Ressources · Intégration n8n

Nœud Summarization Chain n8nConfigurer Summarization Chain dans n8n.

Un texte trop long entre, un résumé court sort. Le nœud Summarization Chain n8n expose 5 paramètres et 3 ports de connexion, et s'appuie sur le modèle de chat que tu lui branches. Pratique dès qu'il faut lire plus de documents qu'une journée n'en autorise.

Tester le nœud Summarization Chain sur n8nVoir les 5 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud Summarization Chain n8n ?

Il condense un contenu long en quelques phrases lisibles, directement dans un workflow. La description officielle du nœud tient en une ligne : il transforme du texte en résumé concis. Tu lui donnes le JSON du nœud précédent, un fichier binaire, ou des documents fournis par un sous-nœud loader, c'est-à-dire un petit nœud qu'on accroche à un port au lieu de le poser sur le canvas. Le modèle de chat branché écrit le résumé ; le nœud s'occupe de tout le reste, découper, résumer chaque morceau, recoller.

Premier cas classique : les comptes rendus de réunion. La transcription arrive, elle fait plusieurs pages, personne ne la relira. Avec Data to Summarize sur nodeInputJson, la chaîne renvoie un paragraphe qui tient dans un message Slack ou dans une ligne de Google Sheets. Le template public n8n 1951 monte ce schéma sur des pages web scrapées, avec un OpenAI Chat Model et un Recursive Character Text Splitter derrière.

Deuxième cas : la pile de fichiers. Contrats, rapports fournisseurs, candidatures. Un Default Data Loader lit le fichier, la chaîne rend un résumé par document, et le tri se fait en quelques minutes au lieu d'une après-midi. C'est le principe du template 2860, branché sur Google Drive pour de l'évaluation de candidats.

Troisième cas : la boîte mail qui déborde. Les fils Gmail longs sont résumés avant tout traitement, ce qui évite qu'un AI Agent en aval consomme sa fenêtre de contexte, la quantité de texte qu'un modèle peut lire d'un coup, sur des citations de réponses précédentes.

Quand prendre autre chose ? Si le résultat attendu n'est pas un texte plus court mais une décision, une étiquette ou un objet structuré, une chaîne prévue pour ça ou un agent capable d'appeler des outils convient mieux. Si le contenu tient déjà en un paragraphe, une simple requête à un modèle suffit, sans chaîne. La Summarization Chain devient utile quand le texte dépasse ce qu'un modèle avale en une fois, parce que c'est précisément le découpage et le recollage qu'elle automatise.

Les limites méritent d'être connues avant de construire. Le nœud résume, point : il n'extrait pas de champs, il ne répond pas à une question sur le document, il ne garde rien d'une exécution à l'autre. La qualité et le coût dépendent du fournisseur du modèle branché, pas de n8n. Et cette page décrit la version 2 du nœud ; un workflow ancien peut afficher moins d'options. Pour une vue d'ensemble de la plateforme, l'Avis n8n dit où elle brille et où elle coince.

Connexions

Qu'est-ce qu'on branche sur la Summarization Chain ?

Ce nœud est un nœud racine : il reçoit les items du workflow par son entrée principale, et des sous-nœuds viennent se raccorder sous lui, un type par port, sans jamais s'exécuter seuls.

Ports (ce qui se branche)

  • Chat Modelai_languageModelrequis
  • Documentai_documentrequis
  • Text Splitterai_textSplitteroptionnel
01Chat ModelC'est le port qui rédige. Chaque morceau de texte et la combinaison finale passent par le modèle branché ici, donc un port vide arrête le nœud avant même qu'il commence.

C'est le port qui rédige. Chaque morceau de texte et la combinaison finale passent par le modèle branché ici, donc un port vide arrête le nœud avant même qu'il commence.

Paramètres clés

  • Required : sans modèle de chat, autrement dit un sous-nœud qui encapsule un modèle de génération de texte et porte le credential du fournisseur, la chaîne ne produit rien.
  • OpenAI Chat Model et Anthropic Chat Model sont les deux départs les plus courants, avec la clé d'API posée sur le sous-nœud et pas sur la chaîne.
  • Ollama Chat Model garde le texte sur ta machine, ce qui compte quand les documents sont des contrats ou des CV.
Cas d'usage
une revue de presse quotidienne tourne avec un seul modèle branché, et changer de fournisseur plus tard ne touche que ce sous-nœud.
02DocumentLe port Document transporte le contenu à résumer quand il ne vient pas du JSON du nœud précédent. C'est lui que lit le mode documentLoader.

Le port Document transporte le contenu à résumer quand il ne vient pas du JSON du nœud précédent. C'est lui que lit le mode documentLoader.

Paramètres clés

  • Required : le port fait partie de la forme du nœud, la chaîne attend quelque chose dessus plutôt qu'une prise vide.
  • Default Data Loader est le sous-nœud proposé ici par le catalogue, celui qui transforme un fichier binaire en texte lisible par le modèle.
Cas d'usage
un PDF récupéré sur un espace de stockage traverse le loader, puis la chaîne, et finit en paragraphe dans un tableur.
03Text SplitterUn text splitter décide où couper un contenu long avant que le modèle le voie. Ce port ne sert qu'une fois la Chunking Strategy passée sur advanced.

Un text splitter décide où couper un contenu long avant que le modèle le voie. Ce port ne sert qu'une fois la Chunking Strategy passée sur advanced.

Paramètres clés

  • Optional : laissé vide, la chaîne utilise les réglages simples définis dans son propre panneau.
  • Recursive Character Text Splitter coupe d'abord sur la structure, ce qui préserve les paragraphes mieux qu'un comptage brut de caractères.
  • Token Splitter compte en jetons, l'unité que le modèle lit et facture, plutôt qu'en caractères.
  • Character Text Splitter reste l'option franche quand le texte n'a aucune structure à respecter.
Cas d'usage
une transcription avec des tours de parole survit bien mieux à un découpage récursif qu'à une coupe fixe.
Paramètres

Quels paramètres régler dans la Summarization Chain ?

Le nœud Summarization Chain 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

Data to Summarize

operationMode

Ce que tu vois dans n8n

Notes & cas d'usage

Ce sélecteur dit d'où vient le texte, et le reste du panneau change avec lui. On le règle en premier.

Paramètres clés

  • Use Node Input (JSON) (nodeInputJson) : résume les données JSON qui entrent depuis le nœud précédent, le mode à choisir après une extraction de page web.
  • Use Node Input (Binary) (nodeInputBinary) : résume les données binaires entrantes, donc un fichier attaché à l'item et non du texte dans un champ.
  • Use Document Loader (documentLoader) : confie le travail à un sous-nœud loader, avec plus d'options de configuration.
Cas d'usage
un workflow de veille reste sur le JSON, un dossier rempli de rapports passe par le loader.
02

Chunking Strategy

chunkingMode

Ce que tu vois dans n8n

Notes & cas d'usage

Un texte long n'arrive jamais entier au modèle. Ce paramètre désigne qui décide de la coupe : le nœud lui-même, ou un sous-nœud dédié.

Paramètres clés

  • Simple (Define Below) (simple) : les deux champs de taille apparaissent juste en dessous, rien d'autre à brancher.
  • Advanced (advanced) : fait appel à un sous-nœud splitter, plus configurable, sur le port Text Splitter.
Cas d'usage
commencer en simple sur une première version, passer en advanced le jour où un type de document se fait couper au mauvais endroit.
03

Characters Per Chunk

chunkSize

Ce que tu vois dans n8n

Notes & cas d'usage

Disponible avec la stratégie simple, ce champ contrôle la taille maximale, en nombre de caractères, du morceau de document final. Des morceaux plus gros, ce sont moins d'appels au modèle et plus de contexte dans chacun.

Paramètres clés

  • Characters Per Chunk (chunkSize) : un nombre, donc il accepte une expression comme {{ $json.chunkSize }} quand la valeur dépend du type de document qui passe.
Cas d'usage
un mail de support et un contrat fournisseur n'appellent pas la même taille, et un seul workflow peut servir les deux en pilotant ce champ depuis l'item.
04

Chunk Overlap (Characters)

chunkOverlap

Ce que tu vois dans n8n

Notes & cas d'usage

Couper net, c'est perdre la phrase posée sur la jointure. Ce champ indique combien de caractères se recouvrent entre deux morceaux, pour que chacun démarre sur la fin du précédent.

Paramètres clés

  • Chunk Overlap (Characters) (chunkOverlap) : un nombre, à garder nettement sous Characters Per Chunk, puisque le recouvrement est du texte relu deux fois par le modèle.
Cas d'usage
les textes juridiques et les transcriptions, où une idée court d'un morceau à l'autre, sont les endroits où le recouvrement se voit vraiment dans le résultat.
05

Options

options

Ce que tu vois dans n8n

Notes & cas d'usage

Tout ce qui n'est ni la source des données ni la taille des morceaux se cache derrière Add Option. Trois champs y sont disponibles.

Paramètres clés

  • Input Data Field Name (binaryDataKey) : le nom du champ, dans l'entrée de la chaîne, qui contient le fichier binaire à traiter.
  • Summarization Method and Prompts : la méthode de résumé, avec Map Reduce recommandée, plus Refine et Stuff, plus les Individual Summary Prompts et le Final Prompt to Combine, qui doivent conserver le marqueur "{text}".
  • Batch Processing (batching) : le traitement par lots pour limiter le débit, à ouvrir quand une exécution envoie beaucoup de documents.
Cas d'usage
réécrire le prompt final, c'est ce qui fait passer les résumés du style générique au format maison.
Besoin d'aide

Besoin d'aide pour automatiser Summarization Chain avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Summarization Chain et n8n, les questions fréquentes

01Le nœud Summarization Chain est-il gratuit 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, sur n8n Cloud comme sur une instance auto-hébergée en Community Edition sous licence Sustainable Use. Un workflow se comporte de la même façon des deux côtés. Ce qui coûte, c'est le fournisseur du modèle branché sur le port Chat Model : OpenAI, Anthropic, Google, Mistral et les autres facturent leurs propres appels d'API selon leurs conditions, et n8n n'ajoute rien par-dessus cette facture. Le nœud, lui, reste inclus dans la plateforme.
02Que faut-il pour faire tourner le nœud Summarization Chain n8n ?
Rien sur le nœud lui-même. La Summarization Chain n'a ni credential ni sélecteur Authentication : aucun compte à connecter, aucune clé à coller dedans. En revanche elle réclame un sous-nœud modèle de chat sur son port Chat Model, et c'est ce sous-nœud qui porte le credential du fournisseur. Branche un OpenAI Chat Model ou un Anthropic Chat Model, pose la clé une fois, elle reste réutilisable par d'autres nœuds. Un port requis laissé vide bloque l'exécution, donc l'erreur se voit tout de suite.
03Quelles sont les limites de ce nœud ?
Il résume, et c'est tout son périmètre. Pas d'extraction de champs structurés, pas de réponse à une question sur le document, aucune mémoire d'une exécution à l'autre. Un contenu plus long que ce que le modèle encaisse doit être découpé, d'où Characters Per Chunk, Chunk Overlap (Characters) et le port Text Splitter, et une coupe mal placée se lit tout de suite dans le résumé. La qualité dépend du modèle branché. Cette page documente la version 2 du nœud : un workflow plus ancien affichera moins d'options dans le panneau.
04Que faut-il brancher au minimum, et par quel sous-nœud commencer ?
Le minimum, c'est un modèle de chat. Un sous-nœud sur le port Chat Model, Data to Summarize laissé sur Use Node Input (JSON), et la chaîne travaille déjà sur le texte du nœud précédent. Un OpenAI Chat Model est le premier choix le plus direct, la mise en place de la clé est courte et le modèle s'en sort bien sur du résumé simple. Ajoute un Default Data Loader sur le port Document dès que des fichiers entrent en jeu, et ne sors un splitter, par exemple le Recursive Character Text Splitter, que le jour où les réglages simples ne suffisent plus.
05n8n ou Make pour résumer des documents ?
Ça dépend d'où doivent vivre tes données. Make est une plateforme hébergée, sans option d'auto-hébergement, facturée à l'opération, ce qui convient à une équipe qui ne veut rien faire tourner chez elle. n8n s'utilise sur n8n Cloud ou sur ta propre infrastructure, donc des documents confidentiels peuvent être résumés sans sortir du réseau, surtout avec un modèle hébergé en local. Côté coût, la facturation à l'opération est prévisible sur petits volumes, beaucoup moins quand une chaîne découpe un document en de nombreux morceaux. Côté logique, les deux sont visuels, et le modèle de sous-nœuds décrit ici appartient à n8n.
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