Ressources · Intégration n8n

Nœud AI Agent Tool n8nConfigurer AI Agent Tool dans n8n.

Un agent IA qu'un autre agent peut appeler. Le nœud AI Agent Tool n8n bâtit un plan d'action, l'exécute et se sert d'outils au passage. Il expose 12 paramètres et 4 ports d'entrée, et se branche sur un agent parent. Pour découper un gros prompt en spécialistes.

Tester le nœud AI Agent Tool sur n8nVoir les 12 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud AI Agent Tool n8n ?

AI Agent Tool, c'est un agent emballé sous forme d'outil. Il reçoit une consigne, construit un plan d'action et l'exécute, en appelant lui-même des outils externes. Il ne se pose pas à la racine d'un workflow : il se raccroche au port ai_tool d'un nœud parent, qui lui délègue une tâche précise et récupère sa réponse.

Un sous-nœud ne tourne jamais tout seul : il attend qu'un nœud racine l'appelle par un de ses ports. Celui-là en est un. Les racines qui l'acceptent sont AI Agent et MCP Server Trigger, et l'idée derrière tout ça tient en une phrase : un agent qui sait tout faire finit par tout faire à peu près. Mieux vaut un spécialiste par sujet et un parent qui arbitre.

Premier cas concret, l'assistant documentaire. Le parent tient la conversation, l'enfant sait une chose et la sait bien. Sa Description dit « répond aux questions sur les tarifs en vigueur », son System Message fixe son rôle, et deux outils de recherche pendent à son port ai_tool. Comme le parent lit cette description avant de choisir, une description précise fait plus pour la fiabilité qu'un prompt qu'on rallonge sans fin. Avec une source de recherche comme Perplexity côté parent, la répartition des rôles saute aux yeux.

Deuxième cas, le tri des demandes entrantes. Le contenu du ticket arrive dans Prompt (User Message) via {{ $json.body }}, l'agent le classe, et la réponse revient propre parce que Require Specific Output Format est activé avec un parser sur le port ai_outputParser. Le parent pousse ensuite vers Slack ou écrit une ligne dans Google Sheets. Sans format imposé, le nœud suivant reçoit un paragraphe et personne ne sait quoi en faire.

Troisième cas, l'enrichissement en volume. Une liste de 150 fiches passe dans le workflow, l'agent traite chacune, et Batch Processing limite le nombre de traitements simultanés avec une pause entre les paquets. Sans ce garde-fou, le fournisseur du modèle coupe au milieu et la moitié du lot repart en erreur.

Quand préférer autre chose : si rien n'est délégué, le nœud AI Agent racine suffit, inutile d'ajouter un étage. AI Agent Tool ne se justifie que le jour où un parent doit choisir entre plusieurs outils pendant son exécution. Les limites, maintenant. Ce nœud n'a rien à authentifier lui-même : le credential, c'est-à-dire le compte enregistré dans n8n, vit sur le sous-nœud modèle, donc une clé OpenAI ou celle d'un autre fournisseur reste nécessaire quelque part. La page décrit la version 3 du nœud ; un workflow ancien peut en afficher une plus basse, avec moins d'options. Et emboîter deux agents multiplie les appels au modèle, que le fournisseur facture selon ses propres conditions.

Connexions

Qu'est-ce qu'on lui branche ?

n8n répartit le travail entre un nœud racine, qui reçoit les items du workflow, et des sous-nœuds accrochés à ses ports, un type de sous-nœud par port.

Ports (ce qui se branche)

  • Chat Modelai_languageModelrequis
  • Memoryai_memoryoptionnel
  • Toolai_tooloptionnel
  • Output Parserai_outputParseroptionnel

Sortie (où il se branche)

  • Toolai_tool
01Chat ModelLe modèle de langage qui raisonne se branche ici. Port vide, nœud bloqué, l'exécution s'arrête là.

Le modèle de langage qui raisonne se branche ici. Port vide, nœud bloqué, l'exécution s'arrête là.

Paramètres clés

  • Required : l'agent n'embarque aucun modèle, celui posé ici décide de ce qu'il sait faire et de qui facture les appels.
  • OpenAI Chat Model : la porte d'entrée classique, un compte à enregistrer et un modèle à choisir.
  • Anthropic Chat Model : même branchement, autre fournisseur.
  • Ollama Chat Model : pour un modèle qui tourne sur ta propre machine ou ton serveur.
Cas d'usage
une instance auto-hébergée qui ne doit pas faire sortir le texte des tickets branche Ollama Chat Model plutôt qu'un service en ligne.
02MemoryLa mémoire, ici, c'est ce qui garde les échanges précédents accessibles à l'agent. Une relance du type « et pour le deuxième ? » ne repart pas de zéro.

La mémoire, ici, c'est ce qui garde les échanges précédents accessibles à l'agent. Une relance du type « et pour le deuxième ? » ne repart pas de zéro.

Paramètres clés

  • Optional : à laisser vide quand chaque appel est indépendant du précédent.
  • Simple Memory : stockée par n8n, parfaite pour un prototype ou une conversation courte.
  • Postgres Chat Memory : elle survit à un redémarrage, le choix raisonnable en production.
  • Redis Chat Memory : pour des conversations nombreuses et de courte durée.
Cas d'usage
un chatbot en a besoin, un traitement de nuit ligne par ligne s'en passe très bien.
03ToolLes outils transforment un générateur de texte en quelque chose qui agit. Chacun devient une option que l'agent peut choisir dans son plan.

Les outils transforment un générateur de texte en quelque chose qui agit. Chacun devient une option que l'agent peut choisir dans son plan.

Paramètres clés

  • Optional : sans aucun outil, l'agent répond quand même, mais avec le seul modèle.
  • Calculator : les calculs, que le modèle a tendance à improviser.
  • Think Tool : une étape de réflexion avant de se décider.
  • Vector Store Question Answer Tool : des réponses tirées de documents indexés.
Cas d'usage
un assistant de chiffrage reçoit Calculator pour que le total colle aux lignes, au lieu d'être approché au jugé.
04Output ParserUn output parser, c'est le sous-nœud qui impose une forme à la réponse. Des champs exploitables plutôt qu'un paragraphe à découper ensuite.

Un output parser, c'est le sous-nœud qui impose une forme à la réponse. Des champs exploitables plutôt qu'un paragraphe à découper ensuite.

Paramètres clés

  • Optional : consulté uniquement si Require Specific Output Format est activé.
  • Structured Output Parser : tu décris les champs attendus, tu les récupères en données.
  • Item List Output Parser : quand la réponse est naturellement une liste.
  • Auto-fixing Output Parser : renvoie au modèle une réponse mal formée pour un second essai.
Cas d'usage
un scoring de leads rend une note et un motif séparés, le nœud suivant teste la note.
Paramètres

Que fait chaque paramètre ?

Le nœud AI Agent Tool compte 12 paramètres. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.

01

Description

toolDescription

Ce que tu vois dans n8n

Notes & cas d'usage

C'est le texte que l'agent parent lit pour décider s'il appelle cet outil. Aucun autre champ n'a autant d'effet sur le comportement de l'ensemble.

Paramètres clés

  • Description : texte requis. n8n le dit sans détour, une description précise permet au modèle de produire le résultat attendu bien plus souvent.
Cas d'usage
« retrouve l'état de livraison d'une commande à partir de sa référence » est appelé à bon escient ; « aide sur les commandes » est appelé pour tout, y compris ce qu'il ne sait pas traiter.
02

Prompt (User Message)

text

Ce que tu vois dans n8n

Notes & cas d'usage

Ce champ porte la demande sur laquelle l'agent travaille, l'équivalent du message qu'une personne taperait.

Paramètres clés

  • Prompt (User Message) : texte requis, avec un exemple qui donne le ton, e.g. Hello, how can you help me?. Pour le brancher sur les données entrantes, une expression n8n comme {{ $json.question }} va chercher le champ de l'item courant.
Cas d'usage
une réponse de formulaire arrive dans le workflow et son champ message alimente directement le prompt.
03

Require Specific Output Format

hasOutputParser

Ce que tu vois dans n8n

Notes & cas d'usage

À activer quand le texte libre ne suffit plus et que la réponse doit revenir en champs.

Paramètres clés

  • Require Specific Output Format : une case à cocher. Une fois cochée, le nœud tient compte de ce qui est branché sur son port ai_outputParser.
Cas d'usage
un agent qui classe les emails entrants rend une catégorie et un niveau de confiance, et la suite du workflow branche dessus. Le piège : cocher sans rien brancher, l'agent reçoit une exigence et aucun modèle de sortie.
04

Enable Fallback Model

needsFallback

Ce que tu vois dans n8n

Notes & cas d'usage

Un deuxième modèle en réserve, pour le moment où le premier refuse de répondre ou ne répond plus.

Paramètres clés

  • Enable Fallback Model : une case à cocher qui ajoute un second emplacement de modèle à remplir.
Cas d'usage
un agent branché sur une conversation client continue de répondre pendant une mauvaise heure du fournisseur principal. À garder en tête : la relève passe par un autre compte, donc ces tentatives sont facturées par ce fournisseur-là, selon ses conditions.
05

System Message

options.systemMessage

Ce que tu vois dans n8n

Notes & cas d'usage

Les consignes transmises à l'agent avant le début de la conversation : son rôle, son ton, ce qu'il doit refuser.

Paramètres clés

  • System Message : le message envoyé à l'agent avant tout le reste.
Cas d'usage
un agent de tri reçoit la consigne de répondre dans la langue du ticket et de faire remonter toute demande de remboursement. À ne pas confondre avec Description : l'un dirige l'agent, l'autre dit au parent quand l'appeler.
06

Max Iterations

options.maxIterations

Ce que tu vois dans n8n

Notes & cas d'usage

Un agent boucle : il réfléchit, appelle un outil, lit le résultat, recommence. Ce paramètre plafonne le nombre de tours avant l'arrêt.

Paramètres clés

  • Max Iterations : un nombre, le maximum d'itérations avant que l'agent s'arrête.
Cas d'usage
un agent de recherche avec plusieurs outils tourne vite en rond, et chaque tour supplémentaire est un appel facturé de plus. Baisser cette valeur reste le moyen le plus direct d'empêcher une boucle d'emballement de vider un compte fournisseur en silence.
07

Return Intermediate Steps

options.returnIntermediateSteps

Ce que tu vois dans n8n

Notes & cas d'usage

Par défaut, seule la réponse finale ressort. Avec cette option, la sortie embarque aussi le chemin parcouru.

Paramètres clés

  • Return Intermediate Steps : une case à cocher qui décide si la sortie inclut les étapes intermédiaires suivies par l'agent.
Cas d'usage
déboguer un agent qui attrape le mauvais outil, où voir ce qu'il a appelé et ce qu'il a reçu règle la question en une exécution. En production, mieux vaut décocher, la sortie s'alourdit nettement.
08

Automatically Passthrough Binary Images

options.passthroughBinaryImages

Ce que tu vois dans n8n

Notes & cas d'usage

Les images qui circulent dans le workflow en données binaires sont transmises à l'agent comme des messages de type image, au lieu d'être laissées de côté.

Paramètres clés

  • Automatically Passthrough Binary Images : une case à cocher qui décide si les images binaires passent à l'agent sous forme de messages image.
Cas d'usage
une capture d'écran accompagne une demande de support et l'agent doit la regarder, pas lire un nom de fichier. Utile seulement si le modèle branché sur ai_languageModel accepte les images.
09

Tracing Metadata

options.tracingMetadata

Ce que tu vois dans n8n

Notes & cas d'usage

Des couples clé et valeur ajoutés aux événements de traçage produits par l'exécution, pour relier un appel au client ou à la campagne qui l'a déclenché.

Paramètres clés

  • Key : l'étiquette sous laquelle la valeur est enregistrée.
  • Type : le type de la valeur, à choisir entre stringValue, numberValue, booleanValue, arrayValue et objectValue.
  • Value : le contenu, saisi dans le champ correspondant au type retenu.
Cas d'usage
marquer chaque exécution d'un identifiant de compte pour filtrer les traces ensuite.
10

Auto-save highlighted data

options.autoSaveHighlightedData

Ce que tu vois dans n8n

Notes & cas d'usage

Les données mises en avant sont enregistrées automatiquement, ce qui permet ensuite de filtrer les exécutions dessus dans la vue Executions.

Paramètres clés

  • Auto-save highlighted data : une case à cocher, activée par défaut. Disponible sur les offres Pro et Enterprise de n8n Cloud, et en Enterprise ou Community Edition enregistrée sur une instance auto-hébergée.
Cas d'usage
retrouver toutes les exécutions liées à une référence de commande sans dérouler une journée entière. Sur une offre qui ne l'inclut pas, l'option n'a rien sur quoi agir.
11

Enable Streaming

options.enableStreaming

Ce que tu vois dans n8n

Notes & cas d'usage

Plutôt que d'attendre la réponse complète, l'agent la diffuse en temps réel, au fur et à mesure qu'il génère le texte.

Paramètres clés

  • Enable Streaming : une case à cocher qui décide si l'agent diffuse sa réponse pendant qu'il la produit.
Cas d'usage
une interface de chat, où voir les mots arriver vaut mieux qu'un rond qui tourne. Quand l'agent est appelé par un parent qui ne lit que le résultat final, le streaming n'apporte rien.
12

Batch Processing

options.batching

Ce que tu vois dans n8n

Notes & cas d'usage

Ces options existent pour le rate limiting, c'est-à-dire pour ne pas dépasser le rythme d'appels accepté : combien d'items le nœud traite en même temps, et combien de temps il attend entre deux paquets.

Paramètres clés

  • Batch Size : le nombre d'items traités en parallèle. Pratique pour le rate limiting, avec un effet possible sur l'ordre des logs.
  • Delay Between Batches : une pause en millisecondes entre deux paquets, toujours pour le rate limiting.
Cas d'usage
enrichir un import long sans se faire couper en cours de route.
Besoin d'aide

Besoin d'aide pour automatiser AI Agent Tool avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui viennent ensuite

01Le nœud AI Agent Tool n8n est-il gratuit, sur Cloud comme en auto-hébergé ?
Oui. Il fait partie du paquet IA de n8n, @n8n/n8n-nodes-langchain, livré avec n8n. Rien à installer, aucun surcoût côté n8n, et le comportement est le même sur n8n Cloud, l'offre hébergée par n8n, que sur une instance montée avec Docker ou npm en Community Edition sous licence Sustainable Use. Un workflow construit d'un côté tourne de l'autre. Le coût réel est ailleurs : le fournisseur du modèle branché sur l'agent facture ses propres appels d'API selon ses conditions, et n8n n'ajoute rien par-dessus. Une nuance côté fonctionnalités, pas côté prix : Auto-save highlighted data est disponible sur les offres Pro et Enterprise de n8n Cloud, et en Enterprise ou Community Edition enregistrée en auto-hébergé.
02Quels credentials faut-il pour AI Agent Tool ?
Aucun sur ce nœud. Il n'a ni credential ni sélecteur Authentication, donc rien à enregistrer côté compte et rien à faire tourner quand une clé expire. C'est confortable, mais ça ne veut pas dire que le montage se passe de clé. Le sous-nœud modèle branché sur le port ai_languageModel porte le compte du fournisseur, et ce port est requis : laissé vide, il bloque l'exécution. La clé nécessaire est donc celle du modèle choisi, qu'il s'agisse d'un service en ligne ou d'un modèle local servi par Ollama Chat Model. Même logique pour les outils accrochés au port ai_tool : chacun apporte son propre compte quand il en demande un.
03Quelles sont les limites du nœud AI Agent Tool ?
Ce n'est pas un nœud racine. Il ne s'exécute que si un parent l'appelle par un port d'outil, et les racines qui l'acceptent sont AI Agent et MCP Server Trigger. Posé seul sur un canevas, il ne fait rien. Il n'a pas non plus d'authentification propre : tout dépend des sous-nœuds branchés sur ses 4 ports d'entrée, et un port Chat Model vide arrête l'exécution. Cette page décrit la version 3 du nœud, la plus haute du catalogue ; un workflow plus ancien peut afficher une version antérieure, avec moins d'options. Enfin, emboîter un agent dans un agent multiplie les appels au modèle, ce qui rend Max Iterations et Batch Processing plus utiles ici que sur une chaîne simple.
04Que faut-il brancher au minimum, et par quel sous-nœud commencer ?
Un modèle de chat, et rien d'autre. Le port ai_languageModel est le seul port requis : un montage qui tourne, c'est un modèle, une Description et un Prompt (User Message). OpenAI Chat Model est le premier choix habituel, un compte et une liste déroulante, et Ollama Chat Model joue le même rôle quand les données ne doivent pas quitter ta machine. Ajoute ensuite Simple Memory si l'agent tient une conversation, puis passe à Postgres Chat Memory le jour où un redémarrage ne doit plus effacer l'historique. Les outils viennent en dernier : commence par un seul, Calculator par exemple, et vérifie que l'agent l'appelle vraiment avant d'en ajouter d'autres.
05n8n ou Make pour monter un agent IA de ce type ?
Ça dépend de l'endroit où le workflow doit tourner et de la façon dont tu veux payer. Make, ex-Integromat, est une plateforme hébergée, sans option d'auto-hébergement, facturée à l'opération : pratique pour une équipe qui ne veut rien maintenir et dont le volume reste prévisible. n8n fait tourner le même workflow sur Cloud ou sur ton propre serveur, ce qui compte quand les prompts et les données envoyées au modèle doivent rester à un endroit précis. La logique des agents diffère aussi : ici les ports des sous-nœuds sont visibles sur le canevas, donc le modèle, la mémoire et les outils d'un agent se lisent au lieu de se deviner. Les deux tiennent la route, les critères de décision sont l'hébergement, la maîtrise des données et l'évolution du volume.
Hack'celeration Lab

Reçois nos tips intégration chaque semaine.

Pas de spam. Désinscription à tout moment.

Même plateforme

Autres docs utiles sur ce stack.

Voir toutes les intégrations