Ressources · Intégration n8n

Nœud Google Gemini Chat Model n8nConfigurer Google Gemini Chat Model dans n8n.

Seul, ce nœud ne répond jamais. Le nœud Google Gemini Chat Model n8n est un sous-nœud : un petit nœud qui se raccorde à un nœud plus gros au lieu de tourner tout seul. Il porte 6 paramètres, du choix du modèle aux filtres de sécurité, et alimente n'importe quel nœud racine qui réclame un modèle de langage.

Tester le nœud Google Gemini Chat Model sur n8nVoir les 6 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert vraiment le nœud Google Gemini Chat Model n8n ?

Il prête un modèle de chat Gemini à un autre nœud. Tout seul il ne produit rien : pas d'entrée principale, aucune apparition isolée dans une exécution, il ne s'anime que par le port sur lequel on l'accroche. C'est le moteur qu'on visse sur un agent ou sur une chaîne. Ce nœud décide du modèle et de la façon de générer ; le nœud racine garde le prompt, les données et la logique autour.

Premier cas, celui qui revient partout : le bot de support. Un message arrive, un agent choisit d'aller chercher une info ou non, Gemini rédige la réponse qui repart vers le client. L'agent porte les consignes, ce nœud porte la manière : quel modèle Gemini, quelle longueur de réponse via Maximum Number of Tokens, quelle liberté de formulation via Sampling Temperature. Change le modèle dans la liste, le même workflow se comporte autrement sans toucher à rien d'autre.

Deuxième cas, beaucoup plus silencieux. Des documents arrivent, une chaîne les découpe, une étape de questions-réponses s'appuie sur Gemini pour transformer les passages retrouvés en réponse lisible. Les réglages comptent, mais pour une autre raison : un document long réclame de la place en sortie, et une réponse factuelle veut une température basse pour que deux exécutions sur le même passage se ressemblent.

Troisième cas : le tri. Une boîte de réception ou un flux de formulaires se classe avant d'atteindre un humain, et le modèle renvoie une étiquette, pas de la prose. Ce travail demande des complétions courtes, une température proche de zéro et, quand le texte entrant vient du public, des Safety Settings réglés exprès plutôt que laissés au hasard du compte. Dans tous les cas, la valeur qui entre vient du nœud précédent par une expression, la syntaxe {{ $json.champ }} qui lit un champ de l'item entrant.

Quand vaut-il mieux un autre nœud ? Si le compte que tu factures est chez un autre fournisseur, accroche le modèle de chat de ce fournisseur et garde le reste identique, comme le fait le nœud OpenAI pour son propre catalogue. Si la sortie doit respecter une structure stricte au lieu d'être du texte libre, garde Gemini et glisse un Auto-fixing Output Parser derrière le modèle. Et si le modèle doit piloter des outils plutôt que répondre une fois, le nœud racine s'appelle AI Agent, ou AI Agent Tool quand cet agent est lui-même appelé par un autre agent.

Deux limites à connaître avant la mise en production. Le nœud s'appuie sur le SDK de Google, qui n'accepte aucune configuration de proxy : sur un réseau qui impose un proxy, il faut monter un reverse proxy dédié aux requêtes Gemini et pointer la valeur Host du credential dessus. Et la facturation reste chez Google, qui facture ses propres appels d'API selon ses conditions, sans que n8n ajoute quoi que ce soit. Le comportement de la plateforme au quotidien est détaillé dans l'Avis n8n.

Connexion

Comment authentifier Gemini dans n8n ?

  1. 01

    Ouvrir le champ credential du nœud

    Pose le nœud sur le canevas et ouvre son champ credential. Un credential, dans n8n, c'est un jeu de secrets stocké à part du workflow : on le crée une fois, on le réutilise partout. Sur n8n Cloud, ce même champ propose une seconde voie : choisis Use Gateway credits et le nœud tourne sans aucun compte Google. C'est le chemin le plus court pour vérifier que le modèle convient avant même d'avoir une clé.

  2. 02

    Créer le credential Google avec la clé d'API

    Sur une instance auto-hébergée, ou sur un workflow Cloud qui doit être facturé sur ton propre compte Google, crée le credential Google AI et colle la clé d'API issue de ce compte. Le credential expose aussi une valeur Host, qu'on laisse telle quelle en temps normal. Enregistré une fois, il apparaît dans la liste de tous les workflows de l'instance, y compris ceux montés par quelqu'un d'autre de l'équipe.

  3. 03

    Choisir un modèle et vérifier que la liste se remplit

    Retour sur le nœud, ouvre Model. n8n interroge l'API Google Gemini en direct et n'affiche que les modèles autorisés sur le compte : une liste remplie prouve donc que le credential fonctionne. Une liste vide désigne la clé ou le compte, pas le workflow. Choisis un modèle, accroche le nœud à un nœud racine, puis lance une exécution pour voir une vraie complétion.

Connexions

Où se branche ce sous-nœud ?

n8n coupe le travail IA en deux : un nœud racine reçoit les items du workflow et raisonne, des sous-nœuds se branchent sur ses ports, un type de sous-nœud par port. Ce nœud remplit exactement un de ces ports.

Sortie (où il se branche)

  • Modelai_languageModel
01ModelC'est le port de modèle de langage, la prise qu'un nœud racine expose quand il lui faut de quoi générer du texte. Tire un fil jusqu'à ce port et le nœud racine utilise Gemini pour chacune de ses complétions.

C'est le port de modèle de langage, la prise qu'un nœud racine expose quand il lui faut de quoi générer du texte. Tire un fil jusqu'à ce port et le nœud racine utilise Gemini pour chacune de ses complétions.

Paramètres clés

  • Required : un nœud racine qui expose ce port ne fait rien tant qu'aucun modèle de chat n'y est accroché.
  • AI Agent et AI Agent Tool : le duo habituel quand le modèle doit choisir un outil avant de répondre.
  • Basic LLM Chain et Question and Answer Chain : les points de départ les plus simples, un prompt entre, une réponse sort.
  • Summarization Chain, Text Classifier et Sentiment Analysis : des nœuds racines taillés pour une tâche.
Cas d'usage
un bot de support monté sur un agent, ou une chaîne nocturne qui résume ce qui est tombé dans Google Sheets.
Paramètres

Quels paramètres méritent qu'on y touche ?

Le nœud Google Gemini Chat Model compte 6 paramètres. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.

01

Model

modelName

Ce que tu vois dans n8n

Notes & cas d'usage

Choisit le modèle Gemini qui génère la complétion. n8n charge la liste dynamiquement depuis l'API Google Gemini : le menu reflète donc ce que le compte peut réellement appeler, pas un catalogue figé dans le nœud.

Paramètres clés

  • Model : le modèle qui générera la complétion, pris dans la liste que n8n va chercher au moment de l'édition.
Cas d'usage
démarrer un chatbot sur un modèle, puis n'éditer que ce champ pour en essayer un autre sur le même workflow. Comme la liste dépend du compte, un nom cité par un collègue peut tout simplement ne pas apparaître chez toi.
02

Maximum Number of Tokens

options.maxOutputTokens

Ce que tu vois dans n8n

Notes & cas d'usage

Plafonne ce que le modèle écrit. Un jeton (token) est un fragment de texte, à peu près un mot court ; ce paramètre fixe le nombre maximum de jetons générés dans la complétion, donc en pratique la longueur de la réponse.

Paramètres clés

  • Maximum Number of Tokens : le plafond de la complétion, saisi sous forme de nombre.
Cas d'usage
une étiquette de classement tient en très peu, le résumé d'un document long a besoin de place pour aller au bout. Plafond trop bas, la réponse s'arrête au milieu d'une phrase : ça ressemble à une panne de modèle, c'est un réglage.
03

Sampling Temperature

options.temperature

Ce que tu vois dans n8n

Notes & cas d'usage

Pilote le hasard. Baissée, elle rend les complétions moins aléatoires, et à mesure qu'elle approche de zéro, le modèle devient déterministe et répétitif. Montée, l'échantillonnage se diversifie, avec un risque d'hallucinations plus élevé.

Paramètres clés

  • Sampling Temperature : le curseur de hasard du processus d'échantillonnage, saisi sous forme de nombre.
Cas d'usage
l'extraction de données et le routage veulent une valeur proche de zéro, pour que deux exécutions sur la même entrée soient d'accord. Un texte destiné à être lu peut se permettre davantage. C'est le premier réglage à bouger quand les réponses sonnent robotiques ou inventées.
04

Top K

options.topK

Ce que tu vois dans n8n

Notes & cas d'usage

Coupe la traîne. Ce paramètre fixe le nombre de choix de jetons que le modèle retient pour générer le jeton suivant, ce qui écarte les réponses de faible probabilité avant qu'elles ne sortent. Sa valeur par défaut, -1, le désactive.

Paramètres clés

  • Top K : le nombre de choix de jetons utilisés pour générer le jeton suivant, saisi sous forme de nombre.
Cas d'usage
à sortir quand un modèle déjà réglé sur une température raisonnable glisse encore des formulations bizarres. Laissé par défaut, il ne fait rien du tout, et c'est pour ça que la plupart des workflows n'y touchent jamais.
05

Top P

options.topP

Ce que tu vois dans n8n

Notes & cas d'usage

Fixe la probabilité que la complétion doit utiliser, par échantillonnage du noyau : une valeur de 0.5 signifie que la moitié des options pondérées par leur vraisemblance sont prises en compte. Une valeur plus basse ignore les options les moins probables.

Paramètres clés

  • Top P : la masse de probabilité dans laquelle le modèle échantillonne, saisie sous forme de nombre.
Cas d'usage
utile sur un workflow qui doit coller au texte source. La recommandation générale est de modifier ce paramètre ou la température, mais pas les deux : choisis un curseur et laisse l'autre tranquille.
06

Safety Settings

options.safetySettings

Ce que tu vois dans n8n

Notes & cas d'usage

Gemini embarque des filtres de contenu ajustables, et cette collection sert à les régler. Chaque entrée associe une catégorie de contenu nuisible au seuil au-delà duquel le modèle bloque, et plusieurs entrées peuvent coexister.

Paramètres clés

  • Safety Category : la catégorie de contenu nuisible à bloquer, parmi HARM_CATEGORY_HARASSMENT, HARM_CATEGORY_HATE_SPEECH, HARM_CATEGORY_SEXUALLY_EXPLICIT et HARM_CATEGORY_DANGEROUS_CONTENT.
  • Safety Threshold : la sévérité du blocage, de BLOCK_LOW_AND_ABOVE à BLOCK_ONLY_HIGH, avec BLOCK_NONE qui laisse tout passer et HARM_BLOCK_THRESHOLD_UNSPECIFIED qui laisse le seuil non précisé.
Cas d'usage
un bot ouvert au public resserre les catégories harcèlement et discours haineux, alors qu'un workflow de modération, qui doit justement lire les messages signalés, les desserre exprès pour que le modèle n'écarte pas sa propre entrée.
Besoin d'aide

Besoin d'aide pour automatiser Google Gemini Chat Model avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui viennent ensuite

01Le nœud Google Gemini Chat Model n8n est-il gratuit ?
Oui, côté n8n. Ce nœud fait partie du paquet IA livré avec n8n : rien à installer, aucun surcoût, sur n8n Cloud comme sur une instance auto-hébergée en Community Edition sous licence Sustainable Use. Ce qui se paie, c'est le modèle : Google facture ses propres appels d'API selon ses conditions, et n8n n'ajoute rien par-dessus. Un seul cas se passe de compte Google : n8n Cloud avec l'option Use Gateway credits sélectionnée dans le champ credential, où le nœud tourne sans clé personnelle.
02Qu'est-ce qu'il faut pour qu'il fonctionne ?
Deux choses. Un credential, soit le credential Google qui porte ta clé d'API, soit, sur n8n Cloud, l'option Use Gateway credits dans le même champ. Et un nœud racine sur lequel l'accrocher, puisque ce nœud n'a pas d'entrée principale et ne s'exécute jamais seul. Branche-le sur le port Model d'un AI Agent, d'un Basic LLM Chain ou d'un autre nœud racine listé pour ce port, puis choisis une valeur dans Model. Si la liste reste vide, c'est le credential qu'il faut regarder : n8n n'affiche que les modèles autorisés sur le compte.
03Quelles sont les limites de ce nœud ?
Trois, toutes documentées. Aucun support de proxy : le nœud utilise le SDK de Google, qui ignore la configuration de proxy, et le contournement passe par un reverse proxy dédié aux requêtes Gemini, avec la valeur Host du credential qui pointe dessus. Pas d'entrée principale non plus, donc impossible de le poser au milieu d'un workflow comme un nœud ordinaire. Enfin, cette page décrit la version 1 du nœud, la plus haute du catalogue ; un workflow ancien peut en afficher une antérieure, avec moins d'options. Au-delà de ces 6 paramètres, tout le reste se décide sur le nœud racine.
04Quel montage minimal pour un premier workflow IA ?
Un nœud racine, ce sous-nœud, un credential. Commence par un Basic LLM Chain plutôt que par un agent : un prompt entre, une réponse sort, et il n'y a ni outils ni mémoire à déboguer tant que tu vérifies simplement que le modèle répond. Accroche Gemini sur son port Model, ne touche à aucune option, lance une exécution. Une fois que ça marche, passe à un AI Agent quand le modèle doit appeler des outils, et seulement là commence à ajuster Sampling Temperature et Maximum Number of Tokens.
05n8n ou Make pour un workflow Gemini ?
Ça dépend de l'endroit où les données doivent vivre. Make est hébergé, sans option d'auto-hébergement, et se facture à l'opération : pratique pour une équipe qui ne veut rien administrer et veut un coût visuel prévisible. n8n s'auto-héberge en Docker ou npm, ou tourne sur n8n Cloud, avec un workflow identique dans les deux cas : les prompts et les données clients restent sur une infrastructure que tu maîtrises. Le modèle en sous-nœuds compte aussi : remplacer Gemini par un autre fournisseur, c'est un nœud, pas une refonte. Le choix se fait sur l'hébergement, la maîtrise des données, le modèle de coût et la logique visuelle.
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