Ressources · Intégration n8n

Nœud Embeddings Hugging Face Inference n8nConfigurer Embeddings Hugging Face Inference dans n8n.

Un assistant ne retrouve rien dans tes documents tant qu'ils ne sont pas vectorisés. Le nœud Embeddings Hugging Face Inference n8n s'occupe de cette conversion, avec 2 paramètres et aucune entrée principale. Il se raccorde au port Embeddings d'un nœud racine, pour les équipes qui indexent leur propre base.

Tester le nœud Embeddings Hugging Face Inference sur n8nVoir les 2 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud Embeddings Hugging Face Inference n8n ?

Le nœud appelle le service Hugging Face Inference pour convertir un texte en embedding, c'est-à-dire une suite de nombres qui situe ce texte dans un espace où les sens proches se retrouvent côte à côte. Il ne tourne jamais tout seul : c'est un sous-nœud, un petit nœud qu'on accroche à un nœud plus gros au lieu de le câbler dans le flux principal, et c'est ce nœud racine qui lui réclame des vecteurs.

Premier usage : l'indexation. Un vector store, la base qui stocke les vecteurs, découpe tes documents et envoie chaque morceau au nœud pour récupérer sa représentation numérique. Rien ne se voit à l'écran pendant ce passage, mais c'est lui qui rend la question posée trois jours plus tard exploitable. Le catalogue compte 2 paramètres sur ce nœud : une fois le credential créé, il n'y a presque rien à régler.

Deuxième usage : la recherche. Le nœud racine vectorise la question entrante par le même chemin, puis compare le résultat à ce qui a été indexé. Le piège classique tient en une phrase : le modèle qui a servi à indexer doit être celui qui sert à chercher. Deux modèles différents produisent des vecteurs qui ne se comparent pas, et la recherche renvoie du bruit sans jamais lever d'erreur.

Troisième usage : alléger la facture d'un agent. Vectoriser une question courte coûte bien moins qu'un appel complet à un modèle de chat, d'où le cache sémantique placé devant un AI Agent pour vérifier si une question voisine a déjà reçu sa réponse. Le template public 10887 monte ce schéma avec un Redis Vector Store et un OpenAI Chat Model.

Quand vaut-il mieux prendre un autre sous-nœud ? Si ton modèle de chat vient déjà d'un fournisseur que tu paies, OpenAI par exemple, garder les embeddings chez lui évite d'entretenir deux credentials. Celui-ci se justifie quand tu veux un modèle Hugging Face, ton propre endpoint d'inférence, ou un fournisseur choisi explicitement dans la collection Options.

Deux limites à connaître avant de construire. Le nœud est en version 1 et n'expose rien d'autre que le nom du modèle et ses options : ni taille de lot, ni dimension, ni gestion des reprises. Et comme il n'a pas d'entrée principale, tu ne peux pas l'exécuter seul pour voir ce qu'il renvoie, tu lances le nœud racine et tu regardes ce qui arrive dans le store. Pour prendre du recul sur la plateforme, l'Avis n8n fait le tour, et la Formation n8n déroule la chaîne complète.

Connexion

Que faut-il brancher avant de lancer le nœud ?

  1. 01

    Créer le credential Hugging Face

    Va dans le menu Credentials de n8n et ajoute le credential Hugging Face demandé par le nœud. Un credential, c'est l'identifiant que n8n garde en mémoire pour un service : tu le crées une fois, tous les workflows de l'instance s'en servent. Le compte Hugging Face associé reste facturé par le service selon ses propres conditions, n8n n'ajoute rien par-dessus.

  2. 02

    Le sélectionner sur le nœud

    Pose le nœud sur le canvas depuis le port Embeddings de ton nœud racine, puis choisis le credential dans le champ en haut du panneau. Il n'y a pas de sélecteur d'authentification sur ce nœud : un seul choix à faire, et c'est terminé. Si ce champ reste vide, c'est le nœud racine qui s'arrête à l'exécution, ce qui explique les messages d'erreur qui semblent pointer le mauvais nœud.

  3. 03

    Faire passer un seul document

    Avant d'indexer un dossier entier, envoie un item unique dans le nœud racine et vérifie qu'un vecteur atterrit bien dans le store. C'est la façon la plus rapide de repérer un credential enregistré mais jamais sélectionné, ou un nom de modèle mal orthographié. Ce passage validé, la même branche traite le reste des documents sans nouvelle retouche.

Connexions

Où ce nœud se raccorde-t-il ?

Les workflows IA de n8n suivent un modèle nœud racine et sous-nœuds : le nœud racine reçoit les items dans le flux principal, les sous-nœuds se branchent sur ses ports, un type de sous-nœud par port. Celui-ci n'a aucune entrée principale, seulement la sortie décrite ci-dessous.

Sortie (où il se branche)

  • Embeddingsai_embedding
01EmbeddingsC'est la raison d'être du nœud. Le nœud racine lui réclame des vecteurs, aussi bien au moment de stocker un texte qu'au moment de le chercher, et la réponse circule sans jamais apparaître dans la ligne principale du workflow.

C'est la raison d'être du nœud. Le nœud racine lui réclame des vecteurs, aussi bien au moment de stocker un texte qu'au moment de le chercher, et la réponse circule sans jamais apparaître dans la ligne principale du workflow.

Paramètres clés

  • Required : il faut un nœud racine doté d'un port Embeddings, sinon le sous-nœud reste posé sur le canvas sans rien recevoir.
Cas d'usage
un Default Data Loader découpe un PDF, le store appelle ce nœud morceau par morceau, et un agent répond ensuite à partir de ce qui a été indexé.
Paramètres

Quels paramètres se règlent vraiment ?

Le nœud Embeddings Hugging Face Inference 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

Model Name

modelName

Ce que tu vois dans n8n

Notes & cas d'usage

Ce champ désigne le modèle à utiliser dans la bibliothèque Hugging Face. C'est lui qui décide de la façon dont le texte devient des vecteurs, donc il doit rester identique entre la branche qui indexe et celle qui interroge.

Paramètres clés

  • Model Name : le nom du modèle à utiliser dans la bibliothèque Hugging Face, saisi en texte, ou repris d'un nœud précédent avec {{ $json.model }} quand un workflow doit changer de modèle selon le client.
Cas d'usage
une base de support indexée une fois avec un modèle donné, puis interrogée chaque jour par un agent qui reprend exactement la même valeur.
02

Options

options

Ce que tu vois dans n8n

Notes & cas d'usage

Options est la collection qu'on ouvre avec Add Option quand l'appel par défaut ne suffit plus. Laissée fermée, elle n'ajoute rien : le nœud interroge le service Hugging Face Inference avec le seul nom de modèle, ce qui couvre la majorité des branches d'indexation.

Paramètres clés

  • Custom Inference Endpoint : l'URL d'un modèle que tu as déployé chez Hugging Face ; dès qu'elle est remplie, n8n ignore Model Name et appelle cette adresse.
  • Provider : choisit qui sert l'inférence, de hf-inference à groq, together, cohere ou replicate, auto laissant la décision ouverte.
Cas d'usage
une équipe qui héberge son modèle derrière son propre endpoint pointe le nœud vers cette URL et ne touche à rien d'autre dans la chaîne.
Besoin d'aide

Besoin d'aide pour automatiser Embeddings Hugging Face Inference avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui viennent ensuite

01Le nœud Embeddings Hugging Face Inference est-il inclus dans n8n ?
Oui. Il fait partie du paquet IA livré avec n8n, donc il est présent sur n8n Cloud comme sur une instance auto-hébergée, sans installation et sans surcoût côté n8n. L'auto-hébergement passe par Docker ou npm, en Community Edition sous licence Sustainable Use, et un workflow se comporte de la même manière dans les deux cas. Ce qui se facture se trouve ailleurs : le service Hugging Face Inference facture ses propres appels d'API selon ses conditions, et indexer une grosse base de documents en génère beaucoup. Le nœud ne change rien à cela, il décide seulement quel modèle reçoit le texte.
02Que faut-il pour qu'il fonctionne ?
Un credential Hugging Face, créé une fois dans le menu Credentials de n8n et réutilisable ensuite dans tous les workflows de l'instance. Le nœud n'a pas de sélecteur d'authentification, il n'y a donc aucune méthode à choisir, juste le credential à rattacher. Il faut aussi un nœud racine muni d'un port Embeddings, puisqu'il s'agit d'un sous-nœud : pas d'entrée principale, aucune exécution isolée, il répond uniquement quand un vector store ou une chaîne lui demande des vecteurs. Si une exécution ne produit rien, vérifie le credential, puis vérifie que le sous-nœud est bien raccordé au port et pas simplement posé à côté.
03Quelles sont les limites de ce nœud ?
Il reste volontairement minimal. Le catalogue annonce la version 1 et 2 paramètres, le nom du modèle et une collection Options qui contient Custom Inference Endpoint et Provider. Aucune taille de lot, aucune dimension, aucune reprise sur erreur à régler depuis le panneau. Il ne se teste pas non plus isolément faute d'entrée principale : tu exécutes le nœud racine et tu lis ce qui est arrivé dans le store. Une dernière contrainte vient des embeddings eux-mêmes et pas de n8n, le modèle d'indexation et le modèle de recherche doivent coïncider, donc changer Model Name sur un store déjà rempli oblige à réindexer.
04Sur quoi brancher le nœud Embeddings Hugging Face Inference n8n ?
Sur le port Embeddings d'un nœud racine, c'est-à-dire en pratique un vector store ou une chaîne qui stocke et retrouve du texte. Commencer par Simple Vector Store raccourcit le premier test, puisque rien n'a besoin d'être provisionné en dehors de n8n pour vérifier que l'indexation fonctionne. Une fois la branche validée, passer à Supabase Vector Store ou Redis Vector Store déplace les vecteurs sans rien changer ici. Côté interrogation, le même sous-nœud est réutilisé par le nœud racine qui alimente un agent, donc une seule configuration couvre l'indexation et la recherche.
05n8n ou Make pour ce type de workflow IA ?
La réponse honnête tient à trois critères. L'hébergement d'abord : n8n tourne sur ton propre serveur via Docker ou npm autant que sur n8n Cloud, Make est uniquement hébergé, ce qui tranche vite quand les documents ne doivent pas sortir de ton infrastructure. Le modèle de coût ensuite, Make facturant à l'opération, ce qu'une passe d'indexation sur une base documentaire multiplie rapidement. La maîtrise des données enfin, souvent décisive dans un secteur régulé. Make reste agréable à construire visuellement, et beaucoup de workflows ne rencontrent jamais ces contraintes.
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