Intégrer DeepSeek à n8n : configuration et workflows

Sources n8n et DeepSeek vérifiées le 9 juin 2026.

Oui, il est possible d’intégrer DeepSeek dans n8n pour créer des workflows d’automatisation IA : génération de texte, classification de tickets, extraction de données, chatbot Telegram, résumé d’e-mails ou agent IA connecté à des outils. En pratique, deux méthodes sont les plus utiles : utiliser le nœud DeepSeek Chat Model quand vous voulez connecter rapidement DeepSeek à un workflow IA n8n, ou passer par le nœud HTTP Request quand vous avez besoin de contrôler précisément l’appel API, les paramètres du modèle, le JSON output ou le mode de raisonnement. n8n documente un nœud DeepSeek Chat Model pour utiliser les modèles de chat DeepSeek avec des agents conversationnels, tandis que DeepSeek expose une API compatible avec les formats OpenAI et Anthropic.

Ce guide montre comment choisir la bonne méthode, configurer la clé API DeepSeek, créer un premier workflow n8n fonctionnel, obtenir une sortie JSON propre et éviter les erreurs fréquentes avant un usage en production.

Quelle méthode choisir pour intégrer DeepSeek dans n8n ?

Le bon choix dépend de votre objectif. Si vous voulez simplement brancher DeepSeek à un agent ou à une chaîne LLM dans n8n, commencez par le nœud DeepSeek Chat Model. Si vous devez gérer vous-même les paramètres API récents, le mode thinking, response_format, reasoning_effort, les retries ou le debugging, le nœud HTTP Request donne plus de contrôle.

Méthode	À utiliser quand	Avantages	Limites
DeepSeek Chat Model	Vous voulez connecter DeepSeek à un workflow IA n8n sans gérer manuellement l’API	Configuration plus simple, intégration naturelle avec les composants IA n8n	Moins flexible si un paramètre DeepSeek récent n’est pas encore exposé dans l’interface
HTTP Request	Vous voulez appeler directement l’API DeepSeek	Contrôle complet du endpoint, du body JSON, du modèle, du mode thinking et du format de réponse	Demande de connaître les bases d’une requête REST
AI Agent + DeepSeek	Vous voulez que DeepSeek choisisse et utilise des outils dans n8n	Utile pour des workflows avec tools, mémoire ou actions externes	Les workflows avec tool calling doivent être testés soigneusement, surtout avec les modèles en mode thinking
Nœud communautaire	Vous avez un besoin non couvert par le nœud officiel	Peut apporter des options spécifiques	Code non officiel à auditer ; les community nodes peuvent avoir des risques système, données et breaking changes selon n8n
Ollama / local	Vous voulez exécuter un modèle localement	Plus de contrôle sur l’infrastructure et les données	Configuration plus lourde, dépendante de votre machine ou serveur

Pour la plupart des utilisateurs, la meilleure approche est simple : commencez par le nœud DeepSeek Chat Model pour valider le cas d’usage, puis passez au HTTP Request si vous avez besoin d’un contrôle API fin ou si un paramètre DeepSeek n’est pas encore disponible dans le nœud.

Prérequis avant de connecter DeepSeek à n8n

Avant de créer le workflow, préparez ces éléments :

Un accès à n8n, en version Cloud ou self-hosted.
Un compte DeepSeek Platform.
Une clé API DeepSeek.
Un cas d’usage précis : classification, résumé, extraction, chatbot, enrichissement de données, génération de contenu.
Un exemple d’entrée et de sortie attendue pour tester le workflow.
Une stratégie pour protéger les données sensibles envoyées à l’API.

n8n indique que les credentials DeepSeek permettent d’authentifier le nœud Chat DeepSeek avec une API key. Pour générer cette clé, il faut se connecter à DeepSeek, ouvrir la page des API keys, créer une nouvelle clé secrète, la copier puis l’ajouter dans n8n.

Ne collez jamais une vraie clé API dans un prompt, un champ de test visible, un export de workflow partagé ou un bloc de code publié. Utilisez les credentials n8n ou les variables/secrets adaptés à votre environnement.

Méthode 1 : intégrer DeepSeek avec le nœud DeepSeek Chat Model

Cette méthode est la plus directe lorsque vous voulez utiliser DeepSeek comme modèle de chat dans les composants IA de n8n.

1. Créer les credentials DeepSeek dans n8n

Dans n8n :

Ouvrez Credentials.
Créez un nouveau credential de type DeepSeek.
Collez votre clé API DeepSeek.
Enregistrez.
Testez la connexion si l’interface le propose.

La documentation n8n précise que l’authentification DeepSeek repose sur une clé API et que cette clé doit être ajoutée dans n8n comme API Key.

2. Créer un workflow de test

Pour un premier test, utilisez un workflow minimal :

Manual Trigger ou Webhook pour lancer le workflow.
Edit Fields / Set pour préparer le texte à envoyer.
Basic LLM Chain ou AI Agent selon le besoin.
DeepSeek Chat Model comme modèle connecté.
Un nœud de sortie : Respond to Webhook, Telegram, Google Sheets, Notion ou autre.

Si votre objectif est simplement de transformer un texte en réponse structurée, une Basic LLM Chain est souvent suffisante. n8n décrit ce nœud comme un composant permettant de définir le prompt utilisé par un modèle, avec la possibilité d’ajouter un parser de sortie si nécessaire.

Attention aux traitements par lots : le DeepSeek Chat Model est un sub-node n8n. La documentation n8n précise que les sub-nodes ne résolvent pas toujours les expressions comme les autres nœuds lorsqu’il y a plusieurs items : une expression peut être résolue sur le premier item. Testez donc soigneusement les workflows qui classent plusieurs tickets, lignes ou messages en une seule exécution.

3. Choisir le modèle DeepSeek

Au 9 juin 2026, la documentation DeepSeek liste deepseek-v4-flash et deepseek-v4-pro comme modèles actuels utilisables dans l’API Chat Completions. Elle indique aussi que les anciens noms deepseek-chat et deepseek-reasoner seront dépréciés le 24 juillet 2026 à 15:59 UTC, même s’ils restent associés par compatibilité aux modes non-thinking et thinking de deepseek-v4-flash.

En pratique :

commencez par le modèle le plus léger ou le moins coûteux adapté à votre tâche ;
testez un modèle plus avancé uniquement si la qualité ou le raisonnement du premier modèle est insuffisant ;
vérifiez toujours les noms de modèles dans la documentation officielle DeepSeek avant de publier un workflow en production.

Si vous utilisez le nœud DeepSeek Chat Model, gardez aussi en tête que n8n charge dynamiquement les modèles disponibles pour votre compte. L’interface peut donc afficher seulement les modèles accessibles à votre clé ou à votre environnement.

4. Tester avec un prompt court

Utilisez un prompt simple pour vérifier que tout fonctionne :

Résume ce message client en une phrase et indique s’il s’agit d’un problème technique, commercial ou administratif.

Message :
{{ $json.message }}

La sortie attendue doit être facile à contrôler. Ne commencez pas par un agent complexe ou un workflow multi-outils : testez d’abord la connexion, puis ajoutez les branches, outils et actions externes progressivement.

Méthode 2 : utiliser DeepSeek avec le nœud HTTP Request de n8n

Le nœud HTTP Request est souvent la meilleure option si vous voulez contrôler exactement l’appel à l’API DeepSeek. n8n le présente comme un nœud polyvalent permettant d’interroger n’importe quelle application ou service avec une API REST, en configurant la méthode, l’URL, l’authentification, les headers et le body.

Quand préférer HTTP Request ?

Utilisez HTTP Request si vous avez besoin de :

choisir explicitement l’endpoint DeepSeek ;
régler thinking, reasoning_effort, temperature, max_tokens ou response_format ;
forcer une sortie JSON ;
diagnostiquer une erreur API ;
contourner temporairement une limite du nœud DeepSeek Chat Model ;
construire un workflow stable et observable pour la production.

Configuration HTTP Request recommandée

Dans le nœud HTTP Request :

Champ	Valeur
Method	`POST`
URL	`https://api.deepseek.com/chat/completions`
Authentication	Bearer Auth recommandé, ou Header Auth si vous gérez le header manuellement
Bearer Token	`<VOTRE_CLE_API_DEEPSEEK>`
Header `Content-Type`	`application/json`
Header `Authorization`	À ajouter seulement si vous utilisez Header Auth : `Bearer <VOTRE_CLE_API_DEEPSEEK>`
Body Content Type	JSON

n8n explique que le Bearer Auth correspond à un header Authorization dont la valeur est Bearer <token>. DeepSeek documente de son côté le endpoint POST /chat/completions, qui crée une réponse de modèle à partir d’une conversation.

Exemple de body JSON simple

Cet exemple demande à DeepSeek de classer un message client et de renvoyer une réponse structurée :

{
  "model": "deepseek-v4-flash",
  "messages": [
    {
      "role": "system",
      "content": "Tu es un assistant d'automatisation. Réponds uniquement en JSON valide. Format attendu : {\"categorie\":\"technique|commercial|administratif\", \"priorite\":\"faible|normale|elevee\", \"resume\":\"phrase courte\"}."
    },
    {
      "role": "user",
      "content": "Classe ce message client : {{$json.message}}"
    }
  ],
  "thinking": {
    "type": "disabled"
  },
  "temperature": 0.2,
  "response_format": {
    "type": "json_object"
  },
  "max_tokens": 500,
  "stream": false
}

DeepSeek indique que response_format: {"type":"json_object"} active le JSON Output, mais précise qu’il faut aussi demander explicitement du JSON dans le prompt et définir un max_tokens raisonnable pour éviter une sortie tronquée.

Exemple avec mode thinking activé

Pour une tâche plus complexe, vous pouvez activer le mode thinking et préciser l’effort de raisonnement :

{
  "model": "deepseek-v4-pro",
  "messages": [
    {
      "role": "system",
      "content": "Analyse le problème, mais ne retourne que la recommandation finale en JSON valide. Format attendu : {\"recommandation\":\"...\", \"risque\":\"faible|moyen|eleve\", \"prochaine_action\":\"...\"}."
    },
    {
      "role": "user",
      "content": "Voici une demande complexe à analyser : {{$json.demande}}"
    }
  ],
  "thinking": {
    "type": "enabled"
  },
  "reasoning_effort": "high",
  "response_format": {
    "type": "json_object"
  },
  "max_tokens": 800,
  "stream": false
}

La documentation DeepSeek précise que thinking.type peut être enabled ou disabled, que le mode thinking est activé par défaut, et que reasoning_effort accepte notamment high et max.

En mode Thinking, temperature et top_p sont ignorés. presence_penalty et frequency_penalty sont obsolètes et sans effet, quel que soit le mode. Utilisez temperature uniquement pour les workflows en mode non-Thinking.

Pour un workflow n8n qui utilise des outils, testez soigneusement le mode thinking. La documentation DeepSeek indique officiellement que, lorsqu’un tour en thinking mode implique des Tool Calls, le champ reasoning_content doit être renvoyé à l’API dans les requêtes suivantes ; sinon, l’API peut retourner une erreur 400. Les rapports communautaires peuvent aider au diagnostic, mais la règle de production doit rester celle de la documentation officielle.

Exemple de workflow : classifier des tickets clients avec DeepSeek et n8n

Voici un cas d’usage simple et utile : recevoir un ticket client, demander à DeepSeek de le classer, puis envoyer le résultat dans Google Sheets ou un CRM.

Structure du workflow

Webhook
Reçoit un ticket depuis un formulaire, un CRM ou une application interne.
Edit Fields / Set
Normalise les champs :
- message
- email
- source
- date
HTTP Request ou DeepSeek Chat Model
Envoie le message à DeepSeek.
Code / Structured Output Parser / IF
Vérifie que la réponse est bien exploitable.
Google Sheets / Notion / CRM
Enregistre la catégorie, la priorité et le résumé.
Notification Slack / Telegram
Alerte l’équipe si la priorité est élevée.

Prompt recommandé

Tu es un assistant de support client.

Analyse le message ci-dessous et retourne uniquement un objet json valide avec ces clés :
- categorie : "technique", "facturation", "commercial", "autre"
- priorite : "faible", "normale", "elevee"
- resume : une phrase courte en français
- action_recommandee : prochaine action concrète

Message client :
{{$json.message}}

Ce prompt est volontairement précis. Il évite les réponses longues, facilite le parsing dans n8n et réduit le risque de sortie inutilisable.

Exemple de sortie attendue

{
  "categorie": "technique",
  "priorite": "elevee",
  "resume": "Le client ne peut plus accéder à son compte après réinitialisation du mot de passe.",
  "action_recommandee": "Créer un ticket technique et vérifier les logs d'authentification."
}

Avant d’automatiser une action sensible, ajoutez toujours une étape de validation : vérification du JSON, contrôle des champs obligatoires, gestion des réponses vides et fallback humain pour les cas ambigus.

Utiliser DeepSeek avec AI Agent dans n8n

Un AI Agent est utile lorsque le modèle ne doit pas seulement répondre, mais aussi choisir des outils : appeler une API, chercher une donnée, écrire dans une base, créer une tâche ou interroger un autre workflow. n8n décrit l’AI Agent comme un système qui utilise des outils externes et des API pour effectuer des actions et récupérer des informations ; la documentation indique aussi qu’un AI Agent doit être connecté à au moins un tool sub-node.

Utilisez DeepSeek avec AI Agent si vous avez besoin de :

recherche dans une base de connaissances ;
agent Telegram ou WhatsApp ;
assistant interne connecté à Notion, Google Sheets ou un CRM ;
automatisation qui choisit dynamiquement une action ;
workflow RAG avec récupération documentaire.

Évitez l’AI Agent si votre tâche est simple. Pour résumer, classer, reformuler ou extraire des champs, une chaîne LLM ou un appel HTTP direct est souvent plus stable, plus lisible et plus facile à déboguer.

Attention aux tool calls et au champ reasoning_content

En juillet 2026, plusieurs rapports GitHub et n8n Community signalent des problèmes lorsque DeepSeek en mode thinking est utilisé avec des tool calls : l’erreur indique que reasoning_content doit être renvoyé à l’API dans certains tours de conversation.

Si vous rencontrez ce problème :

Vérifiez d’abord la version de n8n et l’état des issues officielles.
Testez le workflow sans tools pour isoler le problème.
Essayez un appel HTTP direct avec thinking.type défini sur disabled pour les workflows orientés outils.
Évitez de baser un workflow critique sur un workaround communautaire sans audit.
Ajoutez un fallback vers un autre modèle ou un traitement manuel si le workflow est utilisé en production.

Réglages importants pour obtenir un workflow fiable

Modèle

Utilisez le modèle le plus adapté à la tâche, pas forcément le plus avancé. Pour de la classification, de l’extraction ou du résumé court, commencez par un modèle rapide et économique. Pour du raisonnement plus complexe, testez un modèle plus puissant, puis mesurez le gain réel.

La page Models & Pricing de DeepSeek précise que les tarifs sont calculés par million de tokens et que les prix peuvent varier ; elle recommande de consulter régulièrement la page officielle pour les informations les plus récentes.

Temperature

Pour les workflows automatisés en mode non-thinking, gardez une température basse, par exemple 0.1 à 0.3, afin d’obtenir des réponses plus stables. Une température plus élevée peut être utile pour la génération créative, mais elle augmente le risque de variations difficiles à parser. En mode thinking, DeepSeek indique que temperature n’a pas d’effet.

DeepSeek décrit temperature comme un paramètre entre 0 et 2, où les valeurs plus basses rendent la sortie plus focalisée et déterministe.

JSON output

Si le résultat doit alimenter un autre nœud n8n, demandez une sortie JSON. Mais ne vous contentez pas du paramètre response_format. Ajoutez aussi dans le prompt :

le mot json ;
les clés attendues ;
un exemple de format ;
une instruction claire : “Réponds uniquement en JSON valide”.

DeepSeek précise que le JSON Output nécessite response_format: {"type":"json_object"}, une instruction explicite dans le prompt, un exemple de format souhaité et un max_tokens raisonnable pour éviter une sortie tronquée.

Timeouts et retries

Un workflow IA peut échouer pour plusieurs raisons : latence du modèle, surcharge du fournisseur, payload trop long, limite de concurrence ou réponse mal formée. Ajoutez :

un timeout raisonnable ;
un nombre limité de retries ;
un délai progressif entre les tentatives ;
une branche d’erreur ;
une notification en cas d’échec répété.

DeepSeek indique que les requêtes peuvent rester connectées pendant l’attente et que le serveur peut envoyer des keep-alive ; la page Rate Limit & Isolation précise aussi que le dépassement de limite de concurrence peut retourner un HTTP 429.

Données sensibles

Avant d’envoyer des données à DeepSeek, demandez-vous :

le texte contient-il des données personnelles ?
pouvez-vous masquer les noms, e-mails, numéros de téléphone ou identifiants ?
le workflow stocke-t-il les prompts et réponses dans l’historique d’exécution n8n ?
les logs sont-ils accessibles à toute l’équipe ?
faut-il une validation humaine avant une action externe ?

Ne prétendez pas qu’un workflow est conforme RGPD, HIPAA ou autre cadre légal sans analyse juridique et documentation officielle. Pour un usage sensible, minimisez les données envoyées, anonymisez quand c’est possible et documentez le flux de données.

Dans n8n, vérifiez aussi la configuration des données d’exécution : prompts, réponses, erreurs et sorties intermédiaires peuvent se retrouver dans l’historique d’exécution selon vos paramètres. Pour les workflows sensibles, configurez la rétention, limitez les logs et utilisez les options de redaction lorsque c’est disponible.

Erreurs fréquentes avec DeepSeek dans n8n

Erreur	Cause probable	Solution
`401 Authentication Fails`	Clé API incorrecte, absente ou mal placée	Vérifiez le credential n8n ou le header `Authorization`
`402 Insufficient Balance`	Solde DeepSeek insuffisant	Vérifiez le compte DeepSeek et rechargez si nécessaire
`400 Invalid Format`	Body JSON invalide ou mauvais format de requête	Validez le JSON, les headers et les champs obligatoires
`422 Invalid Parameters`	Paramètre non accepté ou mal formé	Comparez votre body avec la documentation DeepSeek
`429 Rate Limit Reached`	Trop de requêtes ou concurrence dépassée	Réduisez la concurrence, ajoutez une file d’attente et des retries limités
`500 Server Error`	Problème côté serveur	Réessayez après un court délai
`503 Server Overloaded`	Surcharge du service	Réessayez plus tard ou utilisez un fallback
Réponse JSON vide ou invalide	Prompt trop vague, sortie tronquée ou format non forcé	Ajoutez un exemple JSON, réduisez la sortie et définissez `max_tokens`
Erreur `reasoning_content`	Tool calling avec mode thinking et historique mal transmis	Testez sans thinking, sans tools ou via HTTP Request selon votre cas

La documentation DeepSeek liste notamment les codes 400, 401, 402, 422, 429, 500 et 503 avec leurs causes et solutions recommandées.

Bonnes pratiques avant la mise en production

Commencer par un workflow minimal

Ne construisez pas tout de suite un agent complexe. Validez d’abord :

l’authentification ;
le modèle ;
la qualité de réponse ;
le format de sortie ;
la gestion d’erreur ;
le coût approximatif ;
la sécurité des données.

Ajoutez ensuite les outils, branches conditionnelles, bases de données et notifications.

Garder le workflow observable

Un workflow IA doit être débogable. Conservez des champs utiles :

input_text_length
model
status_code
error_message
execution_id
fallback_used
parsed_successfully

Évitez en revanche de journaliser des données sensibles en clair si ce n’est pas nécessaire.

Valider les sorties avant d’agir

Ne laissez pas DeepSeek déclencher directement une action critique sans contrôle. Par exemple :

avant d’envoyer un e-mail, affichez un aperçu ;
avant de modifier un CRM, vérifiez les champs ;
avant de créer une facture, imposez une validation humaine ;
avant d’appeler un outil externe, contrôlez les arguments générés.

DeepSeek indique que les arguments générés pour les tool calls sont produits en JSON, mais précise que le modèle peut générer du JSON invalide ou des paramètres non définis par le schéma ; il faut donc valider les arguments avant d’appeler une fonction.

Se méfier des nœuds communautaires non audités

Un nœud communautaire peut être utile, mais il introduit une dépendance supplémentaire. n8n avertit que les community nodes installés depuis npm sont du code non vérifié, avec des risques liés à la sécurité système, aux données des workflows et aux breaking changes.

Avant d’installer un nœud communautaire :

vérifiez l’auteur ;
inspectez le dépôt GitHub ;
lisez les issues récentes ;
testez dans une instance séparée ;
verrouillez la version si le workflow est critique ;
prévoyez une méthode alternative avec HTTP Request.

DeepSeek, OpenRouter ou Ollama : quelles alternatives dans n8n ?

DeepSeek via API officielle est le choix logique si vous voulez utiliser directement les modèles DeepSeek avec une clé API DeepSeek. Mais d’autres approches peuvent être utiles.

OpenRouter peut servir d’intermédiaire si vous voulez tester plusieurs modèles via une interface API unifiée. C’est pratique pour comparer des fournisseurs, mais cela ajoute une dépendance et parfois des différences de paramètres.

Ollama est pertinent si vous voulez exécuter un modèle localement. Cette option demande plus d’infrastructure, mais elle peut être intéressante pour des tests internes ou des workflows où vous voulez éviter d’envoyer certains contenus à une API externe.

HTTP Request reste la solution de secours la plus universelle. Un template n8n consacré à DeepSeek présente plusieurs méthodes d’intégration, notamment l’API directe, Ollama, un agent conversationnel avec mémoire et des requêtes HTTP en formats raw et JSON. Attention toutefois : ce template mentionne des modèles plus anciens comme DeepSeek V3 et R1 ; pour un nouveau workflow API, vérifiez et remplacez les modèles par les identifiants actuels de la documentation officielle DeepSeek.

Checklist rapide : intégrer DeepSeek dans n8n proprement

Avant d’activer votre workflow :

La clé API est stockée dans les credentials n8n, pas dans le prompt.
Le modèle utilisé est encore supporté dans la documentation DeepSeek.
Le workflow fonctionne avec un input simple.
Les erreurs 401, 402, 429, 500 et 503 sont gérées.
Le JSON de sortie est validé avant d’être utilisé.
Les données sensibles sont minimisées ou masquées.
Les retries sont limités pour éviter les boucles coûteuses.
Les logs ne stockent pas inutilement des données privées.
Un fallback existe pour les tâches critiques.
Le workflow a été testé avec plusieurs exemples réels.

FAQ

Comment intégrer DeepSeek dans n8n ?

La méthode la plus simple consiste à créer une clé API DeepSeek, l’ajouter dans les credentials n8n, puis connecter le nœud DeepSeek Chat Model à une Basic LLM Chain ou à un AI Agent. Pour un contrôle plus avancé, utilisez le nœud HTTP Request avec le endpoint POST /chat/completions.

Peut-on utiliser DeepSeek avec n8n sans coder ?

Oui. Le nœud DeepSeek Chat Model permet une intégration low-code. Vous devrez tout de même comprendre les bases d’un workflow n8n : trigger, input, prompt, modèle, sortie et test.

Faut-il utiliser le nœud DeepSeek intégré à n8n ou HTTP Request ?

Utilisez le nœud DeepSeek intégré à n8n pour démarrer rapidement. Utilisez HTTP Request si vous avez besoin de paramètres précis, d’un body JSON personnalisé, du mode thinking, du JSON Output ou d’un meilleur contrôle des erreurs.

DeepSeek fonctionne-t-il avec AI Agent dans n8n ?

Oui, DeepSeek peut être utilisé dans des workflows d’agent IA, mais les workflows avec tools doivent être testés avec attention. Des rapports récents signalent des erreurs liées à reasoning_content avec certains scénarios de tool calling en mode thinking.

Comment obtenir une sortie JSON propre avec DeepSeek dans n8n ?

Utilisez response_format: {"type":"json_object"} si vous appelez l’API directement, ajoutez le mot json dans le prompt, fournissez un exemple de sortie et validez la réponse avant de la transmettre au nœud suivant.

Que faire si l’erreur 429 apparaît ?

L’erreur 429 signifie que les requêtes sont envoyées trop rapidement ou que la limite de concurrence est dépassée. Réduisez le nombre d’exécutions simultanées, ajoutez une file d’attente, appliquez un backoff et surveillez les retries.

Peut-on utiliser DeepSeek en production avec n8n ?

Oui, à condition de traiter l’intégration comme une dépendance externe : gestion d’erreurs, validation des sorties, surveillance des coûts, protection des secrets, minimisation des données sensibles, contrôle des données d’exécution n8n et fallback en cas d’indisponibilité.