Ressources · Intégration n8n

Nœud Question and Answer Chain n8nConfigurer Question and Answer Chain dans n8n.

Le nœud Question and Answer Chain n8n répond à une question à partir des documents que tu as déjà indexés. Il expose 2 paramètres, Source for Prompt (User Message) et Options, et tourne avec 2 sous-nœuds branchés, un modèle de chat et un retriever. Pour qui monte un assistant interne.

Tester le nœud Question and Answer Chain sur n8nVoir les 2 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud Question and Answer Chain n8n ?

Il reçoit une question, la passe à un retriever, un sous-nœud qui fouille une source indexée et renvoie les passages qui correspondent, puis demande à un modèle de chat de rédiger la réponse à partir de ces seuls passages. Un sous-nœud, c'est une petite brique qu'on accroche sur un port, sous le nœud principal, et qui ne s'exécute jamais toute seule. Une réponse sort par item entrant, sans mémoire de la question précédente.

Premier cas : la hotline interne. Le centre d'aide est indexé, un Vector Store Retriever le lit, et la chaîne renvoie pour chaque ticket le passage qui s'applique. Le résultat part dans Slack, et la personne d'astreinte lit un brouillon au lieu d'ouvrir une barre de recherche.

Deuxième cas : les documents contractuels. Le template 1960 de n8n.io fait exactement ça, un fichier arrive dans Google Drive, il est découpé puis indexé, et la chaîne répond ensuite aux questions posées dessus. Ici Source for Prompt (User Message) vaut define, et Prompt (User Message) porte une expression du type {{ $json.question }}, c'est-à-dire un renvoi vers un champ de l'item entrant.

Troisième cas : une fenêtre de chat posée sur ta doc produit. Tu mets la source du prompt sur auto, tu branches un Chat Trigger devant, et chaque message qui arrive avec un champ chatInput devient une question.

Quand prendre autre chose. Cette chaîne cherche et répond, point. Dès qu'il faut enchaîner des étapes, trancher entre deux routes ou appeler un service extérieur, le nœud racine à prendre est AI Agent, avec ses outils fournis par AI Agent Tool. Et s'il n'y a rien à retrouver dans des documents, un simple appel de modèle côté OpenAI ou Anthropic suffit largement.

Les limites connues. Les 2 ports sont requis : un Retriever vide arrête l'exécution avec une erreur explicite. Les réponses sortent courtes par défaut, et le réglage se joue dans le sous-nœud modèle ou en découpant le travail en plusieurs prompts. Le fournisseur du modèle facture ses propres appels d'API selon ses conditions, n8n n'ajoute rien par-dessus.

Connexions

Qu'est-ce qu'on branche sur ce nœud ?

La chaîne est un nœud racine : le workflow alimente son entrée principale, et les deux briques ci-dessous s'accrochent sur des ports situés sous le nœud, un type de sous-nœud par port.

Ports (ce qui se branche)

  • Chat Modelai_languageModelrequis
  • Retrieverai_retrieverrequis
01Chat ModelCe port accueille le modèle qui rédige la phrase finale à partir des passages retrouvés. C'est aussi lui qui porte le credential du fournisseur, l'identifiant enregistré dans n8n, et c'est pour ça que la chaîne n'a rien à authentifier.

Ce port accueille le modèle qui rédige la phrase finale à partir des passages retrouvés. C'est aussi lui qui porte le credential du fournisseur, l'identifiant enregistré dans n8n, et c'est pour ça que la chaîne n'a rien à authentifier.

Paramètres clés

  • Required : laissé vide, le nœud ne démarre pas.
  • OpenAI Chat Model ou Anthropic Chat Model : les deux points de départ les plus courants dans les templates.
  • Google Gemini Chat Model ou Ollama Chat Model : le second quand tout doit rester sur ta machine.
Cas d'usage
changer ce sous-nœud modifie le ton et la longueur des réponses sans toucher au reste de la chaîne.
02RetrieverCe port décide d'où vient le contexte. Le retriever reçoit la question, cherche dans sa source et rend les passages que le modèle a le droit d'utiliser.

Ce port décide d'où vient le contexte. Le retriever reçoit la question, cherche dans sa source et rend les passages que le modèle a le droit d'utiliser.

Paramètres clés

  • Required : sans retriever accroché, l'exécution s'arrête sur une erreur de sous-nœud Retriever.
  • Vector Store Retriever : lit un magasin rempli en amont, le choix habituel pour des documents indexés.
  • Workflow Retriever ou MultiQuery Retriever : le premier va chercher le contexte dans un autre workflow, le second reformule la question en plusieurs recherches.
Cas d'usage
une base qui bouge tous les jours se sert mieux par un Workflow Retriever que par un magasin reconstruit chaque nuit.
Paramètres

Quels paramètres régler sur le nœud ?

Le nœud Question and Answer Chain compte 2 paramètres. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.

01

Source for Prompt (User Message)

promptType

Ce que tu vois dans n8n

Notes & cas d'usage

Ce sélecteur indique à la chaîne d'où vient la question. C'est le premier réglage à sécuriser, parce qu'un prompt vide reste l'erreur la plus fréquente sur ce nœud.

Paramètres clés

  • Connected Chat Trigger Node (auto) : cherche un champ chatInput venu d'un Chat Trigger branché directement.
  • Define below (define) : une expression qui pointe vers un nœud précédent, ou du texte fixe.
  • Prompt (User Message) : la question elle-même, requise dès que tu définis le prompt ici, souvent {{ $json.question }}.
Cas d'usage
une file de tickets passe par l'expression, une fenêtre de chat passe par le trigger.
02

Options

options

Ce que tu vois dans n8n

Notes & cas d'usage

Une collection qu'on remplit avec Add Option. Rien n'y est obligatoire, et les deux entrées comptent dès que la chaîne sort du test et traite une liste.

Paramètres clés

  • System Prompt Template : le gabarit de texte utilisé pour le prompt système. Il doit contenir la variable {context} pour le contexte fourni, et {question} pour les modèles de complétion de texte.
  • Batch Processing : les options de traitement par lots, pour tenir les limites de débit quand une exécution envoie beaucoup de questions à la suite.
Cas d'usage
réécrire le gabarit système, c'est ce qui force une réponse sourcée ou un aveu d'ignorance clair quand le contexte ne dit rien.
Besoin d'aide

Besoin d'aide pour automatiser Question and Answer Chain avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qu'on se pose ensuite

01Le nœud Question and Answer Chain 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, en Community Edition sous licence Sustainable Use. Rien à installer, aucun surcoût côté n8n, et un workflow se comporte pareil qu'il tourne depuis Docker sur ton serveur ou depuis l'offre hébergée par n8n. La seule facture qui existe vient du fournisseur du modèle branché sur le port Chat Model : il facture ses propres appels d'API selon ses conditions.
02Que faut-il pour faire tourner le nœud Question and Answer Chain n8n ?
Rien sur le nœud lui-même. Il n'a ni credential, ni sélecteur Authentication : aucun compte à connecter, aucune clé à coller dedans. Ce qu'il lui faut, ce sont deux sous-nœuds sur ses ports. Le sous-nœud modèle porte le credential du fournisseur, donc la clé se range là, sur un OpenAI Chat Model ou un Anthropic Chat Model par exemple. Le sous-nœud retriever porte ce que sa propre source réclame, en général le magasin vectoriel qu'il interroge. Ces deux briques accrochées, la chaîne tourne.
03Quelles sont les limites de ce nœud ?
Il répond à des questions sur des documents retrouvés, et c'est tout son métier. Pas de mémoire entre deux questions, pas de décision, aucun appel à un service extérieur de sa propre initiative. Les deux ports sont requis, donc un Retriever vide coupe l'exécution avec une erreur explicite. Les réponses sont aussi assez courtes par défaut. Les correctifs documentés : un modèle avec une fenêtre de contexte plus large, un Maximum Number of Tokens plus haut sur le sous-nœud modèle, ou une réponse construite en plusieurs prompts. La version décrite ici est la 2.
04Que brancher au minimum, et par quoi commencer ?
Deux sous-nœuds, pas moins : un modèle de chat sur le port Chat Model, un retriever sur le port Retriever. Pour un premier montage, le duo qu'on retrouve dans la plupart des templates est un OpenAI Chat Model avec un Vector Store Retriever qui lit un magasin rempli en amont. L'indexation des documents se fait dans un workflow à part, avec un loader, un découpage du texte et un nœud d'embeddings, puis le retriever pointe sur ce magasin. Une fois les réponses correctes, changer de fournisseur de modèle prend une minute.
05n8n ou Make pour une chaîne de questions-réponses ?
Ça dépend d'où vivent les données et de la façon dont tu veux payer. n8n tourne sur ton serveur ou sur son offre hébergée, avec le même workflow des deux côtés, ce qui compte quand les documents indexés sont internes. Make est hébergé uniquement, sans option d'auto-hébergement, et facture à l'opération, ce qui se prévoit bien à volume stable. Côté IA, la différence tient au modèle en sous-nœuds : dans n8n, la chaîne, son modèle et son retriever sont des briques distinctes qu'on remplace une par une. Teste les deux sur une vraie question avant de trancher.
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