Derzeit scheint es nicht der Fall zu sein, dass wir die Reasoning-Traces für ein unterstütztes Modell sehen, zumindest nicht mit dem GCP Vertex Chat Model. Es gibt jedoch eine Einstellung, die -1 (Standard) für das Thinking-Budget impliziert.
Bei Gemini 3.8-flash ist nicht offensichtlich, woher 0 und -1 kommen. Welche erwarteten Werte gibt es neben 0 und -1? Sind es diejenigen auf der Google-Modellseite, auf die ich oben verwiesen habe?
Bei der Konfiguration des Thinking-Budgets für Gemini-Modelle auf Vertex AI hängt die Übergabe expliziter Token-Limits oder die Zuordnung von -1 für dynamische Standardwerte stark von der zugrunde liegenden API-Schemaversion ab, mit der dein n8n-Node kommuniziert. Wenn Reasoning-Traces nicht in deiner Ausführungsausgabe angezeigt werden, überprüfe die rohe Response-Payload in der Node-Ausführungshistorie, um zu sehen, ob die Reasoning-Token unter einem separaten Candidate-Metadaten-Objekt zurückgegeben werden. Teile mir mit, welche API-Version oder welchen n8n-Sub-Node du verwendest, und ich kann dir die exakte Payload-Struktur hier beschreiben.
Danke der Klarstellung! Bei n8n Cloud und dem nativen Google Vertex Chat Model Sub-Node passieren zwei unterschiedliche Dinge im Hintergrund, die du kennen musst:
Übergabe des Thinking Budget im Node
In der Google Vertex AI API wird das Thinking Budget durch generationConfig.thinkingConfig.thinkingBudget gesteuert.
Bei Verwendung der Model UI Options: Öffne deinen Google Vertex Chat Model Node → klick unten auf Add Option:
Wenn Thinking Budget (oder Additional Model Arguments) in deinem Build angezeigt wird, kannst du eine Ganzzahl zwischen 0 (aus) und 24576 übergeben (oder -1 für dynamisch/Standard auf Gemini 2.5/2.0 Flash Thinking).
Hinweis: Wenn du es auf 0 setzt, wird Thinking vollständig unterdrückt und es verhält sich wie Standard Flash.
Vielen Dank für die sehr ausführliche Antwort. Kurz gesagt versuche ich, verschiedene KI-Konzepte für Master-Studenten in einem Analytics-Programm über n8n zu unterrichten. Einfach gesagt ist der Low-Code-Visual-Programmierstil der n8n-Anwendung fantastisch, um die Komplexität des Erlernens verschiedener Tools UND KI-Konzepte parallel zu abstrahieren.
Ich kann weitermachen und das im Unterricht kurz ansprechen, aber es gibt einige Lücken in Bezug auf Vertex-bezogene KI-Knoten. Beispielsweise haben die Gemini-Knoten Funktionen in der Benutzeroberfläche, die im Vertex Chat-Knoten nicht verfügbar sind.
Ich kann definitiv damit umgehen, aber während ich das Material jeder Woche fertigstelle, gibt es eine Reihe von Fallstricken, bei denen ich immer wieder ins Stolpern gerate. Wie du hervorgehoben hast, ist das Verschlucken von Trace-Daten ein weiteres Beispiel.
Nochmals vielen Dank für die ausführliche Antwort, ich kann damit arbeiten. Der Vollständigkeit halber: Das Programm ist Python-orientiert, aber wir haben uns bewusst für Low/No-Code entschieden, um die Einführung von KI in analytische Workloads angesichts paralleler Kursarbeit zu erleichtern.