Ressources · Intégration n8n

Nœud Embeddings OpenAI n8nConfigurer Embeddings OpenAI dans n8n.

Une base vectorielle ne sait pas lire du texte, elle compare des nombres. Le nœud Embeddings OpenAI n8n fabrique ces nombres : un sous-nœud à 7 paramètres, sans entrée principale, qui se raccorde au port embeddings d'un nœud racine. Pour qui monte un index de recherche ou un chatbot documentaire.

Tester le nœud Embeddings OpenAI sur n8nVoir les 7 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud Embeddings OpenAI n8n ?

Il transforme du texte en embeddings, des vecteurs qui permettent à une base de comparer du sens plutôt que des mots identiques. Il ne tourne jamais tout seul. On l'accroche sous un nœud racine qui a besoin d'embeddings, ce nœud racine lui envoie le texte, et il rend les vecteurs. Rien ne part de lui vers la suite du workflow.

Premier cas : indexer des documents. Un Default Data Loader lit un fichier, un Token Splitter le découpe en morceaux, un Qdrant Vector Store les range. Le vector store, lui, ne sait pas vectoriser quoi que ce soit : c'est ce nœud qui s'en charge, branché dessous. Le template 2846 de n8n.io est construit exactement comme ça.

Deuxième cas : poser des questions sur cet index. Un AI Agent reçoit un Vector Store Question Answer Tool, l'outil interroge la même base, et le même nœud d'embeddings repasse pour vectoriser la question comme les documents l'ont été. Change le modèle ou la valeur de dimensions entre les deux moments et plus rien ne se compare correctement.

Troisième cas, plus discret : une veille qui classe des articles par proximité avant d'écrire quoi que ce soit. Le template 3986 associe un agent, un Simple Vector Store, des flux RSS et Gmail en sortie.

Quand prendre autre chose ? Pour une réponse rédigée, une transcription ou une image, ce nœud ne sert à rien et c'est le nœud OpenAI qu'il faut. Embeddings OpenAI fait une seule chose et n'expose aucune opération, uniquement des options.

Les limites méritent d'être connues avant de s'engager. Le catalogue ne liste qu'une version, la version 1, et toute la surface du nœud tient dans les 7 paramètres ci-dessous. Pas de relance automatique, pas de découpage, pas de nettoyage de texte au-delà de Strip New Lines : la taille des morceaux se règle sur le splitter, pas ici. Et le fournisseur du modèle facture ses propres appels d'API selon ses conditions, n8n n'ajoute rien. Pour prendre du recul sur la plateforme elle-même, l'Avis n8n et la Formation n8n vont plus loin.

Connexion

Qu'est-ce qu'il faut brancher avant que ça tourne ?

  1. 01

    Ouvrir le menu Credentials

    Le nœud lit un credential OpenAI, c'est-à-dire un jeu d'identifiants stocké dans n8n et non dans le workflow. On le crée une fois depuis le menu Credentials, et tous les workflows de l'instance le réutilisent, y compris les nœuds de modèle de chat posés à côté dans un montage documentaire. Exporter le workflow n'emporte donc jamais la clé avec lui.

  2. 02

    Coller la clé d'API

    La fiche de credential OpenAI est celle que partagent les autres nœuds OpenAI. Si tu en as déjà créé une pour un modèle de chat, sélectionne-la et tout est dit. Sinon, la clé se génère côté OpenAI puis se colle dans le formulaire n8n. Rappel utile : le fournisseur facture ses appels d'API selon ses propres conditions, n8n ne revend rien et n'ajoute aucune marge.

  3. 03

    Raccorder le nœud à un nœud racine

    Pose le nœud sur le canevas et relie-le au port embeddings d'un vector store ou d'un autre nœud racine. Tant que ce lien n'existe pas, le nœud n'a nulle part où envoyer ses vecteurs et le workflow ne l'exécute pas. Il n'y a aucune flèche d'entrée principale à tracer, seulement ce raccord sous le nœud racine.

Connexions

Sur quoi ce sous-nœud vient-il se brancher ?

n8n sépare le travail IA entre un nœud racine, qui reçoit les items du workflow, et des sous-nœuds accrochés à ses ports, un type de sous-nœud par port. Celui-ci est un sous-nœud et n'a aucune entrée principale.

Sortie (où il se branche)

  • Embeddingsai_embedding
01EmbeddingsLe nœud expose un seul port de sortie, de type ai_embedding. Un nœud racine qui indexe ou interroge des documents ouvre un emplacement embeddings sous lui, que ce nœud vient remplir.

Le nœud expose un seul port de sortie, de type ai_embedding. Un nœud racine qui indexe ou interroge des documents ouvre un emplacement embeddings sous lui, que ce nœud vient remplir.

Paramètres clés

  • Required : le nœud ne tourne jamais seul, le port doit être relié à un nœud racine avant toute exécution.
Cas d'usage
les templates publiés montrent les deux faces de ce raccord. Un Qdrant Vector Store porte l'indexation et l'interrogation dans les workflows 2846 et 2845, un Simple Vector Store fait la même chose en mémoire dans le workflow 3986, et un Vector Store Question Answer Tool s'accroche à un agent quand on lit l'index au lieu de le construire. Un bot de support qui lit un dossier Google Drive se sert de ce nœud dans les deux phases.
Paramètres

Quel paramètre toucher, et à quel moment ?

Le nœud Embeddings OpenAI compte 7 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

C'est le seul réglage qui modifie la nature même des vecteurs. Il désigne le modèle qui génère les embeddings ; tout le reste du nœud ne fait que régler la façon dont la requête part.

Paramètres clés

  • Model : se choisit dans la liste d'options du panneau, et doit rester le même entre le passage qui indexe les documents et celui qui les recherche.
Cas d'usage
une base de connaissances reconstruite de zéro est le bon moment pour changer de modèle, puisque tous les vecteurs sont remplacés dans la même passe et qu'il ne reste rien à l'ancien format.
02

Dimensions

options.dimensions

Ce que tu vois dans n8n

Notes & cas d'usage

Un vecteur a une longueur, et cette option la fixe. Moins de dimensions, c'est un index plus petit à stocker ; plus de dimensions, c'est une distinction plus fine entre deux paragraphes qui se ressemblent.

Paramètres clés

  • Dimensions : le nombre de dimensions des embeddings produits, à prendre parmi 256, 512, 1024, 1536 et 3072, et pris en charge uniquement sur les modèles text-embedding-3 et suivants.
Cas d'usage
un catalogue produit dont les descriptions se ressemblent gagne à monter la valeur, là où un index de réponses types courtes n'en a presque jamais besoin.
03

Base URL

options.baseURL

Ce que tu vois dans n8n

Notes & cas d'usage

Par défaut, les requêtes partent chez OpenAI. Renseigne ce champ et elles partent ailleurs, ce qui est précisément l'intérêt quand l'endpoint n'est pas OpenAI.

Paramètres clés

  • Base URL : remplace l'URL de base par défaut de l'API, et la doc y renvoie quand on fait tourner un modèle compatible OpenAI auto-hébergé.
Cas d'usage
une entreprise qui garde ses textes sur son propre réseau fait tourner un endpoint compatible en interne et pointe ce champ dessus, sans rien changer au reste du workflow.
04

Batch Size

options.batchSize

Ce que tu vois dans n8n

Notes & cas d'usage

Les documents ne partent pas un par un, sauf si tu le demandes. Ce nombre fixe le maximum de documents envoyés dans chaque requête, donc le nombre d'allers-retours que coûte la construction d'un gros index.

Paramètres clés

  • Batch Size : un nombre, qu'on monte pour accélérer un import massif et qu'on redescend quand le fournisseur commence à refuser les requêtes trop volumineuses.
Cas d'usage
l'indexation d'un long PDF découpé en centaines de morceaux est là où ce réglage compte ; sur quelques questions de chat, la différence ne se voit pas.
05

Strip New Lines

options.stripNewLines

Ce que tu vois dans n8n

Notes & cas d'usage

Les retours à la ligne n'apportent rien à un embedding, mais ils occupent de la place dans le texte envoyé. Cette bascule les supprime avant le départ de la requête, et elle est active par défaut dans n8n.

Paramètres clés

  • Strip New Lines : supprime ou non les retours à la ligne du texte d'entrée, activé sauf décision contraire.
Cas d'usage
du texte récupéré sur une page web arrive truffé de sauts de ligne parasites, autant les laisser partir à la trappe ; on ne désactive l'option que si la mise en forme fait partie de ce qu'on veut comparer.
06

Timeout

options.timeout

Ce que tu vois dans n8n

Notes & cas d'usage

Une requête qui reste suspendue bloque toute l'exécution derrière elle. Cette valeur plafonne l'attente du nœud avant qu'il abandonne, exprimée en secondes.

Paramètres clés

  • Timeout : durée maximale autorisée pour une requête, en secondes, avec -1 pour ne poser aucune limite.
Cas d'usage
une indexation lancée la nuit peut se permettre une valeur large, alors qu'un chatbot qui répond dans un fil Slack a plutôt intérêt à échouer vite que laisser quelqu'un attendre.
07

Encoding Format

options.encodingFormat

Ce que tu vois dans n8n

Notes & cas d'usage

Les vecteurs doivent bien revenir sur le réseau sous une forme ou une autre, et ce sélecteur tranche laquelle. Ça joue sur le transport, pas sur le sens des nombres.

Paramètres clés

  • Encoding Format : le format de retour des embeddings, soit float, soit base64.
Cas d'usage
sur un montage classique avec un vector store, on n'y touche pas ; on ne va le chercher que si la brique qui reçoit les données exprime une préférence sur la forme du payload.
Besoin d'aide

Besoin d'aide pour automatiser Embeddings OpenAI avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui viennent ensuite

01Le nœud Embeddings OpenAI est-il inclus dans n8n ?
Oui. Il fait partie du paquet IA de n8n, @n8n/n8n-nodes-langchain, livré avec n8n. Rien à installer, aucun surcoût côté n8n, aussi bien sur n8n Cloud que sur une instance auto-hébergée en Community Edition sous licence Sustainable Use. Ce qui n'est pas gratuit, c'est le côté modèle : OpenAI facture ses propres appels d'API selon ses conditions, exactement comme si l'appel venait d'ailleurs. n8n n'ajoute aucune commission par-dessus, et auto-héberger son instance ne change rien à la façon dont le fournisseur compte la consommation.
02Qu'est-ce qu'il faut pour qu'il fonctionne ?
Deux choses. Un credential OpenAI, créé une fois depuis le menu Credentials et réutilisable dans tous les workflows de l'instance, et un nœud racine sur lequel se brancher. Le nœud est un sous-nœud : pas d'entrée principale, jamais d'exécution isolée, et tant que son port embeddings n'est pas relié à quelque chose comme un vector store, il ne se lance tout simplement pas. Il n'y a pas de sélecteur d'authentification sur le nœud, donc le credential résume toute la configuration. Un credential OpenAI déjà créé pour un modèle de chat fait parfaitement l'affaire.
03Quelles sont les limites du nœud Embeddings OpenAI n8n ?
Il fait une seule chose, et il expose 7 paramètres pour la régler. Le catalogue ne liste qu'une version, la version 1 : pas de variante plus ancienne ou plus récente avec d'autres options. Le découpage du texte n'est pas son travail, il revient à un nœud splitter placé avant le loader. Pas de relance intégrée, pas de cache des vecteurs entre deux exécutions, pas de mélange de deux modèles dans un même index. Modifier Model ou Dimensions après coup rend les anciens vecteurs incomparables aux nouveaux, et seule une reconstruction complète répare ça proprement.
04Qu'est-ce qu'il faut brancher au minimum pour démarrer ?
Un nœud racine doté d'un port embeddings, et ce nœud accroché dessous. Pour un premier essai, un Simple Vector Store garde tout en mémoire et donne une recherche qui marche sans base de données à installer : c'est la forme retenue par le template 3986. Quand l'idée tient debout, un Qdrant Vector Store prend le relais, et les templates 2846 et 2845 le montrent associé à un AI Agent et à un outil de questions-réponses. Ajoute le splitter et le data loader avant le store, puis garde le même modèle des deux côtés, indexation comme interrogation.
05n8n ou Make pour ce type de workflow IA ?
Ça dépend de l'endroit où les données doivent vivre et de la façon dont on veut payer. Make est hébergé par Make, sans option d'auto-hébergement, et se facture à l'opération : c'est prévisible, mais ça grimpe vite quand une seule indexation déclenche une avalanche de petits appels. n8n tourne sur n8n Cloud ou sur ton propre serveur, donc les documents vectorisés peuvent rester sur ton réseau, et le modèle en sous-nœuds donne la main directement sur le modèle et ses options. Make reste confortable quand c'est le confort visuel qui prime et que rien n'a besoin de rester en interne.
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