Nœud Vector Store Question Answer Tool n8nConfigurer Vector Store Question Answer Tool dans n8n.
Un agent qui relit toute la base documentaire avant chaque réponse fait attendre tout le monde. Le nœud Vector Store Question Answer Tool n8n interroge un index, résume ce qu'il trouve et rend une réponse déjà rédigée. Trois paramètres, deux ports à remplir, et c'est opérationnel.
Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth
À quoi sert le nœud Vector Store Question Answer Tool n8n ?
C'est un outil, c'est-à-dire une ressource que le modèle d'IA peut appeler quand la réponse ne se trouve pas dans ce qu'il sait déjà. Branché sur un agent, il reçoit une question formulée entièrement, cherche dans le vector store qui lui est raccordé, et renvoie une réponse construite à partir des passages trouvés. L'agent ne lit jamais les documents bruts. Il demande, il reçoit un paragraphe.
Un vector store, ou base vectorielle, stocke une représentation mathématique de tes textes : la recherche ramène des passages par le sens, pas par le mot exact. Ce nœud se pose au-dessus. C'est un sous-nœud, une brique qui ne tourne jamais seule : elle s'exécute uniquement quand un nœud racine comme l'AI Agent décide de l'appeler.
Premier cas, le chatbot interne sur les documents de l'entreprise. Les fichiers arrivent de Google Drive, un Recursive Character Text Splitter les découpe en morceaux, Embeddings Google Gemini les indexe dans un Pinecone Vector Store, et l'outil répond aux questions des salariés avec un Chat Model Google Gemini. C'est exactement le template 2753 publié sur n8n.io.
Deuxième cas, l'assistant WhatsApp. Le template 2465 associe WhatsApp Business Cloud, un AI Agent, une Simple Memory pour garder le fil de la conversation, un Simple Vector Store contenant la documentation produit, et cet outil derrière lequel travaille un Chat Model OpenAI. Le client écrit sa question, l'agent la route ici, la réponse repart dans la conversation.
Troisième cas, l'agent vocal et téléphonique. Le template 3657 indexe les documents dans un Qdrant Vector Store, ajoute Google Calendar pour les rendez-vous et donne cet outil à l'agent pour qu'il cite la documentation pendant qu'il parle. Même nœud, autre porte d'entrée.
Quand s'en passer ? Si la question n'a aucun document derrière elle et que le modèle sait déjà répondre, un Chat Model seul suffit, c'est le rôle du Basic LLM Chain dans ce même template. Et si l'agent doit agir sur un système plutôt que lire à son sujet, l'outil à lui donner est un nœud applicatif exposé à l'agent, pas celui-ci. Regarde les ports en premier : le store et le modèle sont tous les deux requis, donc un nœud à moitié câblé bloque l'exécution au lieu de répondre à moitié. Le périmètre est volontairement étroit : ce nœud répond à des questions, rien de plus, aucune écriture dans l'index, aucun chargement de fichier. Le catalogue le donne en version 1. Pour situer n8n face aux autres plateformes, l'Avis n8n fait le tour, et la Formation n8n reprend la construction d'un agent pas à pas.
Qu'est-ce qu'on lui branche ?
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. Voici les trois ports de ce nœud.
Ports (ce qui se branche)
- Vector Store
ai_vectorStorerequis - Chat Model
ai_languageModelrequis
Sortie (où il se branche)
- Tool
ai_tool
01Vector Store
L'index qui contient tes morceaux de texte. C'est là que la question part chercher, donc rien d'utile ne sort de l'outil tant que rien n'a été indexé de ce côté.
Sur ce port vient le sous-nœud d'index, le même que celui qui a servi à ranger les documents. C'est lui qui décide où vivent réellement les vecteurs, et l'outil se contente de fouiller ce qui s'y trouve déjà.
Paramètres clés
- Required : port laissé vide, le nœud refuse de s'exécuter.
02Chat Model
Le modèle qui transforme les passages retrouvés en réponse rédigée. La recherche ramène des extraits, ce modèle les lit et compose la réponse : son travail relève du résumé plus que de la création.
Paramètres clés
- Required : ce nœud a besoin de son propre modèle, même si l'agent au-dessus en a déjà un.
- OpenAI Chat Model : celui qu'on retrouve câblé dans le template WhatsApp.
- Anthropic Chat Model : un autre fournisseur, le même port, le même câblage.
- Google Gemini Chat Model : associé aux embeddings Gemini dans le template 2753.
03Tool
Le côté sortie. Ce nœud ne se raccorde pas au flux principal : il se rattache vers le haut, à un nœud racine autorisé à appeler des outils.
Paramètres clés
- Required : un sous-nœud ne tourne jamais seul, donc sans nœud racine au-dessus rien n'appelle jamais l'outil.
- AI Agent : la destination habituelle, dans les trois templates publiés.
- AI Agent Tool : un agent lui-même exposé comme outil à un autre agent.
- MCP Server Trigger : publie l'outil vers un client hors de n8n.
Quels paramètres comptent vraiment ?
Le nœud Vector Store Question Answer Tool compte 3 paramètres. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.
Data Name
nameCe que tu vois dans n8n
Notes & cas d'usage
Nomme l'ensemble de données que l'outil interroge. n8n glisse ce nom dans la description d'outil que le modèle lit avant de décider s'il appelle l'outil : « Useful for when you need to answer questions about [name]. » Les espaces sont convertis en tirets bas au passage.
Paramètres clés
- Data Name : une chaîne, placeholder
e.g. users_info. Reste sur des lettres, des chiffres, des espaces, des tirets et des tirets bas ; un caractère spécial fait échouer l'exécution de l'agent sur un nom de fonction invalide.
hr_handbook, l'autre product_docs, pour que le modèle choisisse le bon rien qu'au nom.Description of Data
descriptionCe que tu vois dans n8n
Notes & cas d'usage
Décrit ce que contient l'index, en langage courant. Ce texte remplit la seconde moitié de la description générée : « Whenever you need information about [data description], you should ALWAYS use this. » Une formulation floue ici, et l'agent ignore un outil qui aurait répondu à la question.
Paramètres clés
- Description of Data : une chaîne, placeholder
[Describe your data here, e.g. a user's name, email, etc.]. Écris-la pour le modèle, pas pour un collègue.
Limit
topKCe que tu vois dans n8n
Notes & cas d'usage
Plafonne le nombre de résultats ramenés par la recherche avant que le modèle ne les résume. Peu de résultats donnent une réponse serrée et un appel moins lourd ; davantage couvrent une question dont la réponse est éparpillée sur plusieurs passages.
Paramètres clés
- Limit : un nombre, le maximum de résultats à retourner. Il accepte une expression, par exemple
{{ $json.topK }}, quand la valeur vient de l'item qui alimente le workflow.
Besoin d'aide pour automatiser Vector Store Question Answer Tool avec n8n ?
L'équipe te répond directement.
Chaque message est lu par une personne.
Vector Store Question Answer Tool et n8n, les questions qui reviennent
01Le Vector Store Question Answer Tool est-il gratuit dans n8n ?
02Quels credentials faut-il pour le Vector Store Question Answer Tool ?
03Quelles sont les limites du nœud Vector Store Question Answer Tool n8n ?
04Que faut-il brancher au minimum, et par quel sous-nœud commencer ?
05n8n ou Make pour un agent de recherche documentaire ?
Reçois nos tips intégration chaque semaine.
Pas de spam. Désinscription à tout moment.
