Nœud Embeddings Google Gemini n8nConfigurer Embeddings Google Gemini dans n8n.
Le nœud Embeddings Google Gemini n8n ne tourne jamais tout seul. C'est un sous-nœud : il se clipse sur le port Embeddings d'un vector store et transforme du texte en vecteurs, la forme numérique que l'IA sait comparer. Un paramètre à régler, Model, et un credential Google derrière.
Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth
À quoi sert le nœud Embeddings Google Gemini n8n ?
Il calcule les embeddings d'un texte avec un modèle Google Gemini. Un embedding, c'est un vecteur : une longue liste de nombres qui situe un bout de texte dans un espace de sens, pour qu'une base retrouve plus tard les passages les plus proches d'une question. Le nœud produit ces vecteurs et les remet au nœud racine sur lequel il est branché.
Pas d'entrée principale, pas de bouton d'exécution : ce nœud n'est qu'une pièce. Chez n8n, un nœud racine (un AI Agent, une chaîne, un vector store) reçoit les items du workflow, et des sous-nœuds viennent se brancher sur ses ports, un type par port. Celui-ci occupe le port Embeddings, rien d'autre.
Premier cas, l'indexation. Un fichier arrive, un text splitter le découpe en passages, un Default Data Loader les fait passer, et le vector store écrit chaque passage avec le vecteur renvoyé ici. Deuxième cas, la recherche : le même store, en mode requête, vectorise la question posée avec la même valeur de Model et la compare à ce qui est stocké. Troisième cas, un assistant qui répond à partir de ta doc interne : le Vector Store Question Answer Tool se branche sur le port outil de l'agent, et le store derrière s'appuie sur ces embeddings.
Deux détails font la différence entre un pipeline qui répond juste et un qui répond à côté. La valeur de Model doit être identique à l'indexation et à la requête, parce que des vecteurs issus de deux modèles différents ne se comparent pas. Et les vecteurs déjà écrits ne se mettent pas à jour tout seuls quand tu changes ce réglage : il faut réindexer.
Quand prendre autre chose ? Si le reste de tes automatisations tourne déjà chez un autre fournisseur, le sous-nœud d'embeddings OpenAI remplit le même port et t'évite un credential de plus. Ici, l'intérêt est net quand le côté conversation utilise déjà un Google Gemini Chat Model : un seul credential Google couvre les deux. Google facture ses propres appels d'API selon ses conditions, n8n n'ajoute rien par-dessus.
Trois templates publics montrent le montage complet : un chatbot RAG sur des fichiers Google Drive avec un Pinecone Vector Store (2753), un bot de documentation sur un Supabase Vector Store (5993), et le même principe sur un Simple Vector Store (6137). Pour te faire une idée de la plateforme avant de t'engager, il y a l'Avis n8n, et la Formation n8n si tu préfères mettre les mains dedans.
Comment le connecter à Google ?
- 01
Créer le credential Google AI
Ouvre le menu Credentials de n8n et crée le credential Google AI vers lequel pointe la documentation du nœud. Un credential, c'est un jeu de secrets enregistré une fois et appelé par son nom : rien de sensible ne traîne dans le workflow lui-même. Crée-le avant d'ouvrir le nœud, il sera déjà proposé dans la liste.
- 02
Coller la clé d'API venue de Google
La clé se récupère côté Google, pas côté n8n. Colle-la dans le formulaire du credential et enregistre. Comme ce nœud n'appelle que l'endpoint d'embeddings, la même clé peut aussi alimenter un Google Gemini Chat Model dans le même workflow : un credential, plusieurs sous-nœuds, et un seul secret à faire tourner le jour où tu le renouvelles.
- 03
Sélectionner le credential dans le nœud
Pose le nœud sur le canvas, choisis le credential dans le sélecteur en haut du panneau, puis le Model. Relie ensuite la sortie au port Embeddings du nœud racine et c'est branché. Le credential reste réutilisable dans tous les autres workflows de l'instance, sur n8n Cloud comme sur une installation auto-hébergée.
Où est-ce que ça se branche ?
Un port, c'est une prise étiquetée sur un nœud racine, et chaque type de sous-nœud n'entre que dans la sienne. Ce nœud n'a aucune entrée : juste une sortie taillée pour la prise Embeddings.
Sortie (où il se branche)
- Embeddings
ai_embedding
01Embeddings
C'est la seule connexion du nœud. La sortie de type ai_embedding est lue par le nœud racine dès qu'il a besoin de convertir du texte en vecteurs, à l'écriture comme à la recherche.
Paramètres clés
- Required : sans sous-nœud d'embeddings sur ce port, un vector store ne peut ni enregistrer ni retrouver quoi que ce soit.
2753, 5993 et 6137 font exactement ça, chacun avec un store différent derrière le port.Qu'est-ce qu'il y a à régler ?
Le nœud Embeddings Google Gemini compte un paramètre. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.
Model
modelNameCe que tu vois dans n8n
Notes & cas d'usage
Le nœud n'expose qu'un paramètre : le modèle qui va générer les embeddings. C'est une liste déroulante, pas un champ libre, et il n'est pas marqué comme requis. Le nœud arrive donc avec une valeur et tourne sans que tu touches à rien.
Paramètres clés
- Model : détermine quel modèle Google Gemini calcule les vecteurs. La liste des modèles de Google, liée depuis la description du paramètre, fait référence pour savoir ce qui est accessible avec ta clé.
Besoin d'aide pour automatiser Embeddings Google Gemini avec n8n ?
L'équipe te répond directement.
Chaque message est lu par une personne.
Les questions qui viennent après
01Le nœud Embeddings Google Gemini est-il inclus dans n8n ?
02Que faut-il pour faire tourner le nœud Embeddings Google Gemini n8n ?
03Quelles sont les limites de ce nœud ?
04Quel est le minimum pour démarrer ?
05n8n ou Make pour un pipeline RAG ?
Reçois nos tips intégration chaque semaine.
Pas de spam. Désinscription à tout moment.
