Ressources · Intégration n8n

Nœud Simple Vector Store n8nConfigurer Simple Vector Store dans n8n.

Ce nœud garde tout ce qu'il indexe dans la mémoire de n8n, et nulle part ailleurs. Le nœud Simple Vector Store n8n tient en 2 paramètres : un mode d'opération à 4 choix et une clé mémoire. C'est l'outil de celui qui teste une recherche documentaire avant de choisir une vraie base.

Tester le nœud Simple Vector Store sur n8nVoir les 2 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud Simple Vector Store n8n ?

Il range des embeddings dans la mémoire interne de n8n. Un embedding, c'est une représentation numérique d'un texte sous forme de vecteur : elle permet à une IA de retrouver un passage qui veut dire à peu près la même chose, et pas seulement un passage qui contient les mêmes mots. Pas de base à provisionner : tu choisis une clé, tu insères, tu interroges. n8n le réserve au développement.

La description du nœud annonce la couleur : la façon la plus simple d'expérimenter avec un vector store, sans installation externe. Tout découle de là. Aucun compte, aucun serveur, aucun index à créer. Tu poses le nœud, tu passes en insert, et les documents sont interrogeables dans la foulée.

Premier scénario, une newsletter générée à partir de flux RSS. Une branche récupère les articles, les découpe, et fait tourner le nœud en mode Insert Documents sous une clé mémoire. Une autre branche repasse par le même nœud en mode Get Many avec un Prompt et une Limit, et n'envoie que les passages les mieux classés au rédacteur automatique. Deuxième scénario, un assistant interne qui répond aux questions de l'équipe : le mode Retrieve Documents (As Tool for AI Agent) transforme le magasin en outil qu'un AI Agent appelle tout seul, à condition de lui donner un Name et une Description qui disent clairement quand s'en servir. Troisième scénario, une chaîne de questions-réponses : le nœud Vector Store Retriever lit ce magasin et alimente la Question and Answer Chain.

Quand vaut-il mieux autre chose ? La réponse est franche. Les données ne vivent qu'en mémoire. Tout est perdu au redémarrage de n8n, et peut aussi être purgé quand la mémoire se tend. Les clés mémoire sont globales, pas rattachées à un workflow : n'importe quel utilisateur de l'instance peut ajouter un nœud Simple Vector Store, sélectionner la clé et lire ce qu'elle contient, quels que soient les droits posés sur le workflow d'origine. Rien de confidentiel ne doit y entrer. Dès qu'il faut survivre à un redémarrage ou cloisonner par équipe, le prototype change de magasin.

Les documents, eux, viennent du reste du workflow : des lignes de Google Sheets, des fils de Gmail, des messages archivés depuis Slack. Côté modèle, le fournisseur que tu appelles pour fabriquer les embeddings, OpenAI ou Google Gemini, facture ses propres appels d'API selon ses conditions. n8n n'ajoute rien par-dessus.

Le ménage se fait sans toi. n8n nettoie les anciens magasins quand la pression mémoire monte, et supprime ceux qui n'ont pas été touchés depuis un délai configurable. Deux variables d'environnement pilotent ça, N8N_VECTOR_STORE_MAX_MEMORY et N8N_VECTOR_STORE_TTL_HOURS, toutes deux à -1 par défaut en auto-hébergé, ce qui désactive la limite et le nettoyage par ancienneté.

Paramètres

Quels paramètres le nœud propose-t-il ?

Le nœud Simple Vector Store 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

Operation Mode

mode

Ce que tu vois dans n8n

Notes & cas d'usage

Ce sélecteur décide de ce que le nœud fait sur chaque item entrant, et il commande l'apparition de tous les autres champs.

Paramètres clés

  • Insert Documents (insert) : écrit les documents dans le magasin, avec Clear Store pour vider la clé avant.
  • Get Many (load) : classe les documents face à un Prompt, plafonné par Limit, avec Include Metadata et Rerank Results.
  • Retrieve Documents (As Vector Store for Chain/Tool) (retrieve) : ouvre le magasin à un autre nœud IA.
  • Retrieve Documents (As Tool for AI Agent) (retrieve-as-tool) : réclame un Name et une Description.
Cas d'usage
un nœud en insert pour construire l'index, un second en load pour l'interroger.
02

Memory Key

memoryKey

Ce que tu vois dans n8n

Notes & cas d'usage

La clé nomme l'emplacement où la mémoire vectorielle se range dans les données du workflow. n8n la préfixe avec l'identifiant du workflow pour éviter les collisions entre projets.

Paramètres clés

  • Memory Key : choisis une clé existante ou tape la tienne, quelque chose de lisible comme company_knowledge_base, ou une expression du type {{ $json.tenant }} quand un même workflow sert plusieurs jeux de données.
Cas d'usage
la branche qui insère et celle qui interroge doivent viser la même clé. Sinon la recherche tourne sur un magasin vide et ne renvoie rien. C'est le premier réflexe quand les résultats arrivent à zéro.
Besoin d'aide

Besoin d'aide pour automatiser Simple Vector Store avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui viennent juste après

01Le nœud Simple Vector Store est-il inclus dans n8n ?
Oui. Il fait partie du paquet IA de n8n, livré avec n8n : rien à installer, aucun surcoût côté n8n. Il se comporte pareil sur n8n Cloud et sur une instance auto-hébergée, que tu la fasses tourner avec Docker ou npm en Community Edition sous licence Sustainable Use. Un workflow construit d'un côté tourne de l'autre sans retouche. Ce qui coûte de l'argent se trouve ailleurs : le fournisseur de modèle appelé pour fabriquer les embeddings, OpenAI, Anthropic, Google ou Mistral, facture ses propres appels d'API selon ses conditions. n8n n'ajoute rien à cette facture.
02Quels credentials faut-il pour le faire tourner ?
Aucun. Ce nœud n'a pas de credential, c'est-à-dire pas d'identifiants à enregistrer dans n8n, ni de sélecteur Authentication. Assez rare pour être signalé. Tu ajoutes le nœud, tu choisis un mode, tu nommes une clé mémoire, et il s'exécute. Le compte nécessaire se trouve du côté du modèle : fabriquer des embeddings suppose d'appeler un fournisseur, et sa clé se configure sur son propre nœud, pas ici. Le travail de configuration se résume donc à un seul credential ailleurs dans le workflow. C'est une des raisons pour lesquelles ce nœud est le chemin le plus court vers un prototype qui marche.
03Quelles sont les limites du nœud Simple Vector Store n8n ?
La première tient à la persistance, et n8n ne la cache pas : les données ne sont stockées qu'en mémoire, tout est perdu au redémarrage, et le contenu peut être purgé quand la mémoire manque. n8n recommande ce nœud pour le développement. La seconde tient aux accès. Les clés mémoire sont globales et non rattachées à un workflow : n'importe quel utilisateur de l'instance peut ajouter le nœud, sélectionner la clé et lire son contenu, quels que soient les droits posés sur le workflow d'origine. Aucune donnée sensible ne doit y passer. Le nœud est en version 1 et expose 2 paramètres, le reste se joue sur les nœuds voisins.
04Quand le brancher à un AI Agent plutôt que de l'utiliser comme nœud classique ?
Ça dépend de qui décide du moment de la recherche. En nœud classique dans le flux, c'est toi : une branche insère, une autre interroge, aucun agent dans l'histoire. Branche-le sur le connecteur d'outils d'un AI Agent quand le modèle doit juger lui-même si une recherche est utile. C'est tout l'objet du mode Retrieve Documents (As Tool for AI Agent), avec ses champs Name et Description. Deux autres montages existent : le nœud Vector Store Retriever qui alimente une Question and Answer Chain, et le Vector Store Question Answer Tool, qui résume ce qu'il trouve au lieu de renvoyer les passages bruts.
05n8n ou Make pour un workflow avec un vector store ?
Le critère qui tranche, c'est l'hébergement. n8n s'installe sur ton propre serveur avec Docker ou npm, ou s'utilise sur n8n Cloud, et le workflow reste le même des deux côtés. Make est hébergé uniquement, sans option d'auto-hébergement, et se facture à l'opération. Pour un magasin qui contient le contenu de tes documents, garder la donnée sur une infrastructure que tu maîtrises compte plus que d'habitude, et un magasin en mémoire sur ta propre instance n'en sort jamais. Le modèle de coût diffère aussi : la facturation à l'opération grimpe vite sur une boucle qui insère beaucoup de documents.
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