Nœud Embeddings Azure OpenAI n8nConfigurer Embeddings Azure OpenAI dans n8n.
Une recherche sémantique commence toujours par un modèle qui transforme du texte en nombres. Le nœud Embeddings Azure OpenAI n8n fait ce calcul via un déploiement Azure et propose 5 options : le déploiement, le lot, le nettoyage du texte, le délai et la largeur des vecteurs.
Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth
À quoi sert le nœud Embeddings Azure OpenAI n8n ?
Ce nœud transforme du texte en embeddings, c'est-à-dire des suites de nombres qui placent une phrase dans un espace où les sens proches se retrouvent côte à côte. Il interroge un déploiement de modèle hébergé sur Azure OpenAI et rend les vecteurs obtenus au nœud racine qui les a demandés, en général un vector store ou une chaîne de questions-réponses. Seul, il ne produit rien : n8n ne l'appelle que lorsque le nœud auquel il est raccordé a besoin de texte vectorisé.
Premier cas, celui d'un cabinet qui garde sa documentation interne à jour. Les fichiers arrivent de Google Drive, sont découpés, passent par ce nœud puis atterrissent dans un index : c'est la forme du template 9174, construit autour d'un Simple Vector Store. Un document modifié repasse dans le même parcours et la recherche suit sans intervention.
Deuxième cas, une équipe support qui interroge cette base depuis Slack. Le template 6018 relie le canal à un Pinecone Vector Store, avec ce nœud sur le port des embeddings, un AI Agent au-dessus et un Auto-fixing Output Parser qui garde la réponse propre. La question posée est vectorisée par le modèle qui a vectorisé les documents. C'est ce qui rend la comparaison valable.
Troisième cas, un catalogue produit tenu dans Google Sheets. La colonne description alimente le chargeur, et Batch Size décide combien de lignes partent ensemble vers Azure. Le template 6020 suit ce schéma pour un assistant Slack.
Quand vaut-il mieux autre chose ? Si ta clé est une clé OpenAI classique et non un déploiement Azure, c'est du côté OpenAI qu'il faut chercher. Et si le besoin est de rédiger une réponse plutôt que de mesurer une proximité, ce port n'est pas le bon : un modèle de chat se branche ailleurs sur le nœud racine. Les embeddings comparent du texte, ils n'en écrivent pas.
Deux limites à connaître avant de construire. Dimensions ne s'applique qu'aux modèles text-embedding-3 et suivants : sur un déploiement plus ancien, le réglage reste sans effet. Et comme le nœud n'a pas d'entrée principale, impossible de le tester en cliquant dessus. On exécute le nœud racine et on regarde le port réagir. Pour dérouler le montage complet avec quelqu'un, il y a la Formation n8n.
Que faut-il préparer avant de lancer le nœud ?
- 01
Déployer un modèle sur Azure OpenAI
Le nœud s'adresse à un modèle que tu as déployé sur Azure OpenAI, pas à un point d'entrée générique. Note le nom du déploiement côté Azure : c'est cette chaîne exacte qui ira dans Model (Deployment) Name. Sans déploiement, le nœud n'a rien à appeler, même avec un credential valide.
- 02
Créer le credential une seule fois
Dans n8n, un credential est un jeu d'identifiants enregistré que n'importe quel workflow peut réutiliser. Ouvre le menu Credentials, crée l'entrée Azure OpenAI et remplis-la avec les valeurs indiquées sur la page d'authentification officielle liée depuis la doc du nœud. Une fois enregistré, il se choisit dans une liste déroulante partout ailleurs.
- 03
Raccorder le nœud à un nœud racine
Pose le nœud sur le canevas et relie-le au port des embeddings du nœud qui réclame des vecteurs, vector store ou chaîne. Un port, c'est la prise sous un nœud racine qui accepte un seul type de sous-nœud. Sélectionne le credential, puis exécute le nœud racine pour voir les premiers vecteurs revenir.
Où ce nœud se branche-t-il ?
n8n répartit le travail IA entre un nœud racine, qui reçoit les items du workflow, et des sous-nœuds accrochés à ses ports. Celui-ci est un sous-nœud : un seul port de sortie, aucune entrée principale.
Sortie (où il se branche)
- Embeddings
ai_embedding
01Embeddings
C'est la prise à laquelle le nœud remet ses vecteurs. Un vector store ou une chaîne réclame des embeddings, et le sous-nœud posé sur ce port répond.
Paramètres clés
- Required : sans sous-nœud d'embeddings sur ce port, le nœud racine ne peut ni écrire ni chercher de vecteurs.
Que règle-t-on sur le nœud ?
Le nœud Embeddings Azure OpenAI compte 5 paramètres. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.
Model (Deployment) Name
modelCe que tu vois dans n8n
Notes & cas d'usage
Désigne le déploiement qui calcule les vecteurs. La valeur est le nom du déploiement de modèle à utiliser, et elle conditionne tout ce qui vient ensuite.
Paramètres clés
- Model (Deployment) Name : une valeur texte, saisie à la main ou tirée de l'item avec une expression comme
{{ $json.model }}quand un workflow dessert plusieurs déploiements.
Batch Size
options.batchSizeCe que tu vois dans n8n
Notes & cas d'usage
Fixe le nombre maximum de documents envoyés dans chaque requête. Plus haut, un gros import se termine en moins d'allers-retours ; plus bas, chaque appel transporte moins.
Paramètres clés
- Batch Size : un nombre, qui plafonne la requête sans la remplir de force : un petit lot part tel quel.
Strip New Lines
options.stripNewLinesCe que tu vois dans n8n
Notes & cas d'usage
Retire les retours à la ligne du texte d'entrée avant l'appel au modèle. n8n l'active par défaut, ce qui convient à de la prose.
Paramètres clés
- Strip New Lines : un interrupteur, activé pour supprimer les retours à la ligne du texte d'entrée, désactivé pour les conserver.
Timeout
options.timeoutCe que tu vois dans n8n
Notes & cas d'usage
Plafonne la durée d'une requête, en secondes. Passé ce délai, l'appel s'arrête au lieu de laisser l'exécution ouverte. C'est le réglage qui évite qu'un lot un peu lourd immobilise le workflow pendant de longues minutes.
Paramètres clés
- Timeout : un nombre de secondes, ou
-1pour ne poser aucune limite, ce qui se réserve aux imports lancés la nuit et surveillés.
Dimensions
options.dimensionsCe que tu vois dans n8n
Notes & cas d'usage
Détermine la largeur des vecteurs produits. Étroits, ils tiennent moins de place dans l'index ; larges, ils gardent plus de nuances.
Paramètres clés
- Dimensions : au choix
256,512,1024,1536ou3072, uniquement sur les modèles text-embedding-3 et suivants.
Besoin d'aide pour automatiser Embeddings Azure OpenAI avec n8n ?
L'équipe te répond directement.
Chaque message est lu par une personne.
Les questions qui viennent ensuite
01Le nœud Embeddings Azure OpenAI est-il inclus dans n8n ?
02De quoi le nœud a-t-il besoin pour fonctionner ?
03Quelles limites a le nœud Embeddings Azure OpenAI n8n ?
04Que faut-il brancher pour démarrer ?
05n8n ou Make pour ce type de workflow ?
Reçois nos tips intégration chaque semaine.
Pas de spam. Désinscription à tout moment.
