Ressources · Intégration n8n

Nœud Embeddings Google Vertex n8nConfigurer Embeddings Google Vertex dans n8n.

Un texte doit devenir une suite de nombres avant qu'une base vectorielle sache le retrouver. Le nœud Embeddings Google Vertex n8n fabrique ces embeddings, des vecteurs qui mesurent le sens. Il tient en 2 paramètres et se branche sur un seul port. Pour qui monte une base de connaissances.

Tester le nœud Embeddings Google Vertex sur n8nVoir les 2 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert vraiment le nœud Embeddings Google Vertex n8n ?

C'est un sous-nœud, autrement dit une brique qui ne tourne jamais seule et vient s'accrocher à un nœud racine. Son rôle tient en une ligne : il envoie un texte à Google Vertex et récupère un embedding, une liste de nombres qui situe ce texte sur une carte du sens. Un vector store, la base de données faite pour ranger ces nombres, s'en sert ensuite pour retrouver des passages qui disent la même chose avec d'autres mots.

Prends un cabinet qui garde ses procédures internes dans une poignée de documents. La recherche par mot-clé rate tout ce qui est formulé autrement. Passe ces textes par ce nœud, range les vecteurs dans une base vectorielle, et une question sur le délai de rétractation tombe sur le paragraphe qui parle d'annulation. Condition : le même modèle des deux côtés, à l'indexation comme à la question, sinon les nombres ne se comparent plus.

Deuxième usage, l'assistant interne. Le nœud racine porte la conversation, celui-ci transforme discrètement chaque question en vecteur, et la base renvoie les extraits utiles avant que la réponse ne s'écrive. Beaucoup construisent cette boucle autour du nœud AI Agent, avec le contexte récupéré branché dessus.

Troisième piste, sans le moindre chatbot : du classement. Des fiches produit arrivent d'un tableur, on les transforme en vecteurs, on les compare à quelques exemples déjà étiquetés dans la base, on réécrit l'étiquette la plus proche. Pas de modèle de conversation là-dedans. C'est du calcul sur le sens, et ça tient dans un workflow planifié qui lit Google Sheets et poste le résultat sur Slack.

Quand choisir autre chose ? Si le compte déjà ouvert est ailleurs, le côté OpenAI couvre le même besoin, et changer plus tard oblige à réindexer tout l'existant. Autant trancher au départ. Et si les textes n'ont jamais besoin de recherche par le sens, un filtre sur les champs suffit.

Les limites méritent d'être connues avant de commencer. Ce nœud expose 2 paramètres, Project ID et Model Name, et rien d'autre : pas de réglage de lot, pas de dimension de vecteur, pas d'option de relance dans le panneau. Sans entrée principale, impossible de le tester en cliquant dessus. Enfin, Google facture les appels d'API Vertex selon ton contrat avec lui, n8n n'ajoute rien par-dessus. Pour une vue d'ensemble de la plateforme, l'Avis n8n répond à côté.

Connexion

Comment authentifier le nœud auprès de Google Cloud ?

  1. 01

    Créer un credential compte de service Google

    L'authentification passe par un compte de service Google, le type de credential documenté pour ce nœud. Dans n8n, ouvre le menu Credentials, crée un credential compte de service Google et donne-lui un nom que tu reconnaîtras dans six mois. Un credential, c'est un accès enregistré une fois et réutilisé par tous les workflows de l'instance : cette étape ne se refait pas, même avec plusieurs bases de connaissances.

  2. 02

    Désigner ton projet dans le nœud

    De retour dans le panneau, remplis Project ID avec le projet Google Cloud qui porte ton accès Vertex. Le champ est un resource locator : n8n peut lister les projets visibles par le credential, ou tu tapes l'identifiant à la main quand la liste s'allonge. Prends le projet auquel appartient le compte de service, sinon l'appel vise un projet sur lequel il n'a aucun droit.

  3. 03

    Raccorder le nœud et lancer le parent

    Tire une connexion de ce nœud vers le port embeddings d'un nœud racine, une base vectorielle ou un agent. Puis exécute ce parent. Comme un sous-nœud n'a pas d'entrée principale, le journal d'exécution montre son activité sous le parent et pas comme une étape à part. Du texte qui entre, un long tableau de nombres qui sort : le credential fonctionne.

Connexions

Où ce nœud vient-il se brancher ?

n8n sépare le travail IA entre des nœuds racines, posés dans le flux principal et qui reçoivent les items, et des sous-nœuds accrochés à un port, qui ne se réveillent que lorsque le racine en a besoin.

Sortie (où il se branche)

  • Embeddingsai_embedding
01EmbeddingsLe nœud n'offre que ce port, et c'est une sortie : il n'accepte aucune connexion entrante, il fournit des vecteurs à qui les demande. Pose-le sur le canevas, tire son connecteur vers l'emplacement embeddings du parent, c'est tout.

Le nœud n'offre que ce port, et c'est une sortie : il n'accepte aucune connexion entrante, il fournit des vecteurs à qui les demande. Pose-le sur le canevas, tire son connecteur vers l'emplacement embeddings du parent, c'est tout.

Une base vectorielle en mode racine fait le parent habituel, puisqu'elle a besoin de vecteurs pour écrire ses documents comme pour les relire. Un AI Agent atteint les mêmes vecteurs par la base qu'il interroge, pas par un lien direct ici.

Paramètres clés

  • Required : un nœud racine qui attend des embeddings ne démarre pas sans sous-nœud raccordé, donc le port est rempli ou le workflow s'arrête.
Cas d'usage
un seul nœud pour une seule base garde la collection cohérente, tout y ayant été mesuré avec le même modèle.
Paramètres

Que règlent les 2 paramètres du nœud ?

Le nœud Embeddings Google Vertex compte 2 paramètres. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.

01

Project ID

projectId

Ce que tu vois dans n8n

Notes & cas d'usage

Désigne le projet Google Cloud sur lequel les appels d'embedding sont autorisés et facturés. Sans lui, le nœud a bien un credential mais ne sait pas à quel projet parler, et l'exécution s'arrête avant le moindre texte converti.

Paramètres clés

  • Project ID : requis, construit en resource locator, donc tu choisis ton projet Google Cloud dans la liste que n8n récupère avec le credential, ou tu saisis l'identifiant directement.
Cas d'usage
les équipes qui gardent un projet bac à sable à côté du projet de production changent ce champ, et rien que lui, le jour où la base de connaissances passe en vrai.
02

Model Name

modelName

Ce que tu vois dans n8n

Notes & cas d'usage

Détermine quel modèle Vertex fabrique les vecteurs. Deux documents traités par deux modèles différents ne se comparent plus : c'est la valeur à noter quelque part dès le premier index.

Paramètres clés

  • Model Name : champ texte libre, non requis, qui accepte un identifiant de modèle tiré de la référence de l'API d'embeddings texte de Google Vertex, liée dans la description du nœud.
Cas d'usage
modifier le modèle sur un index qui contient déjà des milliers de vecteurs oblige à tout reconstruire : teste une nouvelle valeur sur une copie, jamais sur la base qu'un assistant interroge en direct.
Besoin d'aide

Besoin d'aide pour automatiser Embeddings Google Vertex avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui viennent ensuite

01Le nœud Embeddings Google Vertex n8n est-il inclus dans n8n ?
Oui. Il fait partie du paquet IA livré avec n8n : il est déjà là sur n8n Cloud comme sur une instance auto-hébergée en Community Edition, sous licence Sustainable Use. Rien à installer, aucun surcoût du côté de n8n, quel que soit le mode d'hébergement. Ce qui se paie est ailleurs : Google facture les appels d'API Vertex passés par le nœud, selon le contrat que tu as avec lui, et n8n n'ajoute rien à cette facture. Un workflow monté sur n8n Cloud se comporte de la même façon une fois déplacé sur une installation Docker, ce qui permet de prototyper d'un côté et de faire tourner de l'autre.
02Que faut-il pour le faire fonctionner ?
Un credential compte de service Google, la méthode d'authentification documentée pour ce nœud, plus un identifiant de projet Google Cloud à mettre dans Project ID. Le credential se crée une fois depuis le menu Credentials et tous les workflows de l'instance le réutilisent. Il faut aussi un parent : ce nœud est un sous-nœud sans entrée principale, il n'apparaît donc jamais comme une étape autonome dans un workflow. Raccorde-le au port embeddings d'une base vectorielle ou d'un autre nœud racine, et il se met au travail dès que ce nœud s'exécute.
03Quelles sont les limites de ce nœud ?
Il fait une seule chose, avec 2 paramètres pour la régler, Project ID et Model Name. La version 1 ne propose ni taille de lot, ni dimension de vecteur, ni délai d'attente dans le panneau. Il ne se teste pas non plus tout seul : un sous-nœud sans entrée principale n'a rien à traiter par lui-même, chaque vérification passe donc par le nœud racine et son journal d'exécution. Enfin, il ne stocke rien. Les vecteurs qu'il produit vivent dans la base vectorielle raccordée, et c'est elle qu'on configure pour la persistance, l'indexation et la recherche.
04Que brancher au minimum pour démarrer ?
Un nœud racine et celui-ci. Prends une base vectorielle en mode racine, accroche ce nœud à son port embeddings, et la chaîne d'indexation tourne : le texte entre dans la base, les vecteurs s'écrivent à côté. Ajoute ensuite la lecture. Un second workflow interroge la même base, et les extraits alimentent un agent ou une simple notification. Commence avec peu de documents, une poignée plutôt qu'une archive entière, et vérifie qu'une question posée avec tes mots ramène le bon passage avant d'élargir la collection.
05n8n ou Make pour un workflow d'embeddings Vertex ?
Ça dépend de l'endroit où doivent vivre les données. n8n s'auto-héberge en Docker ou en npm, donc les textes passent par ta machine avant l'appel à Vertex, et le même workflow tourne aussi sur n8n Cloud sans retouche. Make est hébergé uniquement, sans option d'auto-hébergement, et se facture à l'opération, ce qui change le calcul dès qu'un workflow indexe des documents en masse. La logique visuelle diffère aussi : n8n dessine les sous-nœuds comme des pièces accrochées sous le nœud racine, ce qui va bien au travail IA et rend lisible d'un coup d'œil la chaîne embeddings, base et agent.
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