Ressources · Intégration n8n

Nœud Google PaLM Language Model n8nConfigurer Google PaLM Language Model dans n8n.

Le nœud Google PaLM Language Model n8n fabrique du texte à partir d'un prompt, au milieu d'un workflow. Sa version 1 propose 5 paramètres : le modèle, un plafond de jetons et trois réglages d'aléa. Rien à authentifier dessus, ce qui va vite quand n8n tourne déjà.

Tester le nœud Google PaLM Language Model sur n8nVoir les 5 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud Google PaLM Language Model n8n ?

Il exécute une complétion Google PaLM sur chaque item qui lui arrive. Tu choisis le modèle qui génère la complétion, tu fixes la longueur maximale de la réponse, et tu décides à quel point le texte doit rester prévisible. Le nœud fait partie du paquet IA de n8n : il est déjà là sur n8n Cloud comme sur une instance auto-hébergée, sans installation ni surcoût côté n8n.

Premier usage, la reformulation. Un workflow récupère des lignes fraîches, les passe une à une dans le nœud avec Sampling Temperature au plus bas, et renvoie un résumé d'une ligne à côté de la donnée d'origine dans Google Sheets. Deux exécutions sur la même ligne donnent la même phrase.

Deuxième usage, le tri. Maximum Number of Tokens reste bas parce que la réponse tient en une étiquette, et Top K écarte les mots improbables qui transforment cette étiquette en paragraphe. L'aiguillage se fait ensuite, sur le champ que le nœud a renvoyé.

Troisième usage, la variété. Top P élargit le vivier de mots candidats : une série d'accroches produit ne se ressemble plus au mot près. Chaque item apporte son texte via une expression, c'est-à-dire une valeur calculée du type {{ $json.prompt }}, et un champ requis laissé vide arrête le nœud au lieu de générer n'importe quoi.

Quand passer à autre chose. Ici, une complétion par item entrant, point final. S'il faut une boucle qui choisit elle-même l'étape suivante et appelle des outils, le nœud racine s'appelle AI Agent, et un sous-nœud modèle, c'est-à-dire un nœud qu'on raccorde à son port, vient s'y brancher. Si la réponse doit être un JSON strict, un Auto-fixing Output Parser a sa place dans la chaîne. Un autre fournisseur, un autre nœud, par exemple OpenAI.

Les limites, avant de construire dessus. Le nœud ne porte aucun credential, c'est-à-dire aucun identifiant enregistré, et n'a pas de port de sous-nœud. Le catalogue ne liste qu'une version : un workflow ancien affiche les mêmes 5 paramètres. Google facture ses propres appels d'API selon ses conditions, n8n n'ajoute rien. Pour situer l'outil, l'Avis n8n fait le tour.

Paramètres

Quels paramètres compte ce nœud ?

Le nœud Google PaLM Language Model compte 5 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

C'est ici que le nœud apprend quoi appeler. La valeur désigne le modèle qui génère la complétion, et elle vaut pour tous les items traités pendant l'exécution.

Paramètres clés

  • Model : le modèle qui génère la complétion. Laisse la valeur en place tant qu'un workflow ne demande pas autre chose, ou passe {{ $json.model }} quand le choix voyage avec l'item.
Cas d'usage
une boîte de réception où les accusés de réception courts et les synthèses longues passent par deux copies du nœud, chacune fixée sur son modèle.
02

Maximum Number of Tokens

options.maxOutputTokens

Ce que tu vois dans n8n

Notes & cas d'usage

La longueur trouve son plafond à cet endroit. Le champ fixe le nombre maximal de jetons à générer dans la complétion, un jeton étant le morceau de texte que le modèle lit et écrit, pas un mot entier.

Paramètres clés

  • Maximum Number of Tokens : serré pour une étiquette d'une ligne, plus large pour un paragraphe, ou lu sur l'item avec {{ $json.maxTokens }}.
Cas d'usage
un message poussé dans Slack, où une complétion plafonnée reste lisible dans le canal.
03

Sampling Temperature

options.temperature

Ce que tu vois dans n8n

Notes & cas d'usage

La prévisibilité se règle sur ce curseur. Il contrôle l'aléa : en le baissant, les complétions sont moins aléatoires, et quand la température approche de zéro le modèle devient déterministe et répétitif.

Paramètres clés

  • Sampling Temperature : proche de zéro pour de l'extraction ou de la remise en forme, là où deux passages sur la même donnée doivent tomber d'accord ; plus haut quand c'est justement la répétition qui gêne.
Cas d'usage
transformer des notes de commande brutes en consignes de livraison propres, avant un mapping qui n'aime pas les surprises.
04

Top K

options.topK

Ce que tu vois dans n8n

Notes & cas d'usage

Vois-le comme un filtre sur les mots candidats. Il sert à retirer les réponses de longue traîne, celles dont la probabilité est faible et qui font partir une réponse correcte en vrille.

Paramètres clés

  • Top K : sa valeur par défaut est -1, ce qui le désactive ; rien n'est filtré tant que tu ne mets pas de valeur. Utile quand les complétions sortent du format attendu plutôt que du sujet.
Cas d'usage
l'étiquetage de messages entrants, où la réponse doit rester dans un vocabulaire connu au lieu d'inventer une catégorie.
05

Top P

options.topP

Ce que tu vois dans n8n

Notes & cas d'usage

La diversité a son propre réglage, par échantillonnage du noyau. Une valeur de 0,5 signifie que la moitié des options pondérées par leur probabilité sont prises en compte : le vivier dans lequel pioche le modèle se resserre ou s'élargit avec ce nombre.

Paramètres clés

  • Top P : la recommandation est de bouger celui-ci ou Sampling Temperature, mais pas les deux, parce qu'ils se recouvrent et qu'un réglage croisé devient illisible.
Cas d'usage
produire plusieurs objets d'email pour une même campagne avant qu'un humain tranche.
Besoin d'aide

Besoin d'aide pour automatiser Google PaLM Language Model avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Google PaLM Language Model et n8n : les questions fréquentes

01Le nœud Google PaLM Language Model n8n est-il gratuit ?
Oui. Il appartient au paquet IA de n8n, @n8n/n8n-nodes-langchain, livré avec n8n. Rien à installer, aucun surcoût côté n8n, que tu travailles sur n8n Cloud, l'offre hébergée par n8n, ou sur une instance que tu héberges toi-même en Community Edition sous licence Sustainable Use. Un workflow se comporte pareil des deux côtés, donc un flux monté en local part sur Cloud sans réécriture. Ce qui coûte se trouve en face : Google facture ses propres appels d'API selon ses conditions, et n8n n'ajoute rien par-dessus.
02Quels credentials faut-il pour l'utiliser ?
Aucun sur ce nœud. Il n'a ni credential, c'est-à-dire aucun identifiant enregistré dans n8n, ni sélecteur Authentication, et c'est pour ça que la page n'a pas de section connexion : il n'y a pas de compte à relier ici. Le credential du fournisseur est porté par le sous-nœud modèle qu'on branche, selon le modèle des nœuds IA de n8n, où un nœud racine reçoit les items du workflow et où les sous-nœuds se raccordent à ses ports, un type par port. Ton travail de réglage tient donc aux 5 paramètres et au texte que tu lui envoies, en général via une expression.
03Quelles sont les limites de ce nœud ?
Il génère du texte sur les items qui lui arrivent, et c'est tout son métier. Il s'exécute comme un nœud d'action classique, un passage par item entrant, et il n'a pas de port de sous-nœud : impossible de lui accrocher une mémoire ou un outil. Le catalogue s'arrête à la version 1, donc aucune variante plus récente n'attend derrière une mise à jour, et un workflow ancien montre les mêmes 5 paramètres. Chaque paramètre est facultatif, mais un champ marqué requis dans la chaîne bloque l'exécution s'il reste vide.
04Que faut-il brancher pour démarrer ?
Commence par le nœud seul, sur un petit lot. Envoie-lui un prompt par une expression, mets Sampling Temperature au plus bas pour que deux passages sur la même entrée s'accordent, et regarde ce qui revient avant de câbler la suite. Une fois la sortie stable, demande-toi si le workflow a besoin de plus d'une complétion par item. Si oui, le nœud racine à regarder est l'AI Agent : il pilote la boucle et appelle des outils, avec un modèle branché sur son port. Et si la réponse doit être un JSON valide pour le nœud suivant, c'est là qu'un output parser prend son sens.
05n8n ou Make pour une étape IA comme celle-ci ?
Ça dépend de ce qui pèse le plus. Make, ex-Integromat, est une plateforme d'automatisation hébergée, sans auto-hébergement possible, facturée à l'opération : le coût reste lisible à petit volume, beaucoup moins quand un workflow tourne en continu. n8n s'auto-héberge avec Docker ou npm, ou s'utilise sur n8n Cloud, et le même workflow tourne des deux côtés, ce qui compte quand le texte envoyé à un modèle ne doit pas quitter une infrastructure que tu maîtrises. La logique visuelle diffère aussi : le plus honnête reste de monter ton propre flux sur les deux.
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