Comment construire des workflows IA avec n8n et LangChain

Comment construire des workflows IA avec n8n et LangChain

n8n et LangChain résolvent ensemble un problème que la plupart des équipes rencontrent tôt ou tard : vous voulez des agents IA qui se connectent à des données réelles et déclenchent de vraies actions, mais intégrer LangChain en Python signifie maintenir toute une pile applicative. Les nodes LangChain natifs de n8n vous permettent de glisser-déposer des agents, des chaînes, de la mémoire et des vector stores dans des workflows visuels — puis de les connecter à plus de 400 intégrations sans écrire de code SDK.

Ce que vous obtenez : la bibliothèque de nodes LangChain de n8n

n8n est livré avec plus de 70 nodes IA qui implémentent les concepts LangChain sous forme de blocs visuels. Au lieu d'importer langchain en Python et de connecter les modules entre eux, vous reliez des nodes sur un canvas. Voici la présentation complète :

L'architecture utilise ce que n8n appelle des cluster nodes — un nœud racine (comme l'AI Agent) se connecte à des sous-nœuds (chat model, memory, tools) qui étendent ses capacités. Considérez-le comme le système de modules de LangChain, mais en visuel.

Comment n8n mappe les concepts LangChain

Si vous avez déjà utilisé LangChain dans du code, le mapping de n8n est simple :

La différence cruciale ? En code, vous écrivez 50 à 100 lignes pour assembler tout ça. Dans n8n, vous connectez 4 à 6 nodes sur un canvas et les configurez via des menus déroulants.

Construire un pipeline de Q&R sur documents (RAG)

Construisons quelque chose de concret. Ce workflow ingère des documents PDF, les stocke dans une base de données vectorielle et répond aux questions sur leur contenu. C'est un classique RAG (Retrieval-Augmented Generation) — le workflow LangChain le plus utile pour les équipes métier.

Étape 1 : Configurer le workflow d'ingestion de données

Créez un nouveau workflow pour charger les documents. Vous l'exécuterez une fois à chaque fois que vous aurez de nouveaux documents à ajouter.

Nodes à ajouter :

1. Manual Trigger — Cliquer pour lancer l'ingestion
2. Google Drive node (ou HTTP Request, Read Binary File) — Récupère vos documents sources
3. Simple Vector Store — Définir l'opération sur Insert Documents
4. OpenAI Embeddings sub-node — Se connecte au Vector Store, convertit le texte en vecteurs
5. Default Data Loader sub-node — Parse le contenu des documents en chunks
6. Recursive Character Text Splitter sub-node — Divise le contenu en chunks d'environ 500 tokens avec un chevauchement de 50 tokens

Détails de configuration pour le Vector Store :

• Opération : Insert Documents
• Memory Key : Donnez-lui un nom descriptif comme company-docs (c'est ainsi que vous le référencerez plus tard)
• Le Data Loader se connecte en tant que sub-node et gère le parsing PDF/texte automatiquement

Configuration pour le Text Splitter :

• Chunk Size : 500 (tokens)
• Chunk Overlap : 50 (assure que le contexte ne soit pas perdu aux frontières)
• Méthode de découpage : Recursive Character (gère intelligemment Markdown, HTML et texte brut)

Étape 2 : Construire le workflow de l'agent Q&R

Créez maintenant un second workflow — c'est celui avec lequel les utilisateurs interagissent.

Nodes à ajouter :

1. Chat Trigger — Fournit l'interface de chat pour les questions
2. AI Agent (type Tools Agent) — Le cerveau qui décide quoi faire
3. OpenAI Chat Model sub-node — Connectez GPT-4o ou GPT-4o-mini
4. Simple Memory sub-node — Mémorise le contexte de la conversation
5. Vector Store Tool sub-node — Donne à l'agent accès à vos documents

Configuration pour le node AI Agent :

• Type d'agent : Tools Agent (l'option la plus flexible — il décide quand et comment utiliser les outils)
• System Prompt : Vous êtes un assistant serviable qui répond aux questions en vous basant sur les documents de notre entreprise. Citez toujours le document dans lequel vous avez trouvé la réponse. Si l'information n'est pas dans les documents, dites-le clairement.

Configuration pour le Vector Store Tool :

• Nom : search_documents
• Description : Recherche dans la base de connaissances de l'entreprise des informations pertinentes. Utilisez cet outil quand l'utilisateur pose des questions sur les politiques, procédures ou documentations de l'entreprise.
• Vector Store : Sélectionnez votre Simple Vector Store
• Modèle d'embedding : Le même modèle OpenAI Embeddings utilisé lors de l'ingestion
• Top K : 4 (nombre de chunks pertinents à récupérer)

Cette description compte plus que vous ne le pensez. L'agent l'utilise pour décider quand appeler l'outil plutôt que de répondre depuis ses propres connaissances. Soyez précis.

Étape 3 : Tester et affiner

Cliquez sur Chat dans le panneau inférieur pour ouvrir l'interface de chat intégrée de n8n. Posez une question sur vos documents. Observez la trace d'exécution — n8n vous montre exactement quels nodes ont été déclenchés, quel était le raisonnement de l'agent et quels chunks de documents ont été récupérés.

Problèmes courants à ce stade :

• L'agent n'utilise pas l'outil : Votre description d'outil est trop vague. Précisez quelles connaissances l'outil contient.
• Récupère des chunks non pertinents : Augmentez le chevauchement ou réduisez la taille des chunks. Essayez 300 tokens avec un chevauchement de 100.
• Réponses lentes : Passez à GPT-4o-mini pour le chat model. Il est 10 fois moins cher et suffisamment rapide pour la plupart des tâches Q&R.

Construire un agent avec appel d'outils

Le pipeline Q&R ci-dessus est idéal pour les documents. Mais qu'en est-il d'un agent qui peut rechercher sur le web, effectuer des calculs, interroger des bases de données ET répondre à partir de documents ? C'est là que le Tools Agent brille vraiment.

La configuration du workflow

1. Chat Trigger — Entrée utilisateur
2. AI Agent (Tools Agent) — Redirige vers le bon outil
3. OpenAI Chat Model — GPT-4o pour un raisonnement complexe
4. Simple Memory — Historique des conversations
5. Plusieurs outils connectés :
   • SerpAPI Tool — Capacité de recherche web
   • Calculator Tool — Opérations mathématiques
   • Vector Store Tool — Votre base de connaissances documentaire
   • Custom Code Tool — Toute fonction JavaScript que vous écrivez
   • Workflow Tool — Déclenche un autre workflow n8n comme outil

Le Workflow Tool est l'arme secrète de n8n. Il vous permet d'encapsuler n'importe quel workflow n8n en tant qu'outil que l'agent peut appeler. Vous avez un workflow qui vérifie l'inventaire ? Faites-en un outil. Un qui envoie des messages Slack ? Outil. Un qui interroge votre CRM ? Outil. C'est ainsi que les plus de 400 nodes d'intégration de n8n deviennent accessibles à votre agent IA.

System prompt pour les agents multi-outils

Votre system prompt doit informer l'agent de ses capacités :

You are a research assistant with access to the following tools:
- search_documents: Search our internal knowledge base
- web_search: Search the internet for current information
- calculator: Perform mathematical calculations
- send_notification: Send a Slack message to the team

For factual questions about our company, always check search_documents first.
For current events or external data, use web_search.
Show your reasoning before giving a final answer.

Ce schéma de prompt contrôle directement comment l'agent navigue entre les outils. Les prompts vagues amènent les agents à utiliser la recherche web alors qu'ils devraient d'abord consulter vos documents.

Choisir le bon type d'agent

n8n propose six types d'agents. Voici quand choisir lequel :

Pour la plupart des équipes, le Tools Agent est le bon point de départ. Il gère bien le routage multi-outils, fonctionne avec n'importe quel fournisseur LLM et vous pouvez toujours changer plus tard. Si vous comparez cela à la construction d'agents en code avec des frameworks comme LangGraph ou CrewAI, l'avantage ici est zéro surcharge de déploiement — votre agent s'exécute dans l'infrastructure de n8n.

Ajouter une mémoire persistante

Par défaut, le Simple Memory sub-node conserve l'historique des conversations en mémoire — il disparaît quand le workflow redémarre. Pour un usage en production, vous aurez besoin d'une mémoire persistante.

Vos options :

Zep vaut la peine d'être mentionné si vous construisez quelque chose avec de longs historiques de conversation. Il résume automatiquement les messages plus anciens pour que votre agent ne dépasse pas la fenêtre de contexte au tour 50 d'une conversation.

Pour ajouter une mémoire persistante, remplacez simplement le Simple Memory sub-node par Redis/Postgres/Zep. Le reste de votre workflow reste identique.

Se connecter à différents fournisseurs LLM

Chaque nœud racine nécessitant un LLM accepte un sous-nœud Chat Model. Changer de fournisseur est une modification d'un seul nœud :

Pour le développement local et les tests, Ollama est l'option sans coût — exécutez des modèles sur votre machine et connectez n8n à localhost:11434. En production, la plupart des équipes utilisent OpenAI ou Anthropic selon la tâche.

Recettes de workflows prêtes pour la production

Voici trois schémas prêts pour la production que vous pouvez construire en moins de 30 minutes :

Recette 1 : Classification automatique des tickets de support

Déclencheur : Nouvel e-mail reçu (node Gmail/Outlook) Chain : Basic LLM Chain avec un prompt de classification Sortie : Redirige vers différents canaux Slack selon la catégorie

Le prompt fait le gros du travail : Classify this support email into exactly one category: billing, technical, feature_request, or other. Respond with only the category name.

Recette 2 : Digest de contenu hebdomadaire

Déclencheur : Planification (chaque lundi à 9h) Agent : Tools Agent avec SerpAPI + Custom Code Tool Mémoire : Non nécessaire (tâche unique) Sortie : Rapport résumé envoyé sur Slack/Email

L'agent recherche les actualités du secteur, résume les 5 meilleurs articles et formate un digest. Le Custom Code Tool gère la logique de formatage qui est plus facile en JavaScript que dans un prompt.

Recette 3 : Bot Slack basé sur les documents

Déclencheur : Message Slack dans un canal spécifique Agent : Tools Agent avec Vector Store Tool Mémoire : Redis Chat Memory (indexée par ID de fil Slack) Sortie : Réponse au fil Slack

C'est le pipeline Q&R précédent, mais déclenché par Slack au lieu d'une interface de chat. La clé de mémoire basée sur le fil signifie que chaque conversation Slack obtient son propre contexte.

Pour les équipes qui explorent quels outils RAG utiliser en parallèle de n8n, le choix du vector store importe moins que votre stratégie de découpage. Commencez avec le Simple (In-Memory) Vector Store pour le prototypage, puis passez à Pinecone ou Qdrant pour la production.

Erreurs courantes et comment les éviter

Après avoir construit des dizaines de workflows IA n8n, voici les pièges qui font trébucher les gens :

1. Sauter le system prompt. Le nœud AI Agent fonctionne sans system prompt, mais mal. Définissez toujours le rôle de l'agent, les outils disponibles et le comportement préféré. Dix minutes sur le prompt vous évitent des heures à déboguer des réponses étranges.

2. Utiliser un seul workflow géant. Séparez l'ingestion et les requêtes en workflows distincts. Le workflow d'ingestion s'exécute occasionnellement (quand de nouveaux docs arrivent). Le workflow de requête s'exécute en permanence. Les mélanger crée des conflits d'exécution.

3. Choisir la mauvaise taille de chunk. Le découpage par défaut (1000 caractères) fonctionne pour le contenu général. Pour les docs techniques, descendez à 300-500 tokens. Pour les documents juridiques, montez à 800-1000 tokens avec un chevauchement plus élevé. Il n'y a pas de taille de chunk universellement « correcte » — testez avec vos documents réels.

4. Ignorer le journal d'exécution. n8n affiche la trace d'exécution complète pour chaque exécution de workflow. Quand un agent donne une mauvaise réponse, vérifiez quel outil il a appelé (ou n'a pas appelé), quels chunks ont été récupérés et quel raisonnement il a montré. Le journal vous indique exactement où les choses ont mal tourné.

5. Payer pour GPT-4o quand vous n'en avez pas besoin. Pour la classification, le résumé et les Q&R simples, GPT-4o-mini est efficace à 90 % pour 10 % du coût. Réservez GPT-4o ou Claude pour le raisonnement complexe multi-étapes.

Comment Techsy aborde l'automatisation IA avec n8n

Nous avons construit des workflows IA n8n pour des clients allant de startups de 3 personnes à des équipes enterprise. Notre processus :

1. Cartographier le flux de décision — Avant d'ouvrir n8n, nous schématisons chaque point de décision et source de données
2. Prototyper avec Simple Vector Store — Faire fonctionner la logique centrale avec un stockage en mémoire
3. Tester avec des données réelles tôt — Les données de test synthétiques cachent les problèmes de découpage et de récupération
4. Ajouter mémoire et persistance — Seulement après validation de la logique Q&R ou agent centrale
5. Surveiller et itérer — Suivre quels appels d'outils réussissent, quels chunks sont récupérés et où les utilisateurs se frustrent

Si vous construisez des agents IA pour les workflows métier et souhaitez de l'aide pour concevoir l'architecture, contactez-nous pour une consultation gratuite.

Questions fréquentes

Dois-je connaître LangChain pour utiliser les nodes IA de n8n ?

Non. n8n abstrait LangChain en nodes visuels avec des configurations en menus déroulants. Comprendre les concepts LangChain (agents, chaînes, mémoire, retrievers) vous aide à prendre de meilleures décisions de conception, mais vous n'écrivez jamais de code LangChain sauf si vous choisissez d'utiliser le LangChain Code node.

Puis-je utiliser des LLM locaux avec n8n au lieu d'OpenAI ?

Oui. Connectez le sous-nœud Ollama Chat Model à n'importe quel modèle s'exécutant sur votre machine (Llama 3, Mistral, Phi-3, etc.). Pointez-le sur http://localhost:11434 et vous avez un workflow IA entièrement privé et sans coût. Groq est une autre option pour une inférence rapide sans gérer votre propre matériel.

Quelle est la différence entre une Chain et un Agent dans n8n ?

Une chaîne suit une séquence fixe — l'entrée passe par l'étape A, puis B, puis C. Un agent décide dynamiquement quels outils appeler en fonction de l'entrée. Utilisez les chaînes pour les tâches prévisibles (résumé, classification). Utilisez les agents quand le workflow doit prendre des décisions sur ce qu'il faut faire ensuite.

Combien de documents le Simple Vector Store peut-il gérer ?

Le Simple (In-Memory) Vector Store fonctionne bien pour le prototypage avec quelques centaines de documents. Pour la production avec des milliers de documents, passez à Pinecone, Qdrant, Supabase ou Chroma. Le workflow reste le même — vous remplacez simplement le nœud vector store.

Puis-je déclencher des workflows IA n8n depuis des applications externes ?

Oui. Utilisez le Webhook Trigger node pour exposer votre workflow IA comme endpoint API. Toute application capable de faire des requêtes HTTP peut envoyer des données à votre agent et obtenir une réponse. C'est ainsi que vous intégrez les workflows IA n8n dans des produits existants.

n8n est-il gratuit pour les workflows IA ?

La Community Edition de n8n est entièrement open source et gratuite à auto-héberger. Tous les nodes LangChain sont inclus. Les plans Cloud commencent à 24 $/mois si vous ne souhaitez pas gérer l'infrastructure. Les coûts API LLM (OpenAI, Anthropic, etc.) sont séparés et facturés par le fournisseur.

Comment n8n gère-t-il les erreurs dans les workflows d'agent IA ?

n8n dispose d'une gestion des erreurs intégrée au niveau du nœud. Vous pouvez configurer une logique de réessai, des chemins de secours et des workflows d'erreur. Pour les problèmes spécifiques à l'IA (comme les timeouts LLM ou les limites de débit), ajoutez un réessai avec backoff exponentiel sur le sous-nœud Chat Model. Le journal d'exécution indique exactement où les échecs se produisent.

Puis-je utiliser les workflows IA de n8n avec mes propres clés API ?

Oui. Chaque nœud LLM vous demande de créer une credential avec votre propre clé API. n8n stocke les credentials de façon chiffrée. Si vous auto-hébergez, les clés ne quittent jamais votre infrastructure.

À quoi sert le LangChain Code node ?

Le LangChain Code node vous permet d'écrire du JavaScript personnalisé utilisant directement les modules LangChain. C'est une porte de sortie pour les cas où les nœuds visuels de n8n ne couvrent pas exactement votre cas d'usage — peut-être avez-vous besoin d'un retriever personnalisé, d'un template de prompt spécifique ou d'un module LangChain que n8n n'a pas encore encapsulé.

Comment partager des workflows IA n8n avec mon équipe ?

Exportez le workflow en JSON (Ctrl+Maj+E) et partagez le fichier. N'importe qui peut l'importer dans son instance n8n. Pour la collaboration en équipe, n8n Cloud inclut des espaces de travail partagés avec historique des versions. Vous pouvez aussi committer les fichiers JSON de workflow dans Git pour le contrôle de version.

Sources

• Concepts LangChain dans n8n - Documentation officielle
• LangChain dans n8n - Vue d'ensemble
• Documentation du node AI Agent
• RAG dans n8n - Guide officiel
• Tutoriel de workflow IA n8n