Description
n8n propose aujourd'hui des briques avancées pour intégrer des modèles de langage, des outils, de la mémoire et des chaînes RAG dans des workflows automatisés. Au-delà de la simple consommation d'API LLM, n8n permet de construire des agents outillés, capables de sélectionner des actions, d'utiliser une mémoire conversationnelle et d'interagir avec des services externes sous contrôle humain. Cette formation s'adresse à des participants déjà familiers de n8n qui souhaitent intégrer des modèles de langage dans des workflows opérationnels, concevoir des agents IA outillés, mettre en place des chaînes RAG et encadrer les usages par des mécanismes de validation, de journalisation et de contrôle. Elle permet de comprendre les briques IA de n8n, leurs limites, et les bonnes pratiques pour passer d'un prototype IA à un workflow exploitable en contexte professionnel.
Objectifs pédagogiques
- Comprendre la différence entre un workflow IA classique et un agent IA, et identifier les cas d'usage adaptés
- Intégrer des LLM dans des workflows n8n selon l'environnement client (OpenAI, Anthropic, Mistral, Azure OpenAI, Groq, Ollama ou modèles compatibles)
- Concevoir et configurer un agent IA n8n outillé : modèle, prompt système, mémoire, outils, limites et garde-fous
- Mettre en oeuvre des solutions RAG : embeddings, bases vectorielles, retrieval contextualisé
- Pratiquer le prompt engineering dans n8n : prompt système, variables dynamiques, formatage des sorties
- Comprendre les principaux patterns d'orchestration multi-agents et concevoir une orchestration simple sous contrôle
- Mettre sous contrôle les workflows IA : validation humaine, sorties structurées, journalisation, gestion des hallucinations, données sensibles et points de vigilance RGPD
Public concerné
Développeurs back, front et fullstack souhaitant intégrer l'IA dans leurs workflows
Data engineers et data analysts manipulant des LLM
Intégrateurs et automaticiens en charge de processus métier intelligents
Chefs de projet technique pilotant des cas d'usage IA
Prérequis
Avoir déjà conçu et exécuté des workflows n8n
Maîtrise des API REST et du format JSON
Pratique du JavaScript ou d'un langage de scripting équivalent
Notions générales sur les LLM et l'IA générative appréciées
Aucune expertise préalable en agents IA requise
Déroulé du programme
1
Jour 1 / Fondamentaux des agents IA et intégration des LLM (7h)
7h
2
Module 1 / Workflows IA et agents IA : positionnement (1h30)
1h
3
• Workflow IA classique vs agent IA : décision, mémoire, outils, contrôle
4
• Anatomie d'un agent : modèle LLM, prompt système, mémoire, outils disponibles, garde-fous
5
• Le nœud Al Agent dans n8n : positionnement, capacités, limites
6
• Cas d'usage adaptés aux workflows IA classiques (extraction, classification, génération simple)
7
• Cas d'usage adaptés aux agents (tâches multi-étapes, décision, interaction conversationnelle)
8
Module 2 / Intégration des LLM dans n8n (2h)
2h
9
• Les nœuds IA n8n et leur logique de cluster : Agent, Basic LLM Chain, Chat Model, Memory, Tool, Output Parser, Embeddings, Retriever et Vector Store
10
• Intégration des principaux fournisseurs de LLM : OpenAI, Anthropic, Mistral, Azure OpenAI, Groq, Ollama ou modèles compatibles selon l'environnement client
11
• Modèles self-hosted via Ollama : positionnement et cas d'usage
12
• Configuration des credentials LLM et gestion des coûts
13
• Premiers appels à un LLM dans un workflow : Chat Model, Basic LLM Chain
14
• Cas pratique : workflow d'extraction d'informations structurées à partir d'un texte libre
15
Module 3 / Prompt engineering et sorties structurées dans n8n (1h30)
1h
16
• Prompt système, prompt utilisateur et variables dynamiques
17
• Templates de prompts avec expressions n8n
18
• Sorties structurées : Structured Output Parser, JSON Schema, limites avec les agents, stratégie de parsing via chaîne LLM dédiée lorsque nécessaire
19
• Gestion des erreurs de formatage et stratégies de re-prompting
20
• Bonnes pratiques de prompting : clarté, exemples, contraintes, format attendu
21
Module 4 / Construire un premier agent IA outillé (2h)
2h
22
• Le nœud Al Agent : configuration de base, choix du modèle, prompt système
23
• Mémoire des agents : Simple Memory, Postgres Chat Memory, Redis Chat Memory, Chat Memory Manager, limites de persistance et gestion de la taille du contexte
24
• Premiers outils : recherche web, calculatrice, appel API
25
• Cas pratique: agent conversationnel simple avec mémoire et un outil
26
Jour 2 / RAG, outils, orchestration et mise sous contrôle (7h)
7h
27
Module 5 / RAG : Retrieval-Augmented Generation (2h30)
2h
28
• Principes du RAG : pourquoi et quand l'utiliser
29
• Différence entre mémoire conversationnelle, base vectorielle et base documentaire
30
• Embeddings : concepts, modèles disponibles (OpenAI, Cohere, modèles open-source)
31
• Choix du stockage vectoriel : Simple Vector Store pour prototypage, Postgres/pgvector, Qdrant, Pinecone ou Supabase pour des usages plus structurés
32
• Construction d'une chaîne RAG dans n8n : ingestion, chunking, indexation, retrieval
33
• Combiner RAG et agent : enrichir un agent avec une base de connaissances
34
• Cas pratique : agent de questions/réponses sur un corpus documentaire
35
Module 6 / Outils, actions et validation humaine (1h30)
1h
36
• Connecter un agent à des actions concrètes : base de données, API métier, envoi email, recherche web
37
• Définition d'outils personnalisés : description, paramètres, sorties attendues
38
• Stratégies de sélection d'outils par l'agent : bonnes pratiques
39
• Sub-workflow Tool : déléguer une action complexe à un workflow n8n dédié
40
• Outils à risque et validation humaine : demander une approbation avant envoi d'email, modification de données, suppression ou action externe (Chat, Slack, Teams, Gmail, Outlook, Telegram, WhatsApp Business Cloud, Google Chat)
41
• Cas pratique: agent capable d'interroger une base de données et de déclencher des actions sous contrôle humain
42
Module 7 / Panorama des architectures multi-agents et orchestration contrôlée (1h30)
1h
43
• Pourquoi et quand recourir au multi-agents (et quand l'éviter)
44
• Architectures multi-agents : agent chef d'orchestre, agents spécialisés, communication entre agents
45
• Patterns d'orchestration : séquentiel, parallèle, hiérarchique
46
• Limites et fragilités des architectures multi-agents en production
47
• Cas pratique : orchestration simple de deux agents spécialisés pour un cas métier composé
48
Module 8 / Mise sous contrôle des workflows IA (1h)
1h
49
• Gestion des risques IA : hallucinations, dérives, sécurité des données
50
• Points de vigilance RGPD : catégories de données, localisation/hébergement, sous-traitance, journalisation, minimisation, conservation et validation humaine
51
• Audit des décisions : logging des prompts, des réponses et des actions
52
• Stratégies de fallback et de dégradation gracieuse en cas d'échec LLM
53
Atelier final de synthèse (30 min)
54
• Conception guidée d'un agent IA répondant à un cas métier des participants
55
• Échanges sur les cas d'usage envisagés et les défis identifiés
56
• Plan d'action individuel : chaque participant identifie 1 ou 2 agents prioritaires à expérimenter dans son contexte
Informations
Durée
2 jour(s)
14h
Tarif
Sur demande
Formations similaires
IA & Data
Migration vers le Cloud
2 jour(s)
Sur demande
IA & Data
Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
3 jour(s)
Sur demande
IA & Data
AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
1 jour(s)
Sur demande
IA & Data
Analyse bayésienne (4-107)
3 jour(s)
Sur demande