Ressources · Intégration n8n

Nœud NVIDIA Nemotron Embeddings n8nConfigurer NVIDIA Nemotron Embeddings dans n8n.

Le nœud NVIDIA Nemotron Embeddings n8n transforme du texte en vecteurs, la matière première d'une recherche sémantique. C'est un sous-nœud : pas d'entrée principale, jamais d'exécution seul, il se branche sur un port. Cinq paramètres pilotent le modèle, les lots, le nettoyage, la taille et le délai.

Tester le nœud NVIDIA Nemotron Embeddings sur n8nVoir les 5 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud NVIDIA Nemotron Embeddings n8n ?

Il interroge un modèle d'embeddings NeMo Retriever, hébergé par NVIDIA sur build.nvidia.com ou tournant dans un conteneur NIM chez toi, et renvoie la version numérique de ton texte. Côté n8n, c'est un sous-nœud : un petit nœud qu'on accroche à un plus gros, au lieu de le poser dans le fil des items. Le nœud racine choisit ce qu'il faut vectoriser, celui-ci choisit avec quel modèle et sous quelle forme partent les requêtes.

Premier terrain, la base de connaissance interne. Des lignes de procédure sortent d'un nœud Google Sheets, arrivent dans un vector store en mode indexation, et ce store réclame un vecteur par ligne à notre sous-nœud. Le modèle se choisit une fois dans Model, dans la liste ou en tapant l'identifiant servi par ton conteneur NIM, et il vaut pour toute l'exécution.

Deuxième terrain, la partie recherche d'un assistant de support. Un AI Agent interroge le store, le store fait vectoriser la question ici, et les passages les plus proches reviennent en contexte. Le nœud positionne input_type tout seul, passage à l'indexation et query à la recherche : aucune bascule à gérer entre les deux.

Troisième terrain, le déploiement privé. Tu pointes le credential (l'identifiant enregistré dans n8n) vers un NIM posé sur ton infrastructure, rien n'en sort, et le workflow reste rigoureusement le même que sa version cloud. C'est aussi là que Dimensions prend son sens : un modèle Matryoshka sait rendre des vecteurs plus courts, pratique pour une base qu'on veut garder légère.

Quand préférer autre chose ? Quand un autre fournisseur est déjà câblé chez toi pour d'autres raisons, un credential OpenAI par exemple, une deuxième clé à gérer n'apporte pas grand-chose. NVIDIA facture les appels qu'il sert selon ses propres conditions, n8n n'ajoute rien par-dessus.

Deux limites à connaître avant de construire. Le nœud est en version 1 et expose cinq paramètres, pas un de plus : ni relance automatique, ni en-tête personnalisé, ni réglage à la requête. Et comme il n'a pas d'entrée principale, impossible de le tester isolément, on lance le nœud racine et on regarde ce que le store recrache. L'Avis n8n traite la plateforme elle-même, la Formation n8n déroule une chaîne d'indexation complète.

Connexion

Quel credential faut-il créer ?

  1. 01

    Ouvrir un compte NVIDIA build

    L'accès cloud passe par build.nvidia.com, donc tout commence là. Connexion, ouverture d'un modèle Nemotron dans le catalogue, puis Get API Key. La clé appartient au compte et pas à un modèle précis : une seule suffit pour tous les modèles NeMo Retriever que tu sélectionneras ensuite dans le nœud. Avec un conteneur NIM auto-hébergé, cette étape saute.

  2. 02

    Créer le credential NVIDIA Nemotron dans n8n

    Dans le menu Credentials, crée le credential NVIDIA Nemotron. Il demande une Base URL, l'adresse compatible avec la spécification OpenAI, et une API Key. La Base URL par défaut est https://integrate.api.nvidia.com/v1, celle sur laquelle répondent les modèles cloud. Colle la clé copiée dans API Key. Créé une fois, ce credential se réutilise dans tous les workflows.

  3. 03

    Ou viser ton NIM avec le même credential

    Un seul credential couvre les deux modes de déploiement. Pour un conteneur à toi, remplace la Base URL par l'adresse de ton NIM en gardant le chemin /v1, du type http://localhost:8000/v1. Si ce conteneur exige une authentification, colle son jeton dans API Key. Sinon, laisse le champ vide : c'est le seul cas où la clé devient facultative.

Connexions

Sur quel port se branche ce sous-nœud ?

n8n répartit 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. Notre nœud est un sous-nœud, et le port ci-dessous est sa seule porte d'entrée dans un workflow.

Sortie (où il se branche)

  • Embeddingsai_embedding
01EmbeddingsLe port ai_embedding est celui que ce nœud alimente. Un nœud racine qui range ou interroge des vecteurs le propose, et tant que la liaison n'existe pas, le nœud n'a rien à traiter. Le branchement n'est possible que là où ce port est offert, jamais sur un port de modèle de chat ou de mémoire.

Le port ai_embedding est celui que ce nœud alimente. Un nœud racine qui range ou interroge des vecteurs le propose, et tant que la liaison n'existe pas, le nœud n'a rien à traiter. Le branchement n'est possible que là où ce port est offert, jamais sur un port de modèle de chat ou de mémoire.

Paramètres clés

  • Required : privé d'entrée principale, le nœud ne s'exécute que lorsqu'un nœud racine lui réclame des vecteurs.
Cas d'usage
un vector store en indexation appelle le port pendant qu'il se remplit, puis le rappelle à chaque question qu'il doit traiter.
Paramètres

Que changent les 5 paramètres ?

Le nœud NVIDIA Nemotron Embeddings 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

model

Ce que tu vois dans n8n

Notes & cas d'usage

Seul paramètre obligatoire : il désigne le modèle d'embeddings NeMo Retriever qui produit les vecteurs. C'est un sélecteur de ressource, donc soit tu prends dans la liste chargée via le credential, soit tu tapes directement un identifiant, la manière de viser un modèle servi par un NIM.

Paramètres clés

  • Model : requis. Le nœud règle input_type de lui-même, passage à l'indexation et query à la recherche.
Cas d'usage
garder un modèle unique par base, puisque des vecteurs écrits par un modèle ne se comparent qu'à des vecteurs du même modèle.
02

Batch Size

options.batchSize

Ce que tu vois dans n8n

Notes & cas d'usage

Le regroupement compte dès qu'une exécution dépasse la poignée de lignes. Cette option fixe le nombre maximum de documents empaquetés dans chaque requête au modèle, ce qui décide si un gros import part en quelques appels ou en centaines.

Paramètres clés

  • Batch Size : un nombre, le plafond par requête. À baisser quand un import volumineux commence à échouer, à monter quand l'indexation traîne.
Cas d'usage
indexer un fonds documentaire la nuit, où ce plafond fait la différence entre un job qui finit et un job coupé en route.
03

Strip New Lines

options.stripNewLines

Ce que tu vois dans n8n

Notes & cas d'usage

Un texte brut arrive rarement propre. Activée, cette case supprime les retours à la ligne du texte d'entrée avant l'envoi, ce qui vaut le coup sur du contenu qui traîne une mise en forme dont personne n'a besoin.

Paramètres clés

  • Strip New Lines : une case à cocher. Garde le même réglage à l'indexation et à la recherche, pour que les deux côtés voient le texte sous la même forme.
Cas d'usage
un PDF converti en texte, ou un corps de message tiré de Gmail, dont chaque coupure de ligne finirait sinon dans le vecteur.
04

Dimensions

options.dimensions

Ce que tu vois dans n8n

Notes & cas d'usage

La longueur des vecteurs se négocie sur certains modèles. Saisir un nombre ici réclame des embeddings de cette taille en sortie ; laisser le champ vide conserve ce que le modèle renvoie par défaut.

Paramètres clés

  • Dimensions : un nombre, honoré uniquement par les modèles à embeddings dynamiques (Matryoshka). Sur les autres, mieux vaut ne pas y toucher.
Cas d'usage
alléger une base devenue plus lourde que ce que tu veux héberger, en acceptant de tout réindexer à la nouvelle taille.
05

Timeout

options.timeout

Ce que tu vois dans n8n

Notes & cas d'usage

Une requête qui ne répond jamais coûte plus cher qu'une requête en erreur. Cette valeur plafonne la durée d'un appel, exprimée en secondes, et -1 retire le plafond.

Paramètres clés

  • Timeout : un nombre de secondes. Un NIM qui vient de démarrer est la raison habituelle de le remonter.
Cas d'usage
une réindexation planifiée qu'on préfère voir s'arrêter et signaler plutôt que rester ouverte, ou l'inverse, un conteneur lent à qui on laisse du temps.
Besoin d'aide

Besoin d'aide pour automatiser NVIDIA Nemotron Embeddings avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui reviennent sur ce nœud

01Le nœud NVIDIA Nemotron Embeddings est-il inclus dans n8n ?
Oui. Il fait partie du paquet IA livré avec n8n, donc il est présent sur n8n Cloud comme sur une instance auto-hébergée, sans installation et sans surcoût côté n8n. La Community Edition sous licence Sustainable Use l'embarque aussi, et un workflow construit d'un côté se comporte pareil de l'autre. Ce qui coûte, c'est le modèle : NVIDIA facture les appels qu'il sert selon ses conditions. Un conteneur NIM hébergé chez toi change la donne, puisque l'infrastructure devient la tienne et que rien ne dépend plus de la disponibilité de build.nvidia.com.
02Que faut-il pour qu'il fonctionne ?
Un credential et un nœud racine sur lequel se brancher. Le credential est celui de NVIDIA Nemotron, avec une Base URL et une API Key. La clé est obligatoire pour build.nvidia.com et facultative pour un NIM auto-hébergé qui n'impose pas d'authentification, auquel cas le champ reste vide. La Base URL vaut par défaut l'adresse cloud de NVIDIA et se remplace par la tienne en auto-hébergement. Ensuite, il lui faut un port Embeddings où s'accrocher, faute d'entrée principale : seul un nœud racine qui range ou interroge des vecteurs propose ce port, et sans lui le nœud ne démarre jamais.
03Quelles sont les limites du nœud ?
Il est en version 1, avec cinq paramètres, et c'est toute sa surface : le modèle, plus la taille de lot, la suppression des retours à la ligne, les dimensions et le délai. Rien d'autre n'est réglable à la requête. Dimensions n'agit que sur les modèles à embeddings dynamiques Matryoshka, l'activer ailleurs ne sert à rien. Et comme c'est un sous-nœud, il ne s'exécute ni ne se teste seul : le nœud racine reste ton seul poste d'observation. Un workflow ancien peut afficher une version antérieure.
04Que faut-il brancher au minimum sur le nœud NVIDIA Nemotron Embeddings n8n ?
Un nœud racine, relié par le port Embeddings. Ce port porte le type ai_embedding, donc le nœud s'accroche à un nœud racine qui range ou interroge des vecteurs, et à rien d'autre. Commence par le côté indexation : envoie un petit lot de documents, vérifie que la base se remplit, puis réutilise exactement le même nœud et le même modèle côté recherche. Un seul modèle par base, c'est la règle : des vecteurs issus de deux modèles différents ne se comparent pas.
05n8n ou Make pour ce type de chaîne d'embeddings ?
Ça dépend d'où doivent vivre les données. Make est hébergé par Make, sans option d'auto-hébergement, et se facture à l'opération : confortable quand le volume reste prévisible et que rien de sensible ne circule. n8n s'auto-héberge, et associé à un conteneur NIM sur la même infrastructure il permet à une chaîne d'indexation de tourner sans que le texte quitte ton réseau. Le volume pousse dans le même sens : un import qui vectorise des milliers de lignes consomme vite des opérations, alors que la même chaîne tourne sur ton instance n8n sans compteur en face. Le reste tient à l'habitude de chacun avec la logique visuelle des deux outils.
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