Tutoriel Agents IA n8n : Construire des Workflows Intelligents Pas à Pas

Tutoriel Agents IA n8n : Construire des Workflows Intelligents Pas à Pas

L'écart entre « Je veux un agent IA » et « J'ai un agent IA fonctionnel » se comble généralement avec des centaines de lignes de code Python. Les agents IA n8n comblent cet écart grâce à un éditeur de workflow visuel où vous glissez, déposez et connectez des agents propulsés par des LLM qui font vraiment des choses — rechercher sur le web, interroger des bases de données, envoyer des e-mails, mettre à jour des feuilles de calcul. Vous écrivez un prompt système au lieu du code standard d'un framework.

Ce tutoriel vous guide dans la construction de deux vrais workflows d'agents depuis zéro : un agent de recherche web et un bot de support client avec mémoire. À la fin, vous comprendrez chaque type de nœud nécessaire et comment ils s'articulent ensemble.

Qu'est-ce que n8n (et pourquoi l'utiliser pour les agents IA) ?

n8n est une plateforme d'automatisation de workflow open source — pensez à Zapier, mais auto-hébergeable avec une philosophie « du code quand nécessaire ». Elle connecte plus de 500 services via un éditeur visuel basé sur des nœuds.

Ce qui rend n8n particulièrement intéressant pour les agents IA, c'est son intégration native LangChain. Au lieu d'écrire du code Python LangChain, vous configurez les mêmes concepts (agents, outils, mémoire, modèles) sous forme de nœuds visuels. Le nœud AI Agent gère la boucle de raisonnement — vous branchez simplement ce avec quoi il doit réfléchir et ce qu'il peut faire.

Pourquoi choisir n8n plutôt que du code pur ?

• Débogage visuel : vous voyez exactement où la chaîne de raisonnement de l'agent se brise
• 500+ intégrations deviennent des outils agents instantanés (Slack, Gmail, Google Sheets, bases de données)
• Auto-hébergement gratuit (Community Edition) ou n8n Cloud à partir de 20 $/mois
• Le support MCP permet aux workflows n8n de devenir des outils pour des agents IA externes, et vice versa

Si vous évaluez différents frameworks d'agents comme LangGraph, CrewAI ou l'OpenAI Agents SDK, n8n appartient à une catégorie différente — c'est pour ceux qui veulent des agents en production sans gérer un runtime Python.

Comment fonctionne le nœud Agent IA de n8n

Chaque workflow d'agent IA dans n8n a une structure hiérarchique. Le nœud Agent est au centre, et des sous-nœuds se connectent en dessous pour fournir des capacités.

Voici l'anatomie :

Le Tools Agent est celui que vous utiliserez dans 90 % des cas. C'est le type d'agent le plus flexible — il prend votre prompt, réfléchit aux outils à appeler, les exécute et boucle jusqu'à avoir une réponse. En coulisses, il exécute une boucle ReAct (Reason + Act) : réfléchir, agir, observer, répéter.

n8n propose également des agents spécialisés — un SQL Agent pour les requêtes de base de données, un Plan and Execute Agent qui décompose les tâches en sous-étapes, et un Conversational Agent pour des flux de chat plus simples. Mais le Tools Agent couvre la plupart des cas d'usage.

Ce dont vous avez besoin avant de commencer

Avant de construire quoi que ce soit, réglez ces trois points :

1. Une instance n8n — soit s'inscrire à n8n Cloud (20 $/mois Starter) soit auto-héberger avec Docker :

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

1. Une clé API LLM — OpenAI, Anthropic ou Google Gemini. Vous pouvez aussi utiliser Ollama pour des modèles locaux gratuits, bien que les performances du tool-calling varient.

2. Une clé API d'outil (optionnel) — SerpAPI pour la recherche web (50 $/mois) ou l'API Brave Search (niveau gratuit). Vous pouvez créer des agents sans recherche, mais c'est l'outil le plus courant pour commencer.

Une fois n8n en cours d'exécution, ouvrez http://localhost:5678 (auto-hébergé) ou votre tableau de bord cloud. Créez un nouveau workflow et vous êtes prêt.

Construire l'Agent 1 : Un Agent de Recherche Web

Cet agent prend un sujet, recherche sur le web, lit les résultats et rédige un résumé structuré. C'est le « hello world » des agents IA n8n et il est vraiment utile pour la recherche de contenu.

Étape 1 : Ajouter un Manual Trigger

Cliquez sur + et recherchez « Manual Trigger ». Déposez-le sur le canevas. Cela vous permet de tester le workflow en cliquant sur « Test Workflow » — vous le remplacerez plus tard par un webhook ou un chat trigger.

Étape 2 : Ajouter un nœud Edit Fields

Ajoutez un nœud Edit Fields après le trigger. Définissez un champ appelé topic avec une valeur de chaîne comme "Dernières évolutions du Model Context Protocol". Cela simule une entrée utilisateur.

Étape 3 : Ajouter le nœud AI Agent

Recherchez « AI Agent » et ajoutez-le. Sélectionnez Tools Agent comme type d'agent.

Dans le champ System Message, écrivez un prompt qui définit le comportement :

You are a research assistant. When given a topic:
1. Search the web for the latest information
2. Read at least 3 different sources
3. Write a structured summary with:
   - Key findings (bullet points)
   - Notable quotes or data points
   - Sources used

Be specific. Include dates, names, and numbers when available.
Do NOT make up information. If search results are unclear, say so.

Sous Prompt, définissez l'expression : {{ $json.topic }} — cela extrait le sujet du nœud Edit Fields.

Étape 4 : Connecter un Chat Model

Cliquez sur + en dessous du nœud Agent pour ajouter un sous-nœud. Sélectionnez OpenAI Chat Model (ou le LLM que vous utilisez).

Configurez-le :

• Model : gpt-4o (ou gpt-4o-mini pour des exécutions moins coûteuses)
• Temperature : 0.3 (plus bas = plus factuel, moins créatif)

Collez votre clé API dans la section credentials.

Étape 5 : Ajouter l'outil de recherche

Cliquez à nouveau sur + pour ajouter un sous-nœud d'outil. Choisissez SerpAPI (ou HTTP Request Tool si vous souhaitez appeler une API de recherche personnalisée).

Pour SerpAPI :

• Ajoutez votre clé API comme credential
• L'agent appellera cet outil chaque fois qu'il décide d'effectuer une recherche

Pour une alternative gratuite, utilisez l'HTTP Request Tool configuré pour accéder à l'API Brave Search :

URL: https://api.search.brave.com/res/v1/web/search
Method: GET
Query Parameters: q={{ $fromAI("query", "search query") }}
Headers: X-Subscription-Token: YOUR_BRAVE_KEY

L'expression $fromAI() est la magie — elle dit à l'agent « c'est toi qui décides quelle valeur passer ici. »

Étape 6 : Tester

Cliquez sur Test Workflow. Observez le panneau d'exécution à droite. Vous verrez :

1. L'agent reçoit le sujet
2. Il décide de rechercher (appel d'outil)
3. SerpAPI renvoie des résultats
4. L'agent réfléchit aux résultats
5. Il pourrait rechercher à nouveau pour plus de détails
6. Il produit un résumé final

Si l'agent boucle sans converger, votre prompt système a probablement besoin d'instructions plus précises. Dites-lui exactement quand arrêter de chercher.

Construire l'Agent 2 : Un Bot de Support Client avec Mémoire

L'agent de recherche était sans état — il oubliait tout après chaque exécution. Un bot de support client doit se souvenir de la conversation. C'est là qu'intervient la mémoire des agents.

Étape 1 : Utiliser un Chat Trigger

Cette fois, commencez avec le nœud Chat Trigger au lieu du Manual Trigger. Cela vous donne le widget de chat intégré de n8n pour tester les conversations.

Étape 2 : Configurer l'agent

Ajoutez un nœud Tools Agent. Prompt système :

You are a customer support agent for a SaaS project management tool called "TaskFlow."

Rules:
- Always greet the user by name if provided
- Check the knowledge base before answering questions
- If you cannot find an answer, say: "Let me connect you with a human agent"
- Never make up features or pricing that you don't find in the knowledge base
- Keep responses concise (2-3 sentences max unless the user asks for detail)

Available tools:
- Knowledge base search: use this for product questions
- Ticket creation: use this when the user reports a bug or requests a feature

Étape 3 : Ajouter la mémoire

Cliquez sur + sur l'Agent pour ajouter un sous-nœud et sélectionnez Window Buffer Memory.

• Context Window Length : 10 (mémorise les 10 dernières paires de messages)
• Session ID : {{ $json.sessionId }} (depuis le chat trigger)

C'est l'option de mémoire la plus simple — elle conserve les messages récents dans une fenêtre glissante. Pour les bots en production qui nécessitent une mémoire persistante entre les sessions, utilisez plutôt Postgres Chat Memory ou Redis Chat Memory. Notre guide sur les meilleurs outils de mémoire pour agents IA couvre les compromis entre ces approches.

Étape 4 : Ajouter des outils

Ajoutez deux sous-nœuds d'outils :

Outil 1 – Base de connaissances (Vector Store QA) : Si vous avez des docs produit dans un vector store (Pinecone, Qdrant, Supabase), utilisez le Vector Store Question Answer Tool. C'est essentiellement le RAG (Retrieval-Augmented Generation) en un seul nœud.

Outil 2 – Création de ticket (HTTP Request) : Ajoutez un HTTP Request Tool configuré pour poster sur votre API de ticketing :

URL: https://api.yourapp.com/tickets
Method: POST
Body (JSON):
{
  "title": "{{ $fromAI('title', 'ticket title') }}",
  "description": "{{ $fromAI('description', 'issue description') }}",
  "priority": "{{ $fromAI('priority', 'low, medium, or high') }}"
}

Étape 5 : Tester la conversation

Cliquez sur Test Workflow et ouvrez le panneau de chat. Essayez une conversation en plusieurs tours :

• « Bonjour, je m'appelle Alex. Comment puis-je exporter mes tâches en CSV ? »
• « Et l'export PDF ? »
• « En fait, l'export PDF ne fonctionne pas pour moi — pouvez-vous signaler un bug ? »

Observez comment l'agent recherche dans la base de connaissances pour les deux premières questions et crée un ticket pour la troisième. Le nœud mémoire garantit qu'il se souvient du nom d'Alex et du contexte du problème PDF.

Utiliser MCP pour étendre vos agents

n8n prend désormais en charge le Model Context Protocol (MCP) dans les deux sens — et c'est là que les choses deviennent vraiment puissantes.

Consommer des serveurs MCP : Ajoutez le sous-nœud MCP Client Tool à votre agent. Pointez-le vers n'importe quelle URL de serveur MCP et l'agent découvre automatiquement tous les outils que ce serveur expose et peut les appeler. Un seul nœud, des dizaines d'outils.

Exposer des workflows comme outils MCP : Utilisez le nœud MCP Server Trigger pour transformer n'importe quel workflow n8n en outil compatible MCP. Les agents externes fonctionnant dans Claude Desktop, Cursor ou VS Code peuvent alors découvrir et appeler vos workflows n8n. Construisez une fois un workflow « envoyer une notification Slack » et chaque agent compatible MCP de votre stack peut l'utiliser.

Ce support MCP bidirectionnel transforme n8n en hub d'agents — vos agents n8n appellent des outils externes via MCP, et les agents externes appellent vos workflows n8n via MCP.

Conseils pratiques pour de meilleurs agents n8n

Après avoir construit des dizaines de workflows d'agents, voici ce qui compte vraiment :

Gardez le nombre d'outils bas. Les agents se perdent avec plus de 5 à 7 outils. Si vous en avez besoin de plus, créez un « agent manager » qui délègue à des « agents workers » spécialisés — n8n prend en charge les workflows agent-à-agent.

Soyez prescriptif dans les prompts système. Ne dites pas simplement « aide l'utilisateur ». Formulez des règles exactes, des formats de sortie et quand utiliser chaque outil. Plus votre prompt est spécifique, moins il y a d'appels d'outils inattendus.

Définissez des limites de tokens. Dans la configuration du Chat Model, définissez une limite maximale de tokens. Sans elle, un agent confus peut épuiser votre budget API en une seule boucle.

Utilisez des nœuds de gestion d'erreurs. Ajoutez un workflow Error Trigger qui capture les échecs et vous notifie via Slack ou e-mail. Sinon, les agents échouent silencieusement.

Testez d'abord avec des cas limites. Demandez à votre agent quelque chose qu'il ne devrait pas savoir. S'il hallucine plutôt que de dire « je ne sais pas », votre prompt a besoin de garde-fous.

Tout enregistrer en développement. Activez l'enregistrement des exécutions (disponible sur le plan Pro ou en auto-hébergement) pour pouvoir rejouer et déboguer exactement où un agent a mal tourné.

Quand les agents n8n sont pertinents (et quand ils ne le sont pas)

n8n est un bon choix si :

• Vous voulez des agents en production sans gérer une infrastructure Python
• Vos workflows connectent plusieurs outils SaaS (Slack, Gmail, Notion, bases de données)
• Votre équipe inclut des non-développeurs qui doivent modifier le comportement des agents
• Vous avez besoin d'un débogage visuel des chaînes de raisonnement des agents

n8n est probablement le mauvais choix si :

• Vous avez besoin d'un contrôle fin sur les architectures d'agents (utilisez LangGraph ou CrewAI à la place)
• Votre agent est purement computationnel (pipeline ML, traitement de données) sans intégrations
• Vous construisez un système multi-agents de recherche avec une gestion d'état complexe

Pour les cas d'usage d'automatisation d'entreprise — bots de support client, agents de traitement de données, assistants de recherche, qualification de leads — n8n atteint le juste milieu entre puissance et accessibilité.

FAQ

Quels LLMs n8n prend-il en charge pour les agents IA ?

n8n prend en charge OpenAI (GPT-4o, GPT-4, GPT-3.5), Anthropic Claude (famille Claude 3.5 et 4), Google Gemini, Mistral, Cohere, les modèles HuggingFace et les modèles locaux via Ollama. Vous changez de modèle en modifiant un seul sous-nœud — aucune modification du workflow n'est nécessaire.

n8n est-il gratuit pour construire des agents IA ?

La Community Edition auto-hébergée est totalement gratuite sans limite d'exécutions. n8n Cloud commence à 20 $/mois (Starter) avec 2 500 exécutions. Vous paierez quand même séparément votre fournisseur LLM (OpenAI, Anthropic, etc.) pour les appels API.

Comment l'agent IA de n8n se compare-t-il à l'écriture d'agents en Python ?

n8n échange la personnalisation contre la rapidité. Un agent Python avec LangChain vous donne un contrôle total sur chaque étape de raisonnement. n8n vous donne 80 % de cette capacité en 20 % du temps, avec un débogage visuel et plus de 500 intégrations intégrées. Choisissez Python pour la recherche ou les architectures nouvelles ; choisissez n8n pour l'automatisation d'entreprise.

Les agents n8n peuvent-ils utiliser des outils comme la recherche web et les bases de données ?

Oui. Les agents n8n peuvent utiliser n'importe quel outil disponible comme nœud — SerpAPI, Brave Search, HTTP Request (pour n'importe quelle API), bases de données SQL, Google Sheets, Slack et des centaines d'autres. Vous les ajoutez comme sous-nœuds en dessous du nœud Agent.

Qu'est-ce que le MCP Client Tool dans n8n ?

Le MCP Client Tool connecte votre agent n8n à des serveurs MCP (Model Context Protocol) externes. Votre agent découvre automatiquement tous les outils que ce serveur expose et peut les appeler pendant le raisonnement. C'est un seul nœud qui peut déverrouiller des dizaines d'outils externes.

Comment ajouter de la mémoire à un agent IA n8n ?

Ajoutez un sous-nœud mémoire en dessous de votre nœud Agent. Window Buffer Memory est l'option la plus simple (garde les N derniers messages). Pour une mémoire persistante entre les sessions, utilisez Postgres Chat Memory, Redis Chat Memory ou Zep Memory. Définissez un ID de session pour suivre les conversations individuelles.

Puis-je connecter plusieurs agents dans n8n ?

Oui. n8n prend en charge les workflows agent-à-agent où un agent « manager » délègue des tâches à des agents « workers » spécialisés. Vous construisez chaque worker comme un sous-workflow séparé et les connectez via l'outil Call n8n Workflow.

Quelle est la différence entre le Tools Agent et les autres types d'agents ?

Le Tools Agent utilise une boucle de raisonnement ReAct et fonctionne avec n'importe quel outil. L'OpenAI Functions Agent utilise l'API native de function-calling d'OpenAI (légèrement plus rapide mais réservé à OpenAI). Le SQL Agent est spécialisé pour les requêtes de base de données. Le Plan and Execute Agent décompose les tâches complexes en sous-étapes. Pour la plupart des cas d'usage, commencez avec le Tools Agent.

Comment déployer un agent n8n en production ?

Pour l'auto-hébergement : utilisez Docker Compose avec PostgreSQL et Redis, activez le mode queue pour la mise à l'échelle horizontale et placez-le derrière un reverse proxy avec SSL. Pour le cloud : activez simplement le workflow — n8n gère l'infrastructure. Dans les deux cas, remplacez le Chat Trigger par un Webhook trigger pour que les applications externes puissent appeler votre agent.

Les agents n8n peuvent-ils gérer les téléchargements de fichiers et les images ?

n8n peut traiter les fichiers via sa gestion des données binaires. Vous pouvez créer des agents qui reçoivent des fichiers uploadés via webhook, extraient du texte (en utilisant un nœud Code avec un parseur PDF, par exemple) et raisonnent sur le contenu. L'analyse visuelle/d'images native dépend de la prise en charge des entrées multimodales par votre LLM (GPT-4o le fait, par exemple).

Sources

• n8n AI Agent Node Documentation
• n8n AI Agents Platform Overview
• n8n Pricing Plans
• n8n MCP Server Integration