Ressources · Intégration n8n

Nœud Azure OpenAI Chat Model n8nConfigurer Azure OpenAI Chat Model dans n8n.

Ce sous-nœud fournit à un agent ou à une chaîne un modèle de chat hébergé sur Azure. Le nœud Azure OpenAI Chat Model n8n expose 10 paramètres : un nom de déploiement, puis neuf options qui règlent la longueur, le hasard et les relances. Un seul port, jamais d'exécution isolée.

Tester le nœud Azure OpenAI Chat Model sur n8nVoir les 10 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud Azure OpenAI Chat Model n8n ?

C'est un sous-nœud, autrement dit un petit nœud qu'on accroche à un plus gros au lieu de le poser dans le flux. Pas d'entrée principale, pas de sortie principale. Tu l'accroches sous un AI Agent ou sous une chaîne, tu désignes un déploiement qui tourne dans ta ressource Azure, et tous les appels au modèle passent ensuite par Azure avec ton propre credential.

Un cabinet de recrutement traite des candidatures et veut une fiche propre pour chaque CV reçu. Le nœud racine encaisse le document, le modèle lit, et Response Format réglé sur json_object renvoie une réponse exploitable au lieu d'un paragraphe libre. C'est précisément ce que l'AI Agent attend quand un parser de sortie suit derrière.

Autre cas : une newsletter rédigée chaque semaine. Là, le paramètre décisif est Maximum Number of Tokens, qui plafonne la longueur de la réponse. Trop bas, le texte se coupe au milieu d'une phrase. Un Sampling Temperature un peu relevé varie les tournures ; proche de zéro, le modèle devient déterministe et se répète.

Troisième situation, la prospection personnalisée. Les lignes arrivent d'un Google Sheets, l'agent écrit un message par ligne, et le résultat part dans Gmail, en brouillon prêt pour relecture. Sur un lot un peu long, Max Retries et Timeout (Ms) décident si un appel lent fait tomber tout le traitement.

Quand préférer autre chose ? Ce nœud n'a de sens que si le déploiement vit dans Azure. Avec une clé de l'API publique, c'est le côté OpenAI du catalogue qui s'impose, et un modèle atteint via un produit de recherche comme Perplexity relève encore d'un autre nœud. Le critère, c'est l'hébergement du déploiement, pas la qualité.

Les limites connues tiennent en trois points. Un nœud désigne un déploiement à la fois : changer de modèle, c'est changer la valeur de Model (Deployment) Name. La variable d'environnement NO_PROXY n'est pas prise en charge. Et rien ne s'exécute sans nœud racine branché sur le port. Pour situer l'outil dans son ensemble, l'Avis n8n fait le tour.

Connexion

Quel credential faut-il pour ce nœud ?

  1. 01

    Choisir la méthode d'authentification

    Ouvre le nœud et regarde Authentication. Deux valeurs y figurent : azureOpenAiApi, affiché API Key, et azureEntraCognitiveServicesOAuth2Api, affiché Azure Entra ID (OAuth2). La première va vite sur un workflow isolé. La seconde convient à une organisation qui gère déjà ses accès de façon centralisée et préfère ne pas faire circuler une clé brute.

  2. 02

    Créer le credential une seule fois

    Un credential, c'est un jeu de secrets stocké dans n8n, à l'écart du workflow. Crée-le depuis le menu Credentials, en cohérence avec la méthode sélectionnée dans le nœud. Une fois enregistré, il se réutilise : tous les autres workflows qui visent le même déploiement Azure pointent sur la même entrée, et une rotation de secret se fait à un seul endroit.

  3. 03

    Nommer le déploiement et tester

    Renseigne Model (Deployment) Name avec le nom du déploiement tel qu'il existe dans Azure, par exemple gpt-4 ou gpt-35-turbo. Accroche le nœud à un nœud racine, puis exécute ce nœud racine. Si ça casse à cet instant, c'est presque toujours le nom du déploiement ou le credential, rarement le modèle.

Connexions

Sur quoi ce nœud se branche-t-il ?

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

Sortie (où il se branche)

  • Modelai_languageModel
01ModelSeul port utilisé par ce nœud. Il porte le modèle de langage que le nœud racine appelle dès qu'il a du texte à générer. Tire depuis le connecteur Model sous le nœud racine, puis choisis Azure OpenAI Chat Model.

Seul port utilisé par ce nœud. Il porte le modèle de langage que le nœud racine appelle dès qu'il a du texte à générer. Tire depuis le connecteur Model sous le nœud racine, puis choisis Azure OpenAI Chat Model.

Paramètres clés

  • Required : un nœud racine dont le port Model reste vide ne peut pas tourner, faute de destinataire pour son prompt.
  • AI Agent : la racine conversationnelle, qui appelle le modèle à chaque étape de raisonnement.
  • Basic LLM Chain : un prompt, une réponse, sans outil accroché.
  • Summarization Chain : avale des documents longs et confie la condensation au modèle.
Cas d'usage
un même déploiement Azure alimente un agent dans un workflow et une Summarization Chain dans un autre, avec un seul credential.
Paramètres

Que change chaque paramètre ?

Le nœud Azure OpenAI Chat Model compte 10 paramètres. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.

01

Authentication

authentication

Ce que tu vois dans n8n

Notes & cas d'usage

Ce sélecteur détermine comment n8n prouve à Azure qu'il a le droit d'appeler le déploiement. À régler en premier, puisque la liste de credentials juste en dessous se filtre sur ce choix.

Paramètres clés

  • Authentication : azureOpenAiApi (API Key) stocke directement une clé, azureEntraCognitiveServicesOAuth2Api (Azure Entra ID (OAuth2)) délègue l'accès à Entra ID.
Cas d'usage
une équipe qui proscrit les clés à longue durée de vie bascule tous ses nœuds de modèle sur l'option Entra ID sans toucher aux workflows.
02

Model (Deployment) Name

model

Ce que tu vois dans n8n

Notes & cas d'usage

Le seul champ requis du nœud. Il nomme le déploiement à appeler, c'est-à-dire l'instance de modèle publiée dans la ressource Azure. Tant qu'il est vide, l'exécution est bloquée.

Paramètres clés

  • Model (Deployment) Name : une chaîne, par exemple gpt-4 ou gpt-35-turbo. Une expression fonctionne aussi quand la valeur voyage avec l'item, du type {{ $json.deployment }}.
Cas d'usage
un workflow d'aiguillage lit une colonne contenant le déploiement à utiliser, et le même agent répond avec un modèle plus léger sur les demandes secondaires.
03

Frequency Penalty

options.frequencyPenalty

Ce que tu vois dans n8n

Notes & cas d'usage

On y touche quand le modèle rabâche la même phrase mot pour mot. Les valeurs positives pénalisent les tokens, ces morceaux de mots que manipule un modèle, selon leur fréquence déjà présente dans le texte.

Paramètres clés

  • Frequency Penalty : un nombre. Plus il monte, moins la répétition à l'identique est probable.
Cas d'usage
un lot de fiches produit où une phrase sur trois commence pareil redevient lisible une fois cette valeur relevée.
04

Maximum Number of Tokens

options.maxTokens

Ce que tu vois dans n8n

Notes & cas d'usage

Ce plafond fixe la longueur de la complétion. La plupart des modèles ont une longueur de contexte de 2048 tokens, les plus récents davantage : un plafond généreux n'est donc pas gratuit, la réponse puise dans le même budget que le prompt.

Paramètres clés

  • Maximum Number of Tokens : un nombre, -1 pour la valeur par défaut.
Cas d'usage
un résumé qui s'arrête toujours au milieu d'une phrase bute sur ce plafond plutôt qu'il n'échoue.
05

Response Format

options.responseFormat

Ce que tu vois dans n8n

Notes & cas d'usage

Ici, tu choisis la forme de ce qui revient. Laissé tel quel, le modèle rédige en prose : parfait pour un lecteur humain, pénible pour le nœud qui doit ensuite découper la réponse.

Paramètres clés

  • Response Format : text (Text) renvoie une réponse texte classique, json_object (JSON) active le mode JSON, qui doit garantir un message valide en JSON.
Cas d'usage
un workflow d'extraction qui écrit directement en base passe en mode JSON et cesse de rattraper les réponses mal formées.
06

Presence Penalty

options.presencePenalty

Ce que tu vois dans n8n

Notes & cas d'usage

Cousin du réglage précédent, orienté sujets plutôt que formulations. Les valeurs positives pénalisent les tokens déjà apparus, ce qui pousse le modèle vers de nouveaux thèmes.

Paramètres clés

  • Presence Penalty : un nombre. Plus il monte, plus le modèle a de chances de changer de sujet.
Cas d'usage
une étape de génération d'idées qui tourne autour des deux mêmes angles s'élargit dès que cette valeur augmente.
07

Sampling Temperature

options.temperature

Ce que tu vois dans n8n

Notes & cas d'usage

Le hasard, en un seul curseur. En le baissant, les complétions deviennent moins aléatoires ; en approchant de zéro, le modèle devient déterministe et répétitif.

Paramètres clés

  • Sampling Temperature : un nombre. Bas pour classer ou extraire, plus haut quand la variété de ton compte.
Cas d'usage
un tri de tickets entrants se règle près de zéro, pour qu'un même ticket ne change pas de catégorie d'une exécution à l'autre.
08

Timeout (Ms)

options.timeout

Ce que tu vois dans n8n

Notes & cas d'usage

La durée maximale autorisée pour une requête, comptée en millisecondes. Utile le jour où un appel reste suspendu et laisse une exécution ouverte derrière lui.

Paramètres clés

  • Timeout (Ms) : un nombre, le temps maximal qu'une requête peut prendre.
Cas d'usage
un traitement nocturne sur plusieurs centaines de lignes reçoit un timeout serré, pour qu'un appel bloqué échoue vite au lieu de figer la file.
09

Max Retries

options.maxRetries

Ce que tu vois dans n8n

Notes & cas d'usage

Combien de fois n8n retente après un échec, avant que le nœud abandonne et fasse tomber l'exécution. Mauvais ménage avec un timeout long : les relances multiplient l'attente.

Paramètres clés

  • Max Retries : un nombre, le maximum de tentatives après un échec.
Cas d'usage
un agent qui répond à une demande en direct garde peu de relances, parce qu'un utilisateur qui attend préfère une erreur à un long silence.
10

Top P

options.topP

Ce que tu vois dans n8n

Notes & cas d'usage

L'autre manière de doser la diversité, par échantillonnage par noyau : 0.5 signifie que la moitié des options pondérées par vraisemblance sont considérées. Une valeur basse écarte les choix peu probables.

Paramètres clés

  • Top P : un nombre. Modifier celui-ci ou la température est recommandé, mais pas les deux ensemble.
Cas d'usage
un workflow déjà calé par la température laisse ce réglage tranquille, sous peine de ne plus savoir d'où vient le résultat.
Besoin d'aide

Besoin d'aide pour automatiser Azure OpenAI Chat Model avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui suivent

01Le nœud Azure OpenAI Chat Model n8n est-il inclus dans n8n ?
Oui. Il fait partie du paquet IA de n8n, livré avec l'outil : rien à installer, aucun surcoût côté n8n. Le comportement est identique sur n8n Cloud, l'offre hébergée par n8n, et sur une instance auto-hébergée installée via Docker ou npm, en Community Edition sous licence Sustainable Use. Ce qui se facture est du côté d'Azure : le fournisseur du modèle facture ses propres appels d'API selon ses conditions, et n8n n'ajoute rien par-dessus. Un workflow construit sur l'un des deux hébergements tourne à l'identique sur l'autre.
02Que faut-il pour qu'il fonctionne ?
Un credential et un nom de déploiement. Le nœud propose deux méthodes d'authentification, API Key via azureOpenAiApi et Azure Entra ID (OAuth2) via azureEntraCognitiveServicesOAuth2Api. Le credential se crée une fois depuis le menu Credentials, puis se réutilise dans tous les workflows. Ensuite tu renseignes Model (Deployment) Name avec le déploiement tel qu'il est publié dans Azure, par exemple gpt-4 ou gpt-35-turbo. Ce champ est requis : vide, il bloque le nœud. Dernier élément, un nœud racine. C'est un sous-nœud, sans entrée principale, qui ne s'exécute jamais seul.
03Quelles sont les limites de ce nœud ?
La version 1 du nœud expose 10 paramètres : le nom du déploiement, plus neuf options qui couvrent les pénalités, le plafond de tokens, le format de réponse, la température, le timeout, les relances et Top P. C'est toute la surface disponible. Un nœud vise un déploiement : servir plusieurs modèles demande plusieurs nœuds ou une expression dans le champ du nom. La variable d'environnement NO_PROXY n'est pas prise en charge, ce qui compte sur une instance auto-hébergée derrière un proxy. Un workflow ancien peut afficher une version antérieure, avec moins d'options.
04Que faut-il brancher au minimum, et par quoi commencer ?
Au minimum un nœud racine et un credential. Le nœud s'accroche au port Model, de type ai_languageModel, d'une racine comme AI Agent, Basic LLM Chain ou Question and Answer Chain, et ce port ne peut pas rester vide. Pour débuter, Basic LLM Chain est le terrain le plus simple : un prompt, une réponse, sans outil ni boucle de décision à déboguer. Une fois ça en place, passer à AI Agent ajoute les briques qui, de toute façon, réclament un modèle en dessous. Structured Output Parser et Auto-fixing Output Parser viennent après, quand la réponse doit tenir une forme fixe.
05n8n ou Make pour un workflow Azure OpenAI ?
Ça dépend d'où les données doivent rester. Make est hébergé uniquement, sans option d'auto-hébergement, et se facture à l'opération. n8n tourne sur Cloud ou sur tes propres serveurs, ce qui tranche la question quand les prompts transportent des données qui ne peuvent pas sortir d'une infrastructure donnée, et son modèle de coût ne se compte pas à l'opération. Côté logique visuelle, Make aligne une chaîne de modules quand n8n construit un graphe où des sous-nœuds pendent sous une racine, exactement le modèle auquel appartient ce nœud de chat. Les deux se construisent à la souris.
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