Ressources · Intégration n8n

Nœud Structured Output Parser n8nConfigurer Structured Output Parser dans n8n.

Le nœud Structured Output Parser n8n transforme le texte libre d'un modèle en objet JSON exploitable. Tu lui donnes un schéma, il valide chaque réponse contre ce schéma et relance une fois quand la forme ne colle pas. Quatre paramètres, un modèle de chat à brancher, et la suite du workflow ne devine plus.

Tester le nœud Structured Output Parser sur n8nVoir les 4 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud Structured Output Parser n8n ?

C'est un sous-nœud, c'est-à-dire un nœud qui ne tourne jamais seul : il se raccroche à un nœud racine IA par le port output parser, ce petit connecteur sous le nœud, et il impose la forme de ce que ce nœud racine renvoie. Le rôle est étroit et précieux. Au lieu d'un paragraphe de prose, ton workflow récupère un objet JSON dont tu as défini les champs à l'avance, vérifié contre un schéma avant que quoi que ce soit ne le consomme.

Premier cas, la relance commerciale. Un AI Agent lit un échange de mails et doit ressortir un statut, une date de prochaine action et deux arguments à reprendre. Sans parser, tu récupères un pavé et tu écris une expression régulière. Avec default.jsonSchema rempli, tu branches directement les champs sur les colonnes d'un fichier Google Sheets, une ligne par contact, sans étape de nettoyage.

Deuxième cas, le tri d'une boîte partagée. Un message arrive, un modèle de chat le lit, et le parser force une réponse en trois champs : catégorie, urgence, résumé court. Un nœud If lit la catégorie et renvoie les demandes urgentes vers Gmail en réponse type. La condition porte sur un champ, plus sur une phrase, donc elle ne casse plus le jour où le modèle tourne sa réponse autrement.

Troisième cas, la classification en volume. Tu boucles sur des lignes, tu demandes à un modèle servi par Anthropic de qualifier chacune, et tu actives Auto-Fix Format pour qu'une réponse mal formée reparte une fois au lieu de faire tomber l'exécution. Cette seconde tentative déclenche un appel de plus au modèle, facturé par le fournisseur selon ses propres conditions.

Quand préférer autre chose. n8n le dit lui-même : le parsing structuré directement dans un agent est souvent peu fiable. Si ton workflow passe par un agent et que la sortie doit être exacte, envoie la réponse de l'agent vers une chaîne LLM séparée et fais le parsing là. Les résultats sont plus réguliers. Et si tu veux une forme précise pour une étape intermédiaire qui alimente un autre outil IA, ce nœud n'est pas fait pour ça : décris la structure attendue dans le System Message de l'agent, avec un schéma ou un exemple de réponse comme gabarit.

Les limites, à connaître avant de construire. Dans un sous-nœud, une expression n8n se résout toujours sur le premier item entrant : sur cinq prénoms, {{ $json.name }} renvoie cinq fois le premier. La syntaxe $refs n'est pas prise en charge dans Input Schema. Le nœud est en version 1, et l'option Require Specific Output Format doit être activée sur le nœud racine avant que le point d'attache n'apparaisse. Pour un regard plus large sur la plateforme avant de t'engager, l'Avis n8n fait le tour.

Connexions

Qu'est-ce qu'on lui branche ?

Un nœud cluster, c'est un nœud racine plus des sous-nœuds accrochés à ses ports, un type de sous-nœud par port. Celui-ci joue des deux côtés : il consomme un modèle de chat et il s'accroche lui-même à un nœud racine.

Ports (ce qui se branche)

  • Chat Modelai_languageModelrequis

Sortie (où il se branche)

  • Output Parserai_outputParser
01Chat ModelLe modèle de langage que le parser appelle quand il doit réparer une réponse. C'est lui qui porte le credential du fournisseur, l'identifiant enregistré dans n8n, donc rien n'est à authentifier sur le parser.

Le modèle de langage que le parser appelle quand il doit réparer une réponse. C'est lui qui porte le credential du fournisseur, l'identifiant enregistré dans n8n, donc rien n'est à authentifier sur le parser.

Paramètres clés

  • Required : port laissé vide, le nœud ne peut pas s'exécuter.
  • OpenAI Chat Model ou Anthropic Chat Model : les deux choix courants quand tu as déjà une clé chez l'un des deux.
  • Mistral Cloud Chat Model ou Ollama Chat Model : le second pour un modèle qui tourne sur ta propre machine.
Cas d'usage
garder la même famille de modèle que le reste du workflow, pour qu'un schéma validé en test le reste en production.
02Output ParserVoilà le port par lequel ce nœud s'accroche. Il n'apparaît sur le nœud racine qu'une fois l'option Require Specific Output Format activée : tu cliques ensuite sur le point d'attache pour y ajouter le parser.

Voilà le port par lequel ce nœud s'accroche. Il n'apparaît sur le nœud racine qu'une fois l'option Require Specific Output Format activée : tu cliques ensuite sur le point d'attache pour y ajouter le parser.

Paramètres clés

  • Required : un sous-nœud ne s'exécute jamais seul, un parser non raccordé ne fait rien.
  • AI Agent ou Basic LLM Chain : la chaîne est l'hôte le plus sûr quand la forme doit tenir.
  • AI Agent Tool ou Auto-fixing Output Parser : le dernier enveloppe ce parser plutôt qu'il ne le remplace.
Cas d'usage
un agent qui passe un objet validé à un AI Agent Tool plus loin dans la chaîne.
Paramètres

Quel paramètre définit la forme ?

Le nœud Structured Output Parser compte 4 paramètres. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.

01

JSON Example

jsonSchemaExample

Ce que tu vois dans n8n

Notes & cas d'usage

Tu colles un exemple de réponse et n8n en déduit le schéma. C'est la voie rapide : tu sais déjà à quoi l'objet doit ressembler, alors tu le montres au lieu de l'écrire en règles.

Paramètres clés

  • JSON Example : l'objet JSON d'exemple qui sert à générer le schéma.
Cas d'usage
un premier jet d'étape de classification, quand tu veux un objet qui tourne en deux minutes et que tu resserreras les règles plus tard.
02

Input Schema

inputSchema

Ce que tu vois dans n8n

Notes & cas d'usage

Ici, tu fournis toi-même le schéma utilisé par la fonction, au lieu de laisser n8n l'inférer. À sortir quand un schéma généré reste trop lâche et que les types de champs doivent être écrits noir sur blanc.

Paramètres clés

  • Input Schema : au format JSON Schema ; la syntaxe $refs n'est pas prise en charge pour l'instant, donc chaque définition s'écrit en ligne.
Cas d'usage
un objet avec une liste imbriquée dont chaque entrée doit porter les mêmes clés typées avant d'atterrir en base.
03

JSON Schema

jsonSchema

Ce que tu vois dans n8n

Notes & cas d'usage

La version stricte. La sortie est structurée et validée contre ce que tu écris là, et le champ est requis : laissé vide, il bloque l'exécution du nœud.

Paramètres clés

  • JSON Schema : requis, le schéma contre lequel la sortie est structurée et validée.
Cas d'usage
un récapitulatif de facture où un montant doit être un nombre et une date une date, parce qu'un mauvais type en aval coûte plus cher qu'une exécution en échec.
04

Auto-Fix Format

autoFix

Ce que tu vois dans n8n

Notes & cas d'usage

Active ce réglage et une réponse mal formée repart en correction au lieu d'être jetée. n8n renvoie un appel au modèle, facturé comme les autres par le fournisseur : tu achètes de la fiabilité, pas de la vitesse.

Paramètres clés

  • Auto-Fix Format : corriger ou non automatiquement une sortie qui n'est pas au bon format.
  • Customize Retry Prompt : désactivé, un prompt par défaut gère la relance.
  • Custom Prompt : le gabarit de relance, qui doit contenir les emplacements {instructions}, {completion} et {error}.
Cas d'usage
un traitement de nuit que tu préfères voir finir avec un appel de plus plutôt que s'arrêter à trois heures du matin.
Besoin d'aide

Besoin d'aide pour automatiser Structured Output Parser avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui viennent ensuite

01Le nœud Structured Output Parser 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, que tu sois sur n8n Cloud, l'offre hébergée par n8n, ou sur une instance auto-hébergée en Community Edition sous licence Sustainable Use. Un workflow se comporte pareil dans les deux cas. Le seul coût réel est ailleurs : le fournisseur du modèle, OpenAI, Anthropic, Google ou Mistral, facture ses propres appels d'API selon ses conditions. Activer Auto-Fix Format ajoute un de ces appels chaque fois qu'une réponse doit être réparée.
02Quels credentials faut-il pour le faire tourner ?
Aucun sur ce nœud. Il n'a ni credential, ni sélecteur Authentication, donc c'est un compte de moins à gérer. Ce qu'il lui faut, c'est un modèle de chat sur son port Chat Model : ce sous-nœud porte le credential du fournisseur. Il doit aussi être raccroché à un nœud racine qui accepte un output parser. Tu actives Require Specific Output Format sur AI Agent, AI Agent Tool, Auto-fixing Output Parser ou Basic LLM Chain, puis tu cliques sur le point d'attache output parser qui apparaît et tu y ajoutes ce nœud.
03Quelles sont les limites du nœud Structured Output Parser n8n ?
Trois à anticiper. D'abord, les expressions se comportent autrement dans un sous-nœud : elles se résolvent toujours sur le premier item entrant, donc sur cinq prénoms, {{ $json.name }} renvoie cinq fois le premier au lieu de chacun à son tour. Ensuite, la syntaxe $refs n'est pas prise en charge dans le schéma, les définitions s'écrivent en ligne. Enfin, le nœud structure la sortie finale d'un nœud racine IA, pas une sortie intermédiaire destinée à un autre outil ou à une autre étape IA. Le nœud est en version 1, un workflow ancien peut afficher moins d'options.
04Que faut-il brancher au minimum, et par quel sous-nœud commencer ?
Au minimum, un modèle de chat sur le port Chat Model et un nœud racine sur lequel s'accrocher. Un modèle de chat, c'est le sous-nœud qui parle au fournisseur ; un port, c'est le connecteur sous le nœud où vient se brancher un sous-nœud. OpenAI Chat Model est le point de départ habituel, son credential tient en une clé d'API. Côté racine, commence par Basic LLM Chain plutôt que par AI Agent : n8n indique que le parsing directement dans un agent est souvent peu fiable, et passer par une chaîne LLM séparée donne des résultats plus réguliers. Remplir JSON Example va plus vite qu'écrire un schéma à la main.
05n8n ou Make pour structurer une sortie IA ?
Ça dépend d'où doivent vivre tes données et de la façon dont tu veux payer. n8n s'auto-héberge en Docker ou en npm, ou s'utilise sur n8n Cloud, et le workflow est identique dans les deux cas : les prompts et les réponses du modèle peuvent rester sur une infrastructure que tu maîtrises. Make est hébergé uniquement, sans option d'auto-hébergement, et se facture à l'opération, ce qui reste lisible tant que le volume est stable et l'est moins quand une relance double une étape. Sur la logique visuelle, les deux dessinent le flux sur un canevas. Si tes étapes IA tournent en boucle avec des relances, compte les opérations 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