Ressources · Intégration n8n

Nœud MultiQuery Retriever n8nConfigurer MultiQuery Retriever dans n8n.

Les mots d'une question collent rarement à ceux des documents indexés. Le nœud MultiQuery Retriever n8n confie cette question à un modèle de chat, récupère plusieurs reformulations et les envoie au retriever branché dessous. Une option, 2 ports requis, rien à authentifier.

Tester le nœud MultiQuery Retriever sur n8nVoir les 1 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud MultiQuery Retriever n8n dans une recherche ?

Ce nœud se place entre la question posée et l'endroit où vivent les documents. Plutôt que de chercher une seule fois avec les mots saisis, il demande à un modèle de chat (le sous-nœud qui dialogue avec un fournisseur comme OpenAI ou Anthropic) d'écrire plusieurs variantes de la question, passe chacune au retriever branché dessous, et renvoie l'ensemble des documents trouvés. C'est un sous-nœud : il ne tourne jamais seul, un nœud racine comme Question and Answer Chain vient le chercher.

Premier terrain : une base de connaissances juridique interne. Un collaborateur tape « résilier un contrat en cours ». Le document parle de préavis, de reconduction tacite et de dénonciation du contrat. Aucun de ces mots n'était dans la question. Trois variantes rédigées par le modèle attrapent le bon paragraphe là où une recherche unique passe à côté.

Deuxième terrain : un assistant branché sur un catalogue produit, interrogé depuis Slack. Les questions arrivent courtes, souvent mal orthographiées. Monter Query Count élargit la recherche sans retoucher ni les documents ni la base vectorielle, puisque la reformulation a lieu en amont, dans le modèle du port ai_languageModel.

Troisième terrain : une veille documentaire. Le même retriever alimente un AI Agent qui répond en direct et un workflow planifié qui consigne la synthèse dans Google Sheets. Seul le nœud racine change d'un cas à l'autre.

Quand s'en passer ? Si les réponses tombent déjà juste, branche le retriever directement sur le nœud racine. Chaque reformulation est un appel de plus au fournisseur du modèle, qui facture ses propres appels d'API selon ses conditions. Sur un corpus petit et bien rédigé, la dépense rapporte peu. Autre chose à savoir : ce nœud n'ordonne pas les résultats, il élargit le lot. Pour resserrer ensuite, Contextual Compression Retriever accepte ce nœud en entrée.

Les limites, avant de construire. Le panneau n'expose qu'une option, donc le texte du prompt de reformulation ne se modifie pas ici. Les deux ports d'entrée sont requis : un port vide arrête l'exécution. Et la page décrit la version 1 du nœud, un workflow ancien peut afficher moins d'options. Le choix du modèle pèse plus lourd que tout le reste, qu'il vienne d'OpenAI ou d'Anthropic.

Connexions

Qu'est-ce qu'on branche sur le MultiQuery Retriever ?

Dans n8n, un nœud racine reçoit les items du workflow et des sous-nœuds se raccordent à ses ports, un type de sous-nœud par port ; celui-ci est lui-même un sous-nœud, avec deux ports à lui.

Ports (ce qui se branche)

  • Chat Modelai_languageModelrequis
  • Retrieverai_retrieverrequis

Sortie (où il se branche)

  • Retrieverai_retriever
01Chat ModelCe port reçoit le modèle chargé de réécrire la question entrante en plusieurs requêtes. Sans modèle, aucune reformulation, et le nœud n'a rien à transmettre au retriever.

Ce port reçoit le modèle chargé de réécrire la question entrante en plusieurs requêtes. Sans modèle, aucune reformulation, et le nœud n'a rien à transmettre au retriever.

Paramètres clés

  • Required : laissé vide, il bloque l'exécution du nœud.
  • OpenAI Chat Model et Anthropic Chat Model : les deux points de départ habituels, chacun portant le credential de son fournisseur, c'est-à-dire l'identifiant enregistré une fois dans n8n.
  • Ollama Chat Model : pour un modèle qui tourne sur ta machine, quand les questions ne doivent pas sortir du réseau.
Cas d'usage
un modèle auto-hébergé sur une base RH interne, un modèle hébergé sur la documentation publique d'un produit.
02RetrieverSous ce port se trouve ce qui va réellement chercher les documents. Chaque requête reformulée y passe, et le nœud rassemble les retours en un seul lot.

Sous ce port se trouve ce qui va réellement chercher les documents. Chaque requête reformulée y passe, et le nœud rassemble les retours en un seul lot.

Paramètres clés

  • Required : sans lui, le nœud n'a rien à interroger.
  • Vector Store Retriever : le choix courant, qui lit la base où sont rangés tes documents indexés.
  • Workflow Retriever : quand les documents viennent d'un autre workflow n8n plutôt que d'une base.
Cas d'usage
pointer une base construite depuis un wiki produit, puis réutiliser cette même base dans un second workflow de recherche.
Paramètres

Quels paramètres ce nœud propose-t-il ?

Le nœud MultiQuery Retriever compte un paramètre. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.

01

Options

options

Ce que tu vois dans n8n

Notes & cas d'usage

Tout ce qui se règle sur ce nœud tient dans une collection, ouverte par Add Option. Si tu n'y touches pas, le nœud fonctionne quand même, avec son comportement par défaut.

Paramètres clés

  • Query Count : le nombre de versions différentes de la question que le modèle de chat doit produire. Plus de versions, un lot de documents plus large, et un appel au modèle de plus à chaque fois.
Cas d'usage
démarrer sans l'option sur un petit corpus, puis ajouter Query Count quand des questions courtes ratent régulièrement le bon document.
Besoin d'aide

Besoin d'aide pour automatiser MultiQuery Retriever avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

MultiQuery Retriever dans n8n, les questions fréquentes

01Le nœud MultiQuery Retriever est-il inclus dans n8n ?
Oui. Il fait partie du paquet IA livré avec n8n, donc rien à installer et aucun surcoût côté n8n, sur n8n Cloud comme sur une instance auto-hébergée (Community Edition, licence Sustainable Use). La dépense se situe ailleurs : le fournisseur du modèle de chat branché sur le nœud facture ses propres appels d'API selon ses conditions, et ce nœud en déclenche plusieurs par question au lieu d'un seul. n8n n'ajoute rien par-dessus. Un workflow monté sur n8n Cloud se comporte de la même façon une fois déplacé sur ton serveur, puisque l'auto-hébergement exécute le même nœud.
02Quels credentials faut-il pour le MultiQuery Retriever ?
Aucun. Ce nœud n'a ni credential, c'est-à-dire aucun identifiant à enregistrer, ni sélecteur Authentication : il n'y a donc rien à configurer côté compte, ce qui fait une étape de moins. La clé se trouve un cran plus bas : c'est le sous-nœud modèle de chat raccordé au port qui porte l'identifiant du fournisseur, et le retriever fait de même si la base qu'il interroge en demande un. Ces identifiants s'enregistrent une fois dans n8n et se réutilisent ailleurs. Une exécution qui échoue sur une erreur d'authentification vient du sous-nœud, pas de ce nœud.
03Quelles sont les limites du nœud MultiQuery Retriever n8n ?
Le nœud n'expose qu'une option, Query Count, et rien d'autre. Le prompt qui sert à reformuler la question ne se modifie pas depuis le panneau : pour maîtriser la formulation mot à mot, il faut construire la reformulation soi-même avec un modèle de chat et transmettre les requêtes directement à un retriever. Le nœud ne réordonne pas non plus les documents par pertinence, il élargit le lot, ce qui est un autre métier. Ses deux ports d'entrée sont requis, donc un port vide bloque l'exécution. La page décrit la version 1 du nœud, un workflow ancien peut en afficher moins.
04Que faut-il brancher au minimum pour qu'il tourne ?
Deux choses, toutes les deux obligatoires : un modèle de chat sur le port Chat Model et un retriever sur le port Retriever. Pour un premier montage, OpenAI Chat Model avec Vector Store Retriever est le chemin le plus court, la base vectorielle existant en général déjà depuis un workflow d'indexation antérieur. Reste à relier le nœud lui-même à un nœud racine, Question and Answer Chain étant le plus direct. Contextual Compression Retriever l'accepte aussi, si tu veux resserrer le lot avant la rédaction de la réponse. Rien d'autre n'est obligatoire, et l'option peut rester fermée.
05n8n ou Make pour ce type de recherche documentaire ?
Ça dépend de l'endroit où tes données ont le droit de vivre. n8n tourne sur ton serveur ou sur n8n Cloud avec le même workflow, ce qui compte quand les documents interrogés sont internes et que le modèle est auto-hébergé. Make est hébergé uniquement, sans option d'auto-hébergement, et se facture à l'opération : un nœud qui déclenche plusieurs appels de modèle par question change alors le calcul. Sur la logique visuelle, les deux se tiennent. Choisis n8n pour garder documents et modèle sur une infrastructure que tu maîtrises, Make si l'hébergement par un tiers convient et que le volume reste prévisible.
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