Ressources · Intégration n8n

Nœud Basic LLM Chain n8nConfigurer Basic LLM Chain dans n8n.

Un prompt qui part, une réponse du modèle qui revient, et rien d'autre à câbler. Le nœud Basic LLM Chain n8n envoie ton texte à un modèle de chat et rend sa réponse au workflow. Il expose 10 paramètres et 2 ports, et il vise ceux qui veulent une réponse, pas un agent qui choisit ses outils.

Tester le nœud Basic LLM Chain sur n8n Voir les 10 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert vraiment le nœud Basic LLM Chain n8n ?

Basic LLM Chain est un nœud racine : il reçoit les items sur son entrée principale, fabrique un prompt à partir d'eux, l'envoie au modèle de chat branché sur son port et renvoie le texte obtenu. Un nœud racine tourne dans le workflow lui-même ; un sous-nœud est un petit nœud qu'on tire sur un de ses ports et qui ne s'exécute jamais seul. Pas d'appel d'outil, pas de boucle, pas de décision.

Prends une boîte de demandes de devis. Chaque message arrive brut, il faut en sortir le type de prestation et le niveau d'urgence avant qu'un humain le lise. Une chaîne, un message système qui liste les catégories, et la réponse se pose dans l'item. Le modèle n'a rien à explorer, donc une chaîne suffit et l'exécution reste lisible.

Deuxième cas : des photos de chantier qui arrivent en binaire depuis l'étape précédente. Message Type sur imageBinary, Image Data Field Name pointé sur le champ binaire, et la description part dans Google Sheets. Troisième cas : un récapitulatif du matin où chaque item contient une note prise à la volée, que la chaîne reformule avant l'envoi dans Slack.

La chaîne se choisit face au nœud AI Agent quand la tâche a une seule forme et une seule réponse. Un agent se justifie le jour où le modèle doit arbitrer entre plusieurs outils ou enchaîner plusieurs tours. Une chaîne fait une passe et s'arrête, ce qui la rend plus simple à déboguer et plus claire à relire six mois après. Si la réponse doit être typée, active Require Specific Output Format et branche un output parser plutôt que de sortir l'artillerie.

Les limites méritent d'être connues avant de construire dessus. La chaîne n'a aucune mémoire : rien ne passe d'un item à l'autre ni d'une exécution à la suivante. Elle n'appelle aucun outil et n'ira chercher aucune page pour toi. Le prompt est du texte, donc tout ce qui bouge entre par une expression comme {{ $json.chatInput }}. Et le fournisseur du modèle derrière le sous-nœud, que ce soit OpenAI ou un autre, facture ses propres appels d'API selon ses conditions ; n8n n'ajoute rien.

Cette page décrit la version 2 du nœud. Un workflow ancien peut afficher une version antérieure, avec moins d'options : compare le panneau que tu as sous les yeux avant de chercher un réglage qui n'existe pas encore chez toi. Pour situer la plateforme dans son ensemble, l'Avis n8n fait le tour.

Connexions

Qu'est-ce qu'on branche sur la chaîne ?

La chaîne est le nœud racine ; le modèle et le parser sont des sous-nœuds qu'on tire sur ses ports, un type de sous-nœud par port.

Ports (ce qui se branche)

Chat Modelai_languageModelrequis
Output Parserai_outputParseroptionnel

01Chat ModelCe port porte le modèle qui répond au prompt. La chaîne n'en embarque aucun, donc un port vide arrête l'exécution avant même que quoi que ce soit parte.

Ce port porte le modèle qui répond au prompt. La chaîne n'en embarque aucun, donc un port vide arrête l'exécution avant même que quoi que ce soit parte.

Paramètres clés

Required : laissé vide, le nœud ne peut pas tourner.
OpenAI Chat Model : le point de départ habituel quand la clé du fournisseur est déjà là.
Ollama Chat Model : pour un modèle qui tourne sur ta machine, sans appel qui sort du réseau.
Anthropic Chat Model : autre option hébergée, câblée exactement pareil.

Cas d'usage

une chaîne de classification démarre souvent sur un modèle hébergé, puis bascule vers un modèle local une fois le prompt stabilisé et le volume en hausse.

02Output ParserCe port met la réponse en forme au lieu de la laisser revenir en prose libre. Un output parser est un sous-nœud qui relit la réponse du modèle et rend des champs exploitables par la suite du workflow.

Ce port met la réponse en forme au lieu de la laisser revenir en prose libre. Un output parser est un sous-nœud qui relit la réponse du modèle et rend des champs exploitables par la suite du workflow.

Paramètres clés

Optional : sans lui, la chaîne rend du texte brut.
Structured Output Parser : tu décris la forme attendue, la réponse revient dedans.
Auto-fixing Output Parser : il enveloppe un autre parser et redemande au modèle quand la première réponse ne rentre pas.

Cas d'usage

extraire un nom, une date et un montant d'une note écrite à la main, pour que le nœud suivant mappe chaque valeur sur sa colonne.

Paramètres

Quels paramètres comptent dans le panneau Basic LLM Chain ?

Le nœud Basic LLM Chain compte 10 paramètres. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.

Source for Prompt (User Message)

promptType

Ce que tu vois dans n8n

Notes & cas d'usage

Ce sélecteur décide d'où vient le texte du prompt. C'est la première chose à régler sur un nœud fraîchement posé.

Paramètres clés

Connected Chat Trigger Node (auto) : cherche un champ d'entrée nommé chatInput venant d'un Chat Trigger directement connecté.
Define below (define) : une expression qui référence les données des nœuds précédents, ou du texte fixe.
Prompt (User Message) (text) : le champ requis qui apparaît avec la seconde option et contient le prompt.

Cas d'usage

une chaîne alimentée par un appel HTTP tourne sur define, avec {{ $json.body }} dans le champ texte. L'erreur no prompt specified sur auto signale des données entrantes sans champ chatInput ; un nœud Edit Fields (Set) qui le renomme règle le cas.

Require Specific Output Format

hasOutputParser

Ce que tu vois dans n8n

Notes & cas d'usage

Bascule cet interrupteur et le nœud fait apparaître le port output parser : la réponse revient mise en forme au lieu d'un paragraphe.

Paramètres clés

Require Specific Output Format (hasOutputParser) : un booléen, éteint tant que le typage n'est pas nécessaire.

Cas d'usage

une chaîne qui lit un email entrant et doit rendre une catégorie, une priorité et un résumé court, chacun alimentant une branche différente. Laissé éteint, le même nœud rend un bloc de texte que tous les nœuds suivants doivent découper à la main.

Enable Fallback Model

needsFallback

Ce que tu vois dans n8n

Notes & cas d'usage

Activé, ce réglage garde un second modèle sous le coude au lieu de planter au premier refus.

Paramètres clés

Enable Fallback Model (needsFallback) : un booléen, éteint par défaut.

Cas d'usage

un traitement de nuit qui doit être fini avant l'ouverture des bureaux, où un fournisseur indisponible laisserait tout le reste de la liste sans réponse. Garde-le éteint tant que le prompt se peaufine : avec deux modèles, on ne sait plus lequel a produit la réponse qu'on relit.

Type Name or ID

messages.type

Ce que tu vois dans n8n

Notes & cas d'usage

Dans Chat Messages, ce sélecteur dit au nom de qui parle un message. n8n ignore ces options si aucun modèle de chat n'est branché.

Paramètres clés

System (SystemMessagePromptTemplate) : la consigne qui guide ce que le modèle doit faire, ton compris.
User (HumanMessagePromptTemplate) : un exemple d'entrée utilisateur.
AI (AIMessagePromptTemplate) : un exemple de réponse attendue, que le modèle essaie d'imiter.

Cas d'usage

associer un exemple User et un exemple AI donne au modèle un cas travaillé, souvent suffisant pour figer un format sans aucun parser.

Message Type

messages.messageType

Ce que tu vois dans n8n

Notes & cas d'usage

Celui-ci apparaît sur un message User et dit ce que reçoit le modèle : des mots, ou une image à regarder.

Paramètres clés

Text (text) : un simple message texte.
Image (Binary) (imageBinary) : traite l'entrée binaire venue du nœud précédent.
Image (URL) (imageUrl) : traite l'image située à l'adresse indiquée.

Cas d'usage

une chaîne qui lit des bons de livraison scannés tourne sur imageBinary juste après le nœud qui a téléchargé le fichier, sans étape de stockage entre les deux.

Image Data Field Name

messages.binaryImageDataKey

Ce que tu vois dans n8n

Notes & cas d'usage

Quand l'image arrive en binaire, la chaîne doit savoir quel champ la contient, et c'est ici qu'on le lui dit.

Paramètres clés

Image Data Field Name (binaryImageDataKey) : requis, le nom du champ de l'entrée de la chaîne qui contient le fichier image binaire à traiter.

Cas d'usage

une photo récupérée dans un message et passée directement au modèle. La valeur attendue est un nom de propriété binaire, pas un chemin JSON : l'erreur classique, c'est d'écrire une expression là où le nom brut suffit.

Image URL

messages.imageUrl

Ce que tu vois dans n8n

Notes & cas d'usage

L'autre façon de transmettre une image : donner l'adresse et laisser le modèle récupérer ce dont il a besoin.

Paramètres clés

Image URL (imageUrl) : requis, l'URL de l'image à traiter.

Cas d'usage

des visuels produits déjà hébergés sur un espace public, dont le lien circule dans le workflow sous la forme {{ $json.imageUrl }} sans qu'aucun fichier n'entre dans n8n. Si l'adresse est privée ou expire, la voie binaire est plus sûre.

Image Details

messages.imageDetail

Ce que tu vois dans n8n

Notes & cas d'usage

Ce réglage contrôle la façon dont le modèle traite l'image et en produit sa compréhension textuelle, et il déplace le budget de jetons avec lui. Un jeton est l'unité dans laquelle un modèle compte son entrée.

Paramètres clés

Auto (auto) : regarde la taille de l'image et tranche entre le réglage low et le réglage high.
Low (low) : une version 512px x 512px, un budget de 65 jetons, des réponses plus rapides et moins de jetons consommés.
High (high) : des découpes détaillées de 512px, chacune au double du budget, soit 129 jetons au total.

Cas d'usage

compter des objets sur une photo tient en low ; lire les petits caractères d'une étiquette, c'est le rôle de high.

Message

messages.message

Ce que tu vois dans n8n

Notes & cas d'usage

C'est le texte du message de chat lui-même, et son sens dépend du type choisi juste au-dessus.

Paramètres clés

Message (message) : requis, le contenu de ce message.

Cas d'usage

sur un message System, un Always respond talking like a pirate suffit à fixer le ton pour tous les items. Sur un message AI, le même champ accueille un exemple de réponse attendue, et le modèle essaie de répondre de la même façon.

Batch Processing

batching

Ce que tu vois dans n8n

Notes & cas d'usage

Une collection d'options de traitement par lots pour la limitation de débit, utile le jour où un workflow n'obtient plus de réponse parce qu'il en a demandé trop d'un coup.

Paramètres clés

Batch Size (batchSize) : combien d'items traiter en parallèle, ce qui aide sur la limitation de débit mais peut modifier l'ordre des logs.
Delay Between Batches (delayBetweenBatches) : un délai en millisecondes entre deux lots, lui aussi pour la limitation de débit.

Cas d'usage

une liste de plusieurs milliers de lignes passée dans la chaîne en une seule exécution. Augmente le délai avant de réduire la taille quand le fournisseur freine, et garde en tête que l'ordre des logs ne suit plus forcément celui de l'entrée.

Besoin d'aide

Besoin d'aide pour automatiser Basic LLM Chain avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qu'on se pose sur Basic LLM Chain

01Le nœud Basic LLM Chain est-il gratuit dans n8n ?

Oui. Il fait partie du paquet IA livré avec n8n : rien à installer, rien de plus à payer côté n8n, aussi bien sur n8n Cloud que sur une instance auto-hébergée en Community Edition sous licence Sustainable Use. Un workflow se comporte pareil dans les deux cas. Le vrai coût est ailleurs : le fournisseur du modèle de chat que tu branches facture ses propres appels d'API selon ses conditions, et n8n n'ajoute rien par-dessus. Le nœud ne coûte donc rien en soi, et la dépense dépend entièrement du sous-nœud modèle posé sur le port et de la fréquence à laquelle il tourne.

02Quels credentials faut-il pour le nœud Basic LLM Chain ?

Aucun. Le nœud n'a ni credential ni sélecteur d'authentification, donc il n'y a rien à configurer côté compte avant de s'en servir. La clé se trouve un cran plus loin : c'est le sous-nœud modèle de chat branché sur le port qui porte le credential du fournisseur, et c'est là qu'on la saisit. Un credential est un identifiant enregistré une fois dans n8n, que toutes les chaînes utilisant le même modèle réutilisent ensuite. Concrètement, un nœud Basic LLM Chain fraîchement posé est prêt tout de suite, et la seule étape bloquante qui reste est de choisir un modèle et de donner sa clé au sous-nœud.

03Quelles limites a le nœud Basic LLM Chain n8n ?

Il fait une passe. La chaîne envoie un prompt, lit la réponse et s'arrête, ce qui exclut l'appel d'outil et le raisonnement en plusieurs tours. Elle n'a pas de mémoire non plus : rien n'est retenu d'un item à l'autre ni d'une exécution à la suivante. Les images n'entrent que par un message User réglé sur binaire ou sur URL, et le réglage de détail plafonne la finesse avec laquelle le modèle les regarde. Cette page décrit la version 2 du nœud ; un workflow ancien peut afficher une version antérieure avec moins d'options. Tout ce qui sort de cette forme relève d'un autre nœud.

04Basic LLM Chain ou AI Agent : lequel choisir ?

Prends la chaîne quand la tâche a une seule forme et une seule réponse : classer, reformuler, résumer. Prends l'agent quand le modèle doit arbitrer entre des outils ou enchaîner plusieurs tours avant de répondre. Au minimum, une chaîne réclame deux choses : un modèle de chat sur son port requis, et un prompt, venu d'un Chat Trigger connecté ou saisi en dessous. Pour débuter, OpenAI Chat Model est le chemin le plus court si la clé existe déjà, et Ollama Chat Model garde tout sur ta machine. Un Structured Output Parser ne s'ajoute que le jour où la réponse doit être typée.

05n8n ou Make pour lancer un prompt LLM ?

Ça dépend de l'endroit où le workflow doit vivre. Make est hébergé, sans option d'auto-hébergement, et se facture à l'opération : une chaîne qui parcourt une longue liste voit donc son coût grandir avec la liste. n8n tourne sur n8n Cloud ou sur ton propre serveur via Docker ou npm, ce qui compte quand les prompts transportent des données que tu préfères garder en interne. Les deux offrent un canevas visuel. Tranche sur l'hébergement, la maîtrise des données, le modèle de coût et le confort de la personne qui maintiendra le workflow, pas sur une liste de fonctionnalités.

Hack'celeration Lab

Reçois nos tips intégration chaque semaine.

Pas de spam. Désinscription à tout moment.