Objetivo actual
Tener el bot respondiendo en Telegram
Primer hito práctico: crear el bot, conectarlo a n8n y validar que recibe mensajes y devuelve una respuesta útil.
Proyecto activo · Telegram Bot + n8n + IA
Mi laboratorio público para aprender y construir agentes de IA.
Esta web será documentación, portfolio y bitácora técnica. Cada paso del proyecto quedará explicado con decisiones reales, errores encontrados, solución aplicada y aprendizaje extraído.
n8nTelegramOllamaOpenAIDockerAutomatización
En qué se convierte
Portfolio + documentación + producto
La idea no es solo aprender. La idea es dejar una base bonita, clara y enseñable para vender proyectos reales más adelante.
Roadmap del proyecto
Pasos documentados uno a uno
Aquí iremos reflejando el avance real del bot, dejando cada fase lista para revisar, repetir o enseñar.
Paso 01En progreso
Preparar entorno
Configuración de n8n, Docker, persistencia de datos, entorno local con Ollama y arquitectura base.
Paso 02Pendiente
Crear bot en Telegram
Creación del bot con BotFather, obtención del token y primera preparación del canal de entrada.
Paso 03Pendiente
Conectar Telegram con n8n
Recepción de mensajes, primeras pruebas de trigger y validación del flujo mínimo funcional.
Paso 04Pendiente
Añadir IA
Respuesta inteligente usando Ollama en local y dejando documentada la alternativa con OpenAI.
Paso 05Pendiente
Guardar leads o memoria
Persistencia en Google Sheets o base de datos para almacenar datos y reutilizarlos más adelante.
Paso 06Visión
Versión vendible
Pulido final, caso de uso real, propuesta comercial y conversión del proyecto en algo enseñable y monetizable.
Paso 01
Preparar entorno (nivel real)
Este paso no es solo instalar cosas. Es dejar una base sólida, reproducible y entendible para cualquier proyecto futuro.
Decisión de arquitectura
Se decidió trabajar en local en lugar de pagar hosting al principio. La idea fue evitar costes, tener control total del entorno y poder romper cosas sin miedo.
Alternativas reales
- Local con Docker → ideal para aprendizaje y pruebas.
- VPS contratado → útil para tener acceso externo y un entorno simple de producción.
- AWS / Azure → opción más profesional si luego quieres escalar o enseñar despliegue cloud.
Preparación inicial
- Se instaló Docker Desktop para poder ejecutar n8n fácilmente.
- Se creó una carpeta de proyecto en D:\\n8n.
- Se utilizó un archivo docker-compose.yml para levantar n8n.
- Se corrigieron dos problemas comunes: nombre mal escrito del archivo y sintaxis YAML.
Archivo docker-compose.yml usado
services:
n8n:
image: n8nio/n8n
ports:
- "5678:5678"
volumes:
- ./n8n_data:/home/node/.n8nEl volumen es importante porque mantiene credenciales, workflows y configuración aunque el contenedor se reinicie.
Arranque de n8n y primer acceso
cd D:\\n8n docker compose up -d
docker ps
Después se accedió a http://localhost:5678 y se comprobó que el editor cargaba correctamente.
Configuración de n8n
- Se completó el alta del usuario owner desde la pantalla inicial.
- En las versiones actuales, esto sustituye el viejo enfoque de autenticación básica para entrar a la interfaz.
- Se validó el acceso al editor visual de workflows.
Problemas reales encontrados
- Nombre incorrecto del archivo docker-compose.yml.
- Error de sintaxis YAML al definir el contenido.
Solución aplicada: revisar indentación, nombre exacto del archivo y volver a levantar el contenedor.
Ollama (IA local)
Se eligió Ollama como motor local para probar modelos sin depender de coste por uso desde el primer día.
ollama run llama3.2:1b
Nota real: llama3 falló inicialmente, pero llama3.2:1b funcionó correctamente.
OpenAI como alternativa documentada
La implementación principal arrancará con Ollama para priorizar aprendizaje y ahorro. Aun así, se deja contemplada una variante con OpenAI para comparar experiencia, simplicidad operativa y una posible ruta de producción.
Qué falta por documentar aquí
- Captura del dashboard de n8n.
- Captura de docker ps con el contenedor activo.
- Captura de terminal con Ollama respondiendo.
- Posible variante futura: despliegue en VPS o en AWS / Azure.
Aprendizajes clave
- Docker simplifica muchísimo el despliegue local de herramientas como n8n.
- La persistencia de datos no es opcional si quieres un entorno útil de verdad.
- Los errores iniciales enseñan más que la teoría porque obligan a entender qué está pasando.
- Elegir bien el modelo en IA evita bloqueos innecesarios al principio.
Bitácora
Lo que voy haciendo, sin filtrar
Esta sección está pensada para documentar avances, errores, decisiones y capturas del workflow.
Día 1
Definimos el proyecto
Vamos a construir un agente de Telegram conectado a n8n que responda, haga preguntas útiles y guarde datos para convertir conversaciones en leads o acciones automatizadas.
Día 2
Primera base técnica lista
n8n ya arranca en local con Docker, los datos persisten en volumen y Ollama responde con el modelo que mejor encajó para empezar.
Día 3
Siguiente foco: Telegram
El siguiente avance será crear el bot con BotFather, guardar el token y dejar preparada la entrada del flujo para conectarlo con n8n.
Estructura
Qué debe tener cada entrada
- Objetivo del paso
- Acciones realizadas
- Errores encontrados
- Cómo se solucionaron
- Captura o diagrama
- Aprendizaje clave
Visión
Esto tiene que verse bonito y útil
La web no debe parecer solo un bloc de notas técnico. Tiene que transmitir progreso, criterio y nivel. Debe servir para aprender, repasar y enseñar a alguien que sabes construir cosas reales.
Siguiente paso
Crear el bot con BotFather
El siguiente bloque será el Paso 02: creación del bot en Telegram, token de acceso y preparación para conectarlo con n8n. Después documentaremos la conexión real con el trigger y la primera respuesta automática.