Ressources · Intégration n8n

Nœud Auto-fixing Output Parser n8nConfigurer Auto-fixing Output Parser dans n8n.

Un modèle qui répond dans le mauvais format casse tout le workflow. Le nœud Auto-fixing Output Parser n8n enveloppe un autre output parser, le sous-nœud qui transforme du texte libre en données propres, et demande à un modèle de chat de réparer la réponse quand la lecture échoue. Un paramètre, 2 ports requis.

Tester le nœud Auto-fixing Output Parser sur n8nVoir les 1 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert vraiment le nœud Auto-fixing Output Parser n8n ?

Il se glisse entre un nœud racine et un parser plus strict. Le nœud racine, un AI Agent ou une Basic LLM Chain, interroge son modèle de chat. Le parser enveloppé vérifie que la réponse a bien la forme attendue. Si ce contrôle échoue, l'Auto-fixing Output Parser ne renvoie pas l'erreur au workflow : il transmet la tentative ratée, les règles de lecture et le message d'erreur à un modèle de chat, et réclame une version corrigée.

Prends une extraction de devis reçus par mail. Un AI Agent lit la pièce jointe et doit ressortir un montant, une date et un nom de fournisseur. La plupart du temps ça passe. Une fois de temps en temps, le modèle ajoute une phrase de politesse autour de l'objet, le Structured Output Parser refuse, l'exécution s'arrête. Le wrapper laisse au modèle une chance de se rattraper avant l'échec.

Autre situation : un tri de messages entrants. Le modèle classe la demande, puis un nœud Gmail envoie la réponse type correspondante. Ici, la catégorie compte plus que la formulation exacte. Payer un deuxième appel de modèle coûte moins cher que de rater une demande urgente pour une virgule mal placée.

Troisième cas : une veille alimentée par Perplexity dont les résultats partent en base. Les champs doivent rester identiques d'une exécution à l'autre, sinon les colonnes se décalent. La réparation se fait dans la branche IA, avant que la donnée bancale n'arrive plus loin.

Quand s'en passer : n8n marque ce nœud comme déprécié et renvoie vers le Structured Output Parser. Sur un workflow neuf, commence par le parser simple et un prompt plus net. Les modèles récents respectent une structure demandée, et chaque correction déclenche un appel de plus chez ton fournisseur de modèle, qui facture ses propres appels d'API selon ses conditions. Le wrapper se justifie sur un flux existant qui casse déjà sur le format.

Limites connues : ce nœud répare la forme, pas le fond. Une réponse qui rentre dans le moule peut rester fausse. Pas de compteur de tentatives à régler, pas de branche prévue si la correction échoue à son tour, et 1 seule option exposée. Pour comparer hébergement et modèle de coût avant de te lancer, l'Avis n8n creuse le sujet, et la Formation n8n reprend le câblage des agents pas à pas.

Connexions

Qu'est-ce qu'on lui branche dessus ?

C'est un sous-nœud : il ne s'exécute jamais seul, il se raccroche à un nœud racine et possède ses propres ports, un port étant l'une des petites prises sous le nœud où vient se brancher un autre sous-nœud.

Ports (ce qui se branche)

  • Chat Modelai_languageModelrequis
  • Output Parserai_outputParserrequis

Sortie (où il se branche)

  • Output Parserai_outputParser
01Chat ModelLe modèle chargé de la correction. Il reçoit la tentative ratée, les règles de lecture et le message d'erreur, puis renvoie une réponse remise d'aplomb. C'est bien un second appel, distinct de celui qu'a déjà fait le nœud racine.

Le modèle chargé de la correction. Il reçoit la tentative ratée, les règles de lecture et le message d'erreur, puis renvoie une réponse remise d'aplomb. C'est bien un second appel, distinct de celui qu'a déjà fait le nœud racine.

Paramètres clés

  • Required : port laissé vide, le nœud bloque l'exécution.
  • OpenAI Chat Model : le point de départ habituel, et c'est ce sous-nœud qui porte le credential du fournisseur, pas celui-ci.
  • Anthropic Chat Model ou Mistral Cloud Chat Model : des choix cohérents si le reste du workflow tourne déjà chez ce fournisseur.
Cas d'usage
remettre en forme un montant et une date extraits d'un devis, sans toucher aux valeurs elles-mêmes.
02Output ParserLe parser enveloppé. C'est lui qui définit ce qu'est une réponse valide, et c'est son refus qui réveille le nœud. Sans lui, il n'y a rien à rattraper.

Le parser enveloppé. C'est lui qui définit ce qu'est une réponse valide, et c'est son refus qui réveille le nœud. Sans lui, il n'y a rien à rattraper.

Paramètres clés

  • Required : il faut un parser à envelopper pour que le mécanisme ait un sens.
  • Structured Output Parser : décrit l'objet attendu, donc un refus précis et facile à corriger.
  • Item List Output Parser : quand la réponse doit arriver sous forme de liste d'éléments plutôt que d'objet.
Cas d'usage
une fiche produit qui doit toujours ressortir avec les mêmes clés, protégée contre une ligne de commentaire en trop.
Paramètres

Quel paramètre y a-t-il à régler ?

Le nœud Auto-fixing Output Parser compte un paramètre. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.

01

Options

options

Ce que tu vois dans n8n

Notes & cas d'usage

Le panneau est presque vide. Tout tient dans une collection qu'on ouvre avec Add Option, et rien n'y est obligatoire : laisse-la fermée et le nœud utilise son prompt de correction intégré.

Paramètres clés

  • Retry Prompt : le gabarit de prompt utilisé pour corriger la sortie. Il doit contenir les marqueurs {instructions}, {completion} et {error}, qui portent respectivement les règles de lecture, la tentative ratée et le message d'erreur de validation.
Cas d'usage
ajouter une consigne au gabarit pour exiger l'objet seul, sans phrase autour, quand c'est l'erreur que le modèle répète.
Besoin d'aide

Besoin d'aide pour automatiser Auto-fixing Output Parser avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui viennent ensuite

01Le nœud Auto-fixing Output Parser n8n est-il gratuit ?
Oui, côté n8n. Le nœud fait partie du paquet IA de n8n et est livré avec l'outil : rien à installer, aucun surcoût, sur n8n Cloud comme sur une instance auto-hébergée sous Community Edition et licence Sustainable Use. Un workflow se comporte pareil dans les deux cas. Ce qui coûte, c'est le modèle : chaque correction déclenche un second appel au modèle de chat branché sur le port Chat Model, et ce fournisseur facture ses propres appels d'API selon ses conditions. C'est ce point qu'il faut peser, pas la facture n8n.
02Quels credentials faut-il pour le faire tourner ?
Aucun. Ce nœud n'a ni credential, l'identifiant stocké dans n8n pour accéder à un service, ni sélecteur Authentication. Rien à connecter, rien à faire tourner, aucun compte à créer pour lui. La clé se trouve un cran plus loin, sur le sous-nœud modèle de chat raccordé au port Chat Model : c'est lui qui porte le credential du fournisseur, et c'est le seul endroit où une clé d'API apparaît dans ce montage. Le parser enveloppé n'a pas de compte non plus. Si l'exécution bloque sur l'authentification, ouvre le sous-nœud modèle.
03Quelles sont les limites de ce nœud ?
Deux, et elles comptent. D'abord, n8n le signale comme déprécié et conseille le Structured Output Parser à la place : un workflow monté aujourd'hui part de ce dernier et n'ajoute le wrapper que si les échecs de format apparaissent pour de vrai. Ensuite, la surface est mince : version 1 du nœud, 1 option, et cette option se limite au Retry Prompt. Pas de nombre de tentatives à régler, pas de chemin séparé si la correction rate à son tour. Et il rattrape la forme, jamais le fond : une réponse bien formée peut rester fausse.
04Que faut-il brancher au minimum ?
Les deux ports d'entrée, puisque les deux sont requis. Sur le port Chat Model, un sous-nœud modèle de chat, l'OpenAI Chat Model étant le plus simple pour démarrer parce que son credential est souvent déjà présent dans n8n. Sur le port Output Parser, le parser que tu veux protéger : le Structured Output Parser dans la majorité des cas, l'Item List Output Parser quand la réponse doit arriver en liste. Ensuite, raccorde l'ensemble à un nœud racine, AI Agent, AI Agent Tool ou Basic LLM Chain, et le montage est complet.
05n8n ou Make pour ce genre de workflow IA ?
Ça dépend d'où tu veux que le workflow tourne. Make est hébergé par Make, sans option d'auto-hébergement, et la facturation se fait à l'opération : une reprise, c'est un appel de modèle en plus et une étape facturée en plus. n8n s'installe sur ton propre serveur ou s'utilise sur n8n Cloud, ce qui pèse quand les données qui traversent le parser sont sensibles, et son modèle de coût ne suit pas le nombre d'étapes de la même façon. La logique visuelle de Make est plus linéaire ; les nœuds IA de n8n fonctionnent en racine et sous-nœuds branchés sur des ports, exactement la forme que suppose ce parser.
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