Ressources · Intégration n8n

Nœud MongoDB Atlas Vector Store n8nConfigurer MongoDB Atlas Vector Store dans n8n.

Une base documentaire dans MongoDB Atlas devient interrogeable depuis un workflow avec le nœud MongoDB Atlas Vector Store n8n. Il expose 5 paramètres, 5 modes d'opération, et tourne sur chaque item entrant. Pensé pour brancher un assistant sur des documents internes.

Tester le nœud MongoDB Atlas Vector Store sur n8nVoir les 5 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud MongoDB Atlas Vector Store n8n ?

Ce nœud écrit et relit des embeddings dans une collection MongoDB Atlas depuis un workflow. Un embedding, c'est une suite de nombres qui représente un texte : deux passages qui parlent de la même chose se retrouvent proches l'un de l'autre. MongoDB Atlas Vector Search range ces suites et les classe face à une question. Le nœud branche cette recherche sur n8n : insérer des documents, récupérer les meilleurs résultats, ou confier la collection entière à un nœud IA comme ressource consultable.

Premier cas : constituer la base. Un document arrive dans le workflow, il est découpé en morceaux, chaque morceau est vectorisé, et le nœud en mode insert écrit le tout dans la collection indiquée par MongoDB Collection. Le vecteur atterrit dans le champ nommé par Embedding, le texte lisible dans celui de Metadata Field. Une passe sur un lot de fichiers sources, et la collection sait répondre.

Deuxième cas : répondre sans agent. En mode load, le nœud reçoit une question et renvoie les documents les mieux classés par similarité. C'est le schéma quand le workflow connaît déjà la question, par exemple un message d'équipe récupéré depuis Slack auquel il faut opposer les trois extraits de procédure les plus proches.

Troisième cas : l'assistant. En mode retrieve-as-tool, le nœud devient un outil que l'AI Agent appelle de lui-même, les champs Name et Description lui disant ce qu'il va y trouver. La description est le champ qu'on bâcle le plus souvent : trop vague, l'agent n'appelle jamais l'outil ; précise, il l'appelle au bon moment. Le modèle, lui, vient d'un sous-nœud modèle de chat, un nœud qui ne s'exécute que branché à un nœud racine, du côté d'OpenAI ou d'Anthropic.

Quand passer à autre chose. Le nœud suppose un cluster Atlas et un index Vector Search déjà créé depuis le tableau de bord Atlas, avec un nombre de dimensions accordé au modèle d'embeddings, par exemple 1536 pour text-embedding-small-3 d'OpenAI. Sans cet index, aucun réglage dans n8n ne le fabriquera. Pour un prototype vite fait sans base de données, un autre vector store ira mieux. Et si le workflow veut une synthèse plutôt que les morceaux bruts, le Vector Store Question Answer Tool se glisse entre l'agent et ce nœud.

Les limites à connaître avant de construire dessus. Le nœud est en version 1 et un workflow ancien affichera moins d'options que la description ici. Le filtrage se résume à Metadata Filter dans Options : tout ce qui est plus fin se traite côté MongoDB. Enfin ces 5 paramètres ne couvrent pas l'API Atlas entière : gestion des index, réglages du cluster et administration de la collection restent dehors. Si n8n est encore neuf pour l'équipe, la Formation n8n reprend les bases que cette page suppose acquises.

Connexion

Qu'est-ce qu'il faut préparer avant que le nœud tourne ?

  1. 01

    Créer l’index Vector Search dans Atlas

    Connecte-toi au tableau de bord MongoDB Atlas, choisis l’organisation puis le projet, et ouvre la section Search and Vector Search. Sélectionne le cluster, clique sur Go to search, puis sur Create Search Index et choisis le mode Vector Search. Décris le champ dans l’éditeur visuel ou en JSON, règle numDimensions sur la taille que sort ton modèle d’embeddings, nomme l’index et valide.

  2. 02

    Relever les valeurs que réclame le panneau

    Quatre valeurs sortent de ce que tu viens de créer, et n8n n’en devinera aucune. Le nom de la collection va dans MongoDB Collection, celui de l’index dans Vector Index Name. Le champ qui porte le tableau d’embedding va dans Embedding, celui qui porte le texte brut dans Metadata Field. Recopie-les à l’orthographe près.

  3. 03

    Enregistrer le credential MongoDB dans n8n

    Le nœud atteint le cluster via un credential MongoDB, c’est-à-dire un jeu d’identifiants enregistré une fois depuis le menu Credentials et réutilisé par tous les workflows qui touchent la même base. Le panneau n’a pas de sélecteur Authentication : un seul credential à choisir en haut, valable pour les 5 modes d’opération. La fiche credential MongoDB de n8n donne les champs exacts à remplir.

Paramètres

Quels sont les paramètres du nœud MongoDB Atlas Vector Store ?

Le nœud MongoDB Atlas Vector Store 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

Operation Mode

mode

Ce que tu vois dans n8n

Notes & cas d'usage

Ce sélecteur décide de ce que le nœud fait de la collection, et tout le reste du panneau en dépend.

Paramètres clés

  • Operation Mode (mode) : load (Get Many) rend les documents classés pour une question, insert (Insert Documents) écrit des documents, retrieve (Retrieve Documents (As Vector Store for Chain/Tool)) expose le store aux nœuds IA, retrieve-as-tool (Retrieve Documents (As Tool for AI Agent)) l'expose comme outil, update (Update Documents) réécrit des documents par ID.
  • Prompt : le texte de recherche qui sert au classement, souvent {{ $json.question }} du nœud précédent.
  • ID : l'identifiant d'une entrée d'embedding existante, exigé pour la réécrire.
Cas d'usage
un workflow indexe les fichiers en insert, un autre répond aux questions en load, vers la même collection.
02

MongoDB Collection

mongoCollection

Ce que tu vois dans n8n

Notes & cas d'usage

Désigne la collection Atlas que le nœud lit ou remplit. C'est un resource locator : la valeur se choisit dans la liste ou se saisit à la main, et ce doit être la collection sur laquelle l'index Vector Search a été monté.

Paramètres clés

  • MongoDB Collection (mongoCollection) : requis, le nom de collection noté au moment de la création de l'index dans le tableau de bord Atlas.
Cas d'usage
une collection par source, la doc produit d'un côté, les tickets de l'autre, et un assistant répond depuis la bonne au lieu de mélanger les deux.
03

Embedding

embedding

Ce que tu vois dans n8n

Notes & cas d'usage

Indique quel champ de chaque document Atlas porte le tableau d'embedding, la suite de nombres que la recherche vectorielle compare. Une erreur ici ne lève pas d'exception : la recherche rend simplement le vide.

Paramètres clés

  • Embedding (embedding) : requis, le champ contenant le tableau d'embedding, qui doit correspondre au chemin déclaré dans l'index Vector Search.
Cas d'usage
sur une collection de fiches produit déjà en place, on ajoute un champ dédié au vecteur, les fiches restant lisibles pendant que la recherche travaille sur les nombres.
04

Metadata Field

metadata_field

Ce que tu vois dans n8n

Notes & cas d'usage

Pointe le champ qui garde le texte brut derrière chaque vecteur. C'est ce texte qui ressort dans les résultats, donc la partie que le modèle ou l'humain lit vraiment.

Paramètres clés

  • Metadata Field (metadata_field) : requis, le champ texte de la donnée brute, rempli à l'insertion avec le morceau qui a été vectorisé.
Cas d'usage
y stocker le morceau et le nom du fichier source permet à une réponse de citer sa provenance. C'est ce qui sépare une réponse plausible d'une réponse vérifiable.
05

Vector Index Name

vectorIndexName

Ce que tu vois dans n8n

Notes & cas d'usage

Identifie l'index Vector Search par lequel la requête passe. MongoDB Atlas ne cherche pas dans des vecteurs sans lui, et il se crée depuis le tableau de bord Atlas avant le moindre déclenchement du workflow.

Paramètres clés

  • Vector Index Name (vectorIndexName) : requis, le nom donné à l'index dans la section Search and Vector Search du cluster.
Cas d'usage
deux index sur la même collection, un par modèle d'embeddings, et tester un nouveau modèle sur une copie des données tient au changement de cette seule valeur.
Besoin d'aide

Besoin d'aide pour automatiser MongoDB Atlas Vector Store avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

MongoDB Atlas Vector Store et n8n, les questions fréquentes

01Le nœud MongoDB Atlas Vector Store 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, ni sur n8n Cloud, l'offre hébergée par n8n, ni sur une instance auto-hébergée en Community Edition sous licence Sustainable Use. Un workflow se comporte pareil des deux côtés. Ce qui coûte est ailleurs : le cluster MongoDB Atlas qui héberge la collection, et le fournisseur du modèle derrière les embeddings, puisque OpenAI, Anthropic, Google ou Mistral facturent leurs propres appels d'API selon leurs conditions.
02Quels credentials faut-il pour faire tourner le nœud ?
Un credential MongoDB, enregistré une fois dans n8n et sélectionné en haut du panneau du nœud. Il n’y a pas de sélecteur Authentication ici, donc c’est le seul élément à authentifier côté nœud, et la fiche credential MongoDB de n8n précise les champs exacts à renseigner. Rien d’autre sur le nœud ne porte de clé de fournisseur : les valeurs d’embedding arrivent comme de simples données, et la clé d’un modèle voyage avec son propre sous-nœud, un nœud qui ne s’exécute jamais seul. Au-delà du credential, le nœud attend un index Vector Search déjà créé dans le tableau de bord Atlas, plus le nom de la collection, celui de l’index et les deux noms de champs à recopier dans le panneau.
03Quelles sont les limites du nœud MongoDB Atlas Vector Store n8n ?
Il lit et écrit des vecteurs, point. Créer l'index Vector Search se fait dans le tableau de bord Atlas, où le nombre de dimensions doit coller au modèle d'embeddings, par exemple 1536 pour text-embedding-small-3 d'OpenAI. Le filtrage se limite à l'entrée Metadata Filter sous Options. Le panneau expose 5 paramètres et 5 modes d'opération : administration du cluster, gestion des utilisateurs et travail de schéma restent dans MongoDB. Le nœud est en version 1, et un workflow construit plus tôt peut afficher moins d'options que le panneau actuel.
04Que faut-il brancher au minimum pour que ça marche ?
Un sous-nœud d'embeddings, au strict minimum : le nœud range et compare des vecteurs, il n'en fabrique pas. Les sous-nœuds sont ces petits blocs qui se raccordent aux ports d'un nœud racine et ne tournent jamais seuls. Ensuite tout dépend du mode : en insert, un text splitter et un data loader lui apportent les morceaux de document ; en retrieve-as-tool, un AI Agent l'appelle comme outil et amène son propre modèle de chat. Pour démarrer, branche un seul nœud d'embeddings, lance une insertion, vérifie dans Atlas que les documents arrivent avec un champ vecteur rempli, puis ajoute l'agent.
05n8n ou Make pour un vector store MongoDB Atlas ?
Ça dépend d'où les données doivent rester. Make est hébergé, sans option d'auto-hébergement, et se facture à l'opération, ce qui convient à une équipe qui ne veut rien administrer. n8n s'auto-héberge en Docker ou npm, donc les embeddings et les documents restent sur une infrastructure maîtrisée, argument qui tranche souvent quand les documents sources sont internes. La logique visuelle diffère aussi : n8n construit les workflows IA autour d'un nœud racine et de sous-nœuds accrochés à ses ports, une forme qui colle à la façon dont un vector store, un modèle d'embeddings et un agent s'emboîtent.
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