Connecter Tavily à n8n : donner à vos agents IA un accès web fiable, sans hallucination

Un agent IA construit avec le node AI Agent de n8n raisonne très bien à partir de ce qu'il connaît déjà — et pas du tout à partir de ce qui s'est passé après sa date de coupure de connaissances, ou de ce qui n'a jamais figuré dans ses données d'entraînement. Lui donner un accès web change sa nature : il passe d'un système qui répond de mémoire à un système qui vérifie avant de répondre. Tavily est une API de recherche conçue spécifiquement pour ce cas d'usage — pas pour un humain qui clique sur des résultats, mais pour un LLM qui a besoin de texte propre, filtré et directement exploitable. Ce guide couvre l'installation du node dans n8n, la méthode alternative par HTTP Request, ses cinq opérations, et deux architectures concrètes : l'outil de recherche autonome pour un AI Agent, et le pipeline planifié de veille.

Pourquoi une API de recherche pensée pour les LLM

Une recherche Google ou Bing classique via API renvoie une liste de liens et de courts extraits (snippets) : pertinent pour un humain qui va cliquer et lire, insuffisant pour un agent qui a besoin du contenu complet, déjà nettoyé du bruit de mise en page. Tavily agrège plusieurs sources, extrait le contenu pertinent de chaque résultat et le renvoie sous forme de texte prêt à être injecté dans un prompt, avec des filtres natifs par plage de date, domaine ou thème.

Ce choix de conception répond à un problème documenté : Lei Huang et ses co-auteurs, dans leur revue de référence A Survey on Hallucination in Large Language Models (arXiv, 2023-2024), identifient la « frontière de connaissance » du modèle — tout ce qui est postérieur à son entraînement ou absent de son corpus — comme l'une des causes structurelles de l'hallucination. Patrick Lewis et ses co-auteurs, dans l'article fondateur Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (NeurIPS 2020), montrent que le fait d'ancrer une génération sur des documents récupérés à la volée, plutôt que sur la seule mémoire paramétrique du modèle, améliore mesurablement la factualité des réponses sur des tâches qui exigent des connaissances précises. Un outil de recherche web branché sur un AI Agent applique exactement ce principe : au lieu de laisser le modèle deviner, on lui donne la possibilité d'aller vérifier.

Installer le node Tavily dans n8n

Méthode 1 : le node communautaire officiel

Tavily publie son propre node, @tavily/n8n-nodes-tavily, maintenu par l'équipe Tavily elle-même. Sur une instance self-hosted avec les community nodes activés :

1. Settings > Community Nodes, puis Install a community node.
2. Renseignez @tavily/n8n-nodes-tavily et validez l'installation.
3. Créez un credential Tavily API avec une clé récupérée sur votre tableau de bord tavily.com — à traiter comme n'importe quelle clé sensible, en suivant nos conseils pour sécuriser les credentials API dans n8n.

Méthode 2 : HTTP Request en mode outil

Sur n8n Cloud, ou sur une instance self-hosted où les community nodes sont désactivés par politique de sécurité, un simple node HTTP Request configuré en outil suffit : URL https://api.tavily.com/search, méthode POST, authentification par Bearer Token avec votre clé API, et un corps JSON dont le champ query est rempli dynamiquement par l'agent. C'est le même principe que celui détaillé dans notre guide des outils personnalisés branchés sur un AI Agent : cette méthode fonctionne partout, sans dépendre de l'activation des community nodes, au prix de devoir décrire soi-même à l'agent le format attendu des paramètres.

Autoriser un node communautaire comme outil d'agent

Par défaut, n8n interdit à un node communautaire de servir d'outil à un AI Agent — une mesure de sécurité qui empêche un package tiers mal intentionné d'exécuter du code arbitraire au nom de l'agent. Pour utiliser le node Tavily officiel de cette façon en self-hosted, deux réglages sont nécessaires : positionner la variable d'environnement N8N_COMMUNITY_PACKAGES_ALLOW_TOOL_USAGE=true au démarrage de l'instance (dans votre docker-compose.yml ou vos variables Docker), puis activer l'option Usable as a Tool dans la configuration du node lui-même une fois l'instance redémarrée. Si votre priorité est de rester sur la méthode qui ne demande aucun réglage serveur, la méthode HTTP Request ci-dessus reste la voie la plus simple.

Les cinq opérations du node : Search, Extract, Crawl, Map, Research

• Search : l'opération de base, une requête en langage naturel avec filtres optionnels par plage de date, domaine inclus ou exclu, et profondeur (« basic » ou « advanced », cette dernière consommant plus de crédits mais creusant davantage de sources).
• Extract : récupère le contenu complet d'une ou plusieurs URL déjà identifiées, sans repasser par une recherche — utile quand l'agent a déjà l'adresse exacte à consulter.
• Crawl : parcourt un site à partir d'une URL de départ en suivant les liens internes, pour explorer une documentation ou une section entière plutôt qu'une seule page.
• Map : cartographie les URL découvrables d'un site sans en récupérer le contenu — un repérage avant un Crawl ou un Extract ciblé.
• Research : enchaîne plusieurs recherches et en synthétise les résultats en un rapport structuré, pour une question qui demande de croiser plusieurs sources plutôt qu'une réponse ponctuelle.

Cas d'usage 1 : Tavily comme outil de recherche d'un AI Agent

C'est l'usage le plus naturel de Tavily dans n8n, décrit dans le détail par notre guide du node AI Agent : brancher le node Tavily (ou le HTTP Request équivalent) sur le connecteur Tool de l'agent, avec une description précise de quand l'utiliser — « recherche sur le web quand la question porte sur une actualité, un fait après ta date de connaissance, ou un sujet que tu ne connais pas avec certitude ». L'agent décide alors seul, au fil de la conversation, s'il a besoin de vérifier une information avant de répondre. Un assistant de support qui doit confirmer la version actuelle d'une API tierce, ou un assistant de veille qui doit vérifier si une actualité récente concerne un client suivi, gagnent directement en fiabilité — au prix d'une latence supplémentaire assumée : chaque appel à l'outil ajoute un aller-retour réseau avant la réponse finale.

C'est un complément naturel au RAG agentique : le Vector Store Tool interroge votre base de connaissances déjà constituée, pendant que le Tavily Tool va chercher ce qui n'y figure pas encore ou ce qui a changé depuis la dernière ingestion.

Cas d'usage 2 : pipeline de veille planifié

Plutôt qu'un outil déclenché à la demande par l'agent, Tavily peut alimenter un pipeline classique :

1. Schedule Trigger quotidien ou hebdomadaire.
2. Tavily — Search ou Research sur une liste de requêtes suivies (nom de concurrent, mot-clé sectoriel, sujet réglementaire).
3. Un nœud IA qui résume et note la pertinence de chaque résultat.
4. Envoi du digest dans Slack ou par email, sur le même principe que notre guide de la veille concurrentielle avec l'IA et n8n.

Pour un contenu déjà identifié qu'il faut extraire en profondeur — une documentation entière, un site concurrent à archiver — Firecrawl reste plus adapté : Tavily excelle à trouver l'information pertinente sur le web ouvert, Firecrawl excelle à extraire proprement le contenu d'un site déjà identifié. Les deux se combinent bien dans un même pipeline, Tavily en amont pour repérer les sources, Firecrawl en aval pour les exploiter en profondeur.

Crédits et coûts : ce qu'il faut surveiller

Tavily facture au crédit, avec un palier gratuit de 1000 crédits par mois, sans carte bancaire. Une recherche basique coûte 1 crédit, une recherche avancée 2, et une opération Research peut consommer de 4 à 250 crédits selon le nombre de recherches enchaînées et la profondeur de synthèse demandée — c'est l'opération à surveiller de près si elle est laissée à la discrétion d'un agent sans garde-fou. Au-delà du palier gratuit, les forfaits démarrent à 30 $/mois pour 4000 crédits, avec une option pay-as-you-go à 0,008 $ le crédit pour un usage irrégulier. Sur un agent conversationnel à fort volume, fixez une limite explicite dans le prompt système (« n'utilise l'outil de recherche qu'une fois par question, sauf si le résultat est manifestement insuffisant ») pour éviter qu'un agent trop prudent n'enchaîne les appels sur une même conversation.

En résumé

Tavily comble un vide entre une recherche web brute et un pipeline de scraping complet : une API pensée dès le départ pour renvoyer du texte exploitable par un LLM plutôt que des liens à traiter soi-même. Le node communautaire officiel @tavily/n8n-nodes-tavily s'installe en quelques minutes en self-hosted (avec l'activation de N8N_COMMUNITY_PACKAGES_ALLOW_TOOL_USAGE pour un usage en outil d'agent), et le HTTP Request en mode outil couvre les cas où les community nodes ne sont pas activés. Reste à choisir l'architecture : outil que l'agent invoque lui-même pour vérifier un fait à la volée, ou pipeline planifié pour une veille récurrente — les deux gagnent à s'appuyer sur les briques déjà prêtes du Pack Assistant RAG (119 €) pour la partie ingestion et citation des sources.