Específicamente aquellos centrados en integraciones complejas de IA.

Gestionar grandes volúmenes de código fuente o documentación a menudo dificulta la localización de detalles técnicos específicos. Este innovador flujo de n8n soluciona este problema al transformar tu repositorio de GitHub en una base de conocimiento consultable para un Agente de IA.

Esta robusta plantilla de n8n separa el proceso en dos fases clave: un flujo de sincronización (indexación de datos) y un flujo conversacional en tiempo real (respuesta a preguntas). Demuestra con qué fluidez n8n maneja grandes volúmenes de datos binarios, la fragmentación de texto, la generación de embeddings y el almacenamiento vectorial, todo dentro de un único y coherente flujo de trabajo de n8n. Al utilizar esta configuración de nodos de n8n, los desarrolladores pueden consultar su base de código de forma conversacional, reduciendo drásticamente el tiempo de búsqueda y aumentando la productividad.

Este completo flujo de n8n opera en dos etapas distintas:

Etapa 1: Sincronización de Datos (Indexación)

1. Inicio de la Indexación: El proceso comienza con el disparador de n8n Sync Data (un nodo de Disparador Manual).


2. Configuración: El nodo Config de n8n define parámetros críticos como repoowner, reponame y subpath dentro del repositorio de GitHub.


3. Recuperación de Archivos: El nodo GitHub List files de n8n utiliza estos parámetros para identificar todos los archivos relevantes en la ruta designada.


4. Descarga y Carga: El nodo HTTP Request Get File de n8n descarga el contenido real de cada archivo.


5. Preprocesamiento: El Default Data Loader gestiona los datos binarios, y el Recursive Character Text Splitter trocea el contenido en fragmentos más pequeños y manejables (con 100 caracteres de solapamiento) aptos para la incrustación vectorial.


6. Vectorización y Almacenamiento: El nodo Embeddings OpenAI de n8n calcula los embeddings vectoriales para estos fragmentos. Finalmente, el nodo Simple Vector Store1 de n8n inserta los datos vectoriales en una base de conocimiento en memoria identificada con la clave source-code.

Etapa 2: Agente de IA Conversacional

1. Inicio de la Conversación: El flujo se activa mediante el disparador de n8n When chat message received cuando un usuario formula una pregunta.


2. Activación del Agente de IA: El nodo principal AI Agent de n8n toma la consulta y utiliza el OpenAI Chat Model1 para el razonamiento.


3. Memoria y Contexto: El nodo Window Buffer Memory de n8n mantiene el historial de la conversación.


4. Búsqueda RAG: El agente utiliza el nodo especializado Vector Store Tool de n8n, denominado projectsource_tool, para realizar una búsqueda de similitud (top K=5) contra la base de conocimiento indexada (Simple Vector Store). Este paso de recuperación es crucial para la fundamentación contextual.


5. Generación de Respuesta: El agente recibe los fragmentos de contexto relevantes del repositorio y genera una respuesta técnica y precisa a la pregunta del usuario, completando así el complejo flujo de n8n.

Para implementar este potente flujo de n8n utilizando estas plantillas de n8n, sigue estos pasos:

1. Importar el JSON: Copia los datos JSON proporcionados e impórtalos en tu instancia de n8n a través de la sección Workflows (Importar desde JSON).


2. Configuración de Credenciales: Asegúrate de tener configuradas las credenciales necesarias:

1. Configurar Parámetros: Abre el nodo Config de n8n y actualiza los parámetros según tu repositorio:

1. Sincronización Inicial: Ejecuta el disparador de n8n Sync Data una vez para poblar la Base Vectorial con tu contenido de GitHub antes de utilizar el agente de chat.

Sync Data (Disparador Manual): El disparador de n8n de inicio para el lado de indexación del flujo de trabajo de n8n, utilizado para refrescar manualmente la base de conocimiento.
Config (Set): Un nodo fundamental de n8n utilizado para establecer dinámicamente variables de entorno (repoowner, reponame, subpath) empleadas a lo largo del flujo de indexación.
List files (GitHub): Este nodo de n8n recupera una lista de archivos de la ruta del repositorio de GitHub configurada, proporcionando los detalles del archivo necesarios para la descarga.
Get File (HTTP Request): Descarga el contenido real de los archivos utilizando la downloadurl proporcionada por el nodo de n8n de GitHub, preparando los datos para la vectorización.
Recursive Character Text Splitter: Un nodo clave de n8n para el preprocesamiento RAG que divide eficientemente archivos grandes en fragmentos más pequeños, optimizándolos para la incrustación y la búsqueda vectorial. Configurado con un solapamiento de fragmentos de 100.
Embeddings OpenAI / Embeddings OpenAI1: Dos instancias de este nodo de n8n, responsables de convertir los fragmentos de texto y las consultas entrantes en vectores numéricos de alta dimensión utilizando el servicio de OpenAI.
Simple Vector Store / Simple Vector Store1 (Vector Store In Memory): Estos nodos de n8n mantienen la base de conocimiento RAG utilizando la clave source-code. Uno está configurado en modo insert (para indexación) y el otro en modo default (para recuperación de búsqueda).
When chat message received (Disparador de Chat): El disparador de n8n inicial para el lado del Agente de IA, que escucha las interacciones del usuario en la interfaz de chat de n8n.
AI Agent (LangChain Agent): El cerebro principal del flujo de n8n. Configurado con un mensaje de sistema que le indica usar la projectsourcetool para preguntas técnicas basadas en el código fuente.
Vector Store Tool: Un nodo de n8n que define cómo interactúa el Agente de IA con la base de conocimiento, configurado específicamente para recuperar los 5 fragmentos de documento más relevantes (topK=5).