IA & Data

n8n et agents IA : LLM, RAG et workflows sous contrôle

2 jour(s) • 14h

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

Jour 1 / Fondamentaux des agents IA et intégration des LLM (7h)

Module 1 / Workflows IA et agents IA : positionnement (1h30)

Workflow IA classique vs agent IA : décision, mémoire, outils, contrôle
Anatomie d'un agent : modèle LLM, prompt système, mémoire, outils disponibles, garde-fous
Le nœud Al Agent dans n8n : positionnement, capacités, limites
Cas d'usage adaptés aux workflows IA classiques (extraction, classification, génération simple)
Cas d'usage adaptés aux agents (tâches multi-étapes, décision, interaction conversationnelle)

Module 2 / Intégration des LLM dans n8n (2h)

Les nœuds IA n8n et leur logique de cluster : Agent, Basic LLM Chain, Chat Model, Memory, Tool, Output Parser, Embeddings, Retriever et Vector Store
Intégration des principaux fournisseurs de LLM : OpenAI, Anthropic, Mistral, Azure OpenAI, Groq, Ollama ou modèles compatibles selon l'environnement client
Modèles self-hosted via Ollama : positionnement et cas d'usage
Configuration des credentials LLM et gestion des coûts
Premiers appels à un LLM dans un workflow : Chat Model, Basic LLM Chain
Cas pratique : workflow d'extraction d'informations structurées à partir d'un texte libre

Module 3 / Prompt engineering et sorties structurées dans n8n (1h30)

Prompt système, prompt utilisateur et variables dynamiques
Templates de prompts avec expressions n8n
Sorties structurées : Structured Output Parser, JSON Schema, limites avec les agents, stratégie de parsing via chaîne LLM dédiée lorsque nécessaire
Gestion des erreurs de formatage et stratégies de re-prompting
Bonnes pratiques de prompting : clarté, exemples, contraintes, format attendu

Module 4 / Construire un premier agent IA outillé (2h)

Le nœud Al Agent : configuration de base, choix du modèle, prompt système
Mémoire des agents : Simple Memory, Postgres Chat Memory, Redis Chat Memory, Chat Memory Manager, limites de persistance et gestion de la taille du contexte
Premiers outils : recherche web, calculatrice, appel API
Cas pratique: agent conversationnel simple avec mémoire et un outil

Jour 2 / RAG, outils, orchestration et mise sous contrôle (7h)

Module 5 / RAG : Retrieval-Augmented Generation (2h30)

Principes du RAG : pourquoi et quand l'utiliser
Différence entre mémoire conversationnelle, base vectorielle et base documentaire
Embeddings : concepts, modèles disponibles (OpenAI, Cohere, modèles open-source)
Choix du stockage vectoriel : Simple Vector Store pour prototypage, Postgres/pgvector, Qdrant, Pinecone ou Supabase pour des usages plus structurés
Construction d'une chaîne RAG dans n8n : ingestion, chunking, indexation, retrieval
Combiner RAG et agent : enrichir un agent avec une base de connaissances
Cas pratique : agent de questions/réponses sur un corpus documentaire

Module 6 / Outils, actions et validation humaine (1h30)

Connecter un agent à des actions concrètes : base de données, API métier, envoi email, recherche web
Définition d'outils personnalisés : description, paramètres, sorties attendues
Stratégies de sélection d'outils par l'agent : bonnes pratiques
Sub-workflow Tool : déléguer une action complexe à un workflow n8n dédié
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)
Cas pratique: agent capable d'interroger une base de données et de déclencher des actions sous contrôle humain

Module 7 / Panorama des architectures multi-agents et orchestration contrôlée (1h30)

Pourquoi et quand recourir au multi-agents (et quand l'éviter)
Architectures multi-agents : agent chef d'orchestre, agents spécialisés, communication entre agents
Patterns d'orchestration : séquentiel, parallèle, hiérarchique
Limites et fragilités des architectures multi-agents en production
Cas pratique : orchestration simple de deux agents spécialisés pour un cas métier composé

Module 8 / Mise sous contrôle des workflows IA (1h)

Gestion des risques IA : hallucinations, dérives, sécurité des données
Points de vigilance RGPD : catégories de données, localisation/hébergement, sous-traitance, journalisation, minimisation, conservation et validation humaine
Audit des décisions : logging des prompts, des réponses et des actions
Stratégies de fallback et de dégradation gracieuse en cas d'échec LLM

Atelier final de synthèse (30 min)

Conception guidée d'un agent IA répondant à un cas métier des participants
Échanges sur les cas d'usage envisagés et les défis identifiés
Plan d'action individuel : chaque participant identifie 1 ou 2 agents prioritaires à expérimenter dans son contexte