Ressources · Intégration n8n

Nœud Embeddings Mistral Cloud n8nConfigurer Embeddings Mistral Cloud dans n8n.

Un embedding, c'est ton texte transformé en vecteur de nombres, pour qu'une base vectorielle le retrouve par le sens. Le nœud Embeddings Mistral Cloud n8n fait ce calcul avec un modèle Mistral, via 2 paramètres. C'est un sous-nœud : il ne tourne que si un nœud racine lui demande des vecteurs.

Tester le nœud Embeddings Mistral Cloud sur n8nVoir les 2 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud Embeddings Mistral Cloud n8n ?

Il calcule des embeddings, c'est-à-dire des représentations numériques d'un texte sous forme de vecteurs, ce qui permet à une IA de rapprocher deux contenus par leur sens plutôt que par les mots exacts. Dans n8n, ce nœud ne vit jamais seul sur le canevas. Tu l'accroches au port Embeddings d'un nœud racine, une base vectorielle ou une chaîne, et c'est ce nœud racine qui lui envoie le texte à convertir.

Premier usage, l'indexation d'une base documentaire interne. Les contrats arrivent, un text splitter (un nœud qui découpe le texte en morceaux) les tranche, la base vectorielle appelle ce nœud pour chaque morceau et range les vecteurs. Deuxième usage, la recherche : une question tombe, le même nœud la convertit, la base renvoie les passages les plus proches. Troisième usage, l'assistant qui répond directement à partir des documents indexés, le schéma qu'on retrouve dans les templates publics Qdrant et Mistral (2339, 2335, 2341).

Une règle évite beaucoup d'heures perdues : le modèle qui a indexé est celui qui doit interroger. Des vecteurs écrits avec un modèle ne se comparent pas à des vecteurs produits par un autre. Changer Model une fois l'index rempli oblige à tout réindexer. Autant figer ce choix au départ et le noter quelque part.

Quand prendre autre chose ? Si ton nœud racine embarque déjà son propre fournisseur d'embeddings et que tu n'as pas de credential Mistral, reste sur ce fournisseur. Si tu veux juste une réponse conversationnelle sans recherche documentaire derrière, c'est un modèle de chat qu'il te faut, pas celui-ci, et OpenAI couvre ce besoin. Et si le but est un assistant qui va chercher dans d'autres systèmes plutôt que dans des documents, le travail revient à AI Agent, avec des outils comme Call n8n Workflow Tool.

Les limites méritent d'être connues avant de construire. Le nœud expose 2 paramètres, et aucun des deux ne pilote la base vectorielle, le découpage ou le nombre de résultats renvoyés : tout ça se règle sur les nœuds voisins. Il n'a pas d'entrée principale, donc impossible de le tester en cliquant dessus, et la version 1 est la seule au catalogue. Mistral facture ses propres appels d'API selon ses conditions, n8n n'ajoute rien par-dessus.

Pour situer n8n avant d'y poser toute une chaîne IA, l'Avis n8n passe la plateforme au crible, et la Formation n8n attaque ces workflows en pratique.

Connexion

Quel credential faut-il brancher ?

  1. 01

    Créer le credential Mistral dans n8n

    Va dans le menu Credentials de n8n, ajoute le credential Mistral, puis colle la clé d'API de ton compte Mistral Cloud. Un credential, c'est simplement l'endroit où n8n garde ces identifiants. Il se crée une fois et se réutilise dans tous les workflows de l'instance : un deuxième nœud d'embeddings ou un modèle de chat Mistral plus tard le retrouveront dans la liste déroulante.

  2. 02

    Rattacher le credential au nœud

    Fais glisser le nœud depuis le port Embeddings de ton nœud racine, puis sélectionne dans son champ credential celui que tu viens de créer. Rien d'autre sur ce nœud ne concerne l'authentification : aucun sélecteur ne propose plusieurs méthodes, le credential Mistral est le seul chemin d'accès.

  3. 03

    Lancer le nœud racine pour tester

    Comme ce sous-nœud n'a pas d'entrée principale, le bouton d'exécution utile est celui du nœud racine. Exécute la base vectorielle ou la chaîne qu'il alimente et regarde ce run : si la clé est mauvaise ou absente, l'erreur apparaît là, sur le nœud racine, pas sur un nœud qui n'a jamais tourné seul.

Connexions

Sur quel port se branche-t-il ?

n8n sépare le travail IA entre un nœud racine, qui reçoit les items du workflow, et des sous-nœuds clipsés sur ses ports, un type de sous-nœud par port. Celui-ci se place du côté des embeddings.

Sortie (où il se branche)

  • Embeddingsai_embedding
01EmbeddingsC'est la seule connexion du nœud, et c'est une sortie : il fournit des embeddings, un nœud racine les consomme. Sans ce fil, il reste inerte sur le canevas, puisqu'un sous-nœud ne s'exécute jamais de son côté.

C'est la seule connexion du nœud, et c'est une sortie : il fournit des embeddings, un nœud racine les consomme. Sans ce fil, il reste inerte sur le canevas, puisqu'un sous-nœud ne s'exécute jamais de son côté.

Paramètres clés

  • Required : le nœud n'a pas d'entrée principale, c'est ce port qui déclenche son exécution.
Cas d'usage
un flux de fiches de révision envoie un chargeur de documents vers une base vectorielle, ce nœud assurant la conversion morceau par morceau sur le port Embeddings.
Paramètres

Comment régler ses paramètres ?

Le nœud Embeddings Mistral Cloud 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

model

Ce que tu vois dans n8n

Notes & cas d'usage

Choisit le modèle Mistral qui calcule les embeddings. Le champ est une liste déroulante, et ce choix détermine la forme des vecteurs que ta base va stocker : c'est le réglage à verrouiller avant la moindre indexation.

Paramètres clés

  • Model : le modèle qui calculera les embeddings, à prendre dans la liste d'options plutôt qu'à saisir à la main.
Cas d'usage
un assistant sur des documents financiers indexe ses PDF avec un modèle donné, et la partie recherche du même workflow garde exactement la même sélection, sinon la correspondance ne se fait plus.
02

Options

options

Ce que tu vois dans n8n

Notes & cas d'usage

Une collection qu'on ouvre avec Add Option, vide tant que tu n'y touches pas. Deux réglages s'y cachent, tous les deux sur la manière dont le texte part vers Mistral, pas sur le modèle lui-même.

Paramètres clés

  • Batch Size : le nombre maximum de documents envoyés dans chaque requête, pratique quand un découpeur livre une longue file de morceaux d'un coup.
  • Strip New Lines : activé, il retire les retours à la ligne du texte d'entrée, ce que n8n fait par défaut ; désactivé, il les laisse tels quels.
Cas d'usage
l'indexation d'un code des impôts découpé en centaines de morceaux, où un Batch Size réduit garde des requêtes courtes au lieu de tout pousser d'un bloc.
Besoin d'aide

Besoin d'aide pour automatiser Embeddings Mistral Cloud avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui viennent ensuite

01Le nœud Embeddings Mistral Cloud est-il inclus dans n8n ?
Oui. Il fait partie du paquet IA livré avec n8n, sur n8n Cloud comme sur une instance auto-hébergée, sans installation et sans surcoût côté n8n. La Community Edition, sous licence Sustainable Use, le contient également, et un workflow construit d'un côté se comporte pareil de l'autre. Le seul coût se trouve chez Mistral : le fournisseur du modèle facture ses appels d'API selon ses propres conditions, et n8n n'ajoute rien par-dessus. Le nœud est donc gratuit, les embeddings qu'il calcule ne le sont pas.
02De quoi a-t-il besoin pour fonctionner ?
D'un credential Mistral, créé une fois dans le menu Credentials avec ta clé d'API, puis sélectionné sur le nœud. Aucun sélecteur ne propose ici plusieurs méthodes d'authentification, donc ce credential constitue toute la configuration d'accès. Il te faut aussi un nœud racine sur lequel l'accrocher, puisque ce nœud n'a pas d'entrée principale et ne tourne jamais seul : une base vectorielle ou une chaîne doit lui demander des vecteurs. Une fois le credential enregistré sur l'instance, les autres workflows le reprennent dans la liste sans ressaisie.
03Quelles sont ses limites ?
Il fait une seule chose, transformer du texte en vecteurs, à travers 2 paramètres et rien de plus. La taille des morceaux, le nombre de résultats renvoyés par une recherche, la collection dans laquelle on écrit : rien de tout ça ne se règle ici, ça appartient au découpeur, au retriever et à la base vectorielle autour. La version 1 est la seule au catalogue, donc aucun jeu d'options supplémentaire n'attend derrière une montée de version. Et tu ne peux pas l'exécuter seul pour vérifier une clé, le run part toujours du nœud racine.
04Que brancher au minimum sur le nœud Embeddings Mistral Cloud n8n ?
Rien ne se branche en entrée. Le fil part dans l'autre sens : tu accroches ce nœud au port Embeddings d'un nœud racine, et c'est ce nœud racine qui sert de point de départ. Qdrant Vector Store est l'association montrée par les templates publiés, aussi bien pour écrire les vecteurs à l'indexation que pour les relire au moment de la question. Ajoute un Recursive Character Text Splitter et un Default Data Loader côté ingestion, puis une Question and Answer Chain ou un Vector Store Retriever quand tu veux des réponses tirées de ce que tu as indexé.
05n8n ou Make pour ce type de workflow IA ?
Ça dépend de l'endroit où tu veux tes données et du modèle de coût qui t'arrange. n8n s'auto-héberge en Docker ou en npm, ou tourne sur n8n Cloud : les documents que tu t'apprêtes à vectoriser peuvent rester sur ton infrastructure si le sujet est sensible. Make est hébergé uniquement, sans option d'auto-hébergement, et se facture à l'opération, ce qui se lit autrement quand une seule indexation déclenche des milliers de petits appels. Les deux offrent un canevas visuel. Tranche sur l'hébergement, la maîtrise des données, le coût et le confort de ceux qui maintiendront le workflow.
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