Agent IA n8n : construire un chatbot avec mémoire, outils et RAG sur vos documents

Un agent IA n8n est un assistant construit dans n8n autour du nœud AI Agent : il reçoit une demande en langage naturel, s’appuie sur un modèle de langage pour raisonner, se souvient de la conversation grâce à une mémoire, utilise des outils pour agir et peut répondre à partir de vos propres documents grâce au RAG. Publié sous forme de chatbot, il peut accueillir vos clients sur votre site ou répondre aux questions internes de votre équipe.

Ce guide s’adresse aux entrepreneurs, freelances, consultants et équipes qui connaissent les bases de n8n et veulent passer aux agents. Si vous découvrez l’outil, commencez par notre tutoriel n8n sur les workflows, les nœuds et les webhooks. Ici, nous nous concentrons sur l’agent : sa configuration, sa mémoire, ses outils, le RAG et sa mise en ligne.

Qu’est-ce qu’un agent IA dans n8n ?

Un agent IA dans n8n est un nœud qui confie à un modèle de langage la conduite d’une tâche. Le modèle reçoit un message système, la question de l’utilisateur, l’historique de conversation et la liste des outils disponibles ; il décide alors de répondre directement ou d’appeler un ou plusieurs outils, puis formule sa réponse finale.

Le nœud AI Agent possède plusieurs entrées pour des sous-nœuds :

Entrée	Rôle	Obligatoire
Chat Model	Le modèle de langage qui raisonne et rédige	Oui
Memory	L’historique de la conversation	Non, mais indispensable pour un chatbot
Tool	Les actions que l’agent peut déclencher	Non, mais c’est ce qui en fait un agent
Output Parser	Le format imposé à la réponse (JSON structuré)	Non

C’est la différence avec une simple chaîne LLM (Basic LLM Chain), qui envoie une consigne au modèle et renvoie sa réponse, sans outils ni décision.

Pourquoi créer un chatbot n8n plutôt qu’un chatbot classique ?

Un chatbot n8n construit avec un agent apporte trois avantages par rapport à un chatbot à scénarios figés :

• Il comprend les demandes libres : pas besoin de prévoir chaque formulation.
• Il répond à partir de vos contenus : conditions générales, fiches produits, procédures internes, grâce au RAG.
• Il agit dans vos outils : vérifier une disponibilité dans un agenda, enregistrer une demande dans un tableau, envoyer un e-mail, consulter une commande par API.

Les cas d’usage typiques : support client de premier niveau, assistant commercial qui qualifie les prospects, assistant interne qui répond sur les procédures RH, agent de prise de rendez-vous, ou assistant de recherche dans une base documentaire. Pour un tour d’horizon plus large des méthodes et outils, notre guide pour créer un agent IA compare les approches avec et sans code.

Comment créer un agent IA n8n : les étapes

Nous allons construire un assistant de support qui répond aux questions à partir de la documentation de l’entreprise, se souvient de la conversation et peut enregistrer une demande de rappel.

Étape 1 — Ajouter le déclencheur de chat et le nœud AI Agent

Créez un nouveau workflow et choisissez le déclencheur Chat Trigger (« When chat message received »). Il fournit une fenêtre de chat de test dans l’éditeur et transmet deux informations essentielles : le message de l’utilisateur (chatInput) et un identifiant de session (sessionId).

Ajoutez ensuite le nœud AI Agent et reliez-le au déclencheur. Par défaut, il lit automatiquement le message transmis par le déclencheur de chat. Sous le nœud apparaissent les connecteurs des sous-nœuds : Chat Model, Memory, Tool.

Étape 2 — Connecter un modèle de langage

Cliquez sur l’entrée Chat Model et choisissez un fournisseur : OpenAI, Anthropic, Google Gemini, Mistral, Ollama pour un modèle local, ou d’autres. Créez l’identifiant avec votre clé d’API, puis sélectionnez le modèle.

Deux réglages comptent particulièrement :

• Le modèle : pour un agent qui utilise des outils, privilégiez un modèle réputé fiable en appel de fonctions. Un modèle plus petit coûte moins cher mais se trompe plus souvent d’outil.
• La température : basse (proche de 0) pour un assistant de support qui doit rester factuel, plus élevée pour un assistant de rédaction.

Étape 3 — Rédiger le message système

Dans les options du nœud AI Agent, ajoutez un message système (System Message). C’est la consigne permanente qui définit le rôle, le ton, les règles et l’usage des outils :

Tu es l'assistant du support client de l'entreprise.
Tu réponds en français, avec vouvoiement, en trois à cinq phrases maximum.
Pour toute question sur les produits, les tarifs ou les conditions,
utilise TOUJOURS l'outil "documentation" avant de répondre, et appuie-toi
uniquement sur les extraits retournés.
Si l'information n'y figure pas, dis-le et propose un rappel par un conseiller.
Pour enregistrer une demande de rappel, demande le nom, le téléphone et
le motif, puis utilise l'outil "enregistrer_rappel".
Ne promets jamais de délai, de remise ou de remboursement.

Un message système précis vaut mieux que de longues itérations : il nomme explicitement les outils, fixe les limites et décrit la conduite à tenir quand l’agent ne sait pas.

Étape 4 — Ajouter une mémoire à l’agent IA

Sans mémoire, chaque message est traité isolément : si l’utilisateur écrit « et pour la livraison ? », l’agent ne sait pas de quel produit il parle. La mémoire d’agent IA se connecte à l’entrée Memory.

Type de mémoire	Stockage	Usage recommandé
Simple Memory	En mémoire de l’instance n8n	Tests et prototypes
Postgres Chat Memory	Base PostgreSQL	Production, conversations persistantes
Redis Chat Memory	Serveur Redis	Production, accès rapide, expiration des sessions
MongoDB Chat Memory	Base MongoDB	Production si vous utilisez déjà MongoDB

Réglez la longueur de la fenêtre de contexte, c’est-à-dire le nombre d’échanges conservés. Une fenêtre de 5 à 10 échanges suffit dans la plupart des cas ; une fenêtre trop longue augmente le coût de chaque réponse sans améliorer la pertinence.

L’identifiant de session sépare les conversations : avec le Chat Trigger, il est fourni automatiquement. Si l’agent est appelé depuis un webhook ou une messagerie, définissez-le vous-même, par exemple à partir de l’identifiant de l’utilisateur. La mémoire simple est perdue au redémarrage de n8n et n’est pas adaptée à toutes les configurations de production : passez à une mémoire persistante avant la mise en ligne.

Étape 5 — Connecter des outils à l’agent

Les outils se branchent sur l’entrée Tool. n8n en propose de nombreux types :

• Outils d’applications : Google Sheets, Gmail, Google Agenda, Notion, Slack et bien d’autres, utilisables directement comme outils.
• HTTP Request Tool : pour appeler n’importe quelle API, par exemple le statut d’une commande.
• Call n8n Workflow Tool : pour déléguer une tâche complexe à un sous-workflow, qui peut contenir sa propre logique et ses contrôles.
• Code Tool et outils utilitaires comme la calculatrice.
• Base vectorielle en mode outil, pour le RAG (étape suivante).

Pour notre outil de rappel, ajoutez un nœud Google Sheets en mode outil, avec l’opération d’ajout de ligne. Nommez-le enregistrer_rappel et décrivez-le clairement : « Enregistre une demande de rappel. À utiliser uniquement quand le nom, le téléphone et le motif sont connus. » Pour chaque colonne, vous pouvez laisser le modèle remplir la valeur, grâce à l’option qui délègue le paramètre à l’IA ou à la fonction $fromAI() :

{{ $fromAI('telephone', 'Numéro de téléphone du client', 'string') }}

La description de l’outil est déterminante : c’est elle que le modèle lit pour décider quand l’utiliser. Un outil mal décrit est ignoré ou appelé à tort.

Étape 6 — Mettre en place le RAG dans n8n

Le RAG n8n permet à l’agent de répondre à partir de vos documents. Il se construit en deux parties.

Partie 1 : le workflow d’ingestion. Il prépare la base documentaire :

1. Un déclencheur (manuel, planifié, ou à l’ajout d’un fichier dans Google Drive).
2. Un nœud qui récupère les fichiers (Google Drive, HTTP Request, lecture de fichiers).
3. Un nœud de base vectorielle en mode insertion de documents : Simple Vector Store pour tester, Pinecone, Qdrant, Supabase, PGVector ou d’autres en production.
4. Rattachés à ce nœud : un sous-nœud d’embeddings (le modèle qui transforme le texte en vecteurs), un chargeur de données (Default Data Loader) et un découpeur de texte (Recursive Character Text Splitter), qui coupe les documents en morceaux.

Le découpage se règle avec la taille des morceaux et le chevauchement. Des morceaux de quelques centaines à un millier de caractères avec un léger chevauchement constituent un point de départ raisonnable ; ajustez selon la structure de vos documents.

Partie 2 : l’interrogation. Dans le workflow de l’agent, ajoutez le même type de base vectorielle en mode outil pour agent IA, avec le même modèle d’embeddings que lors de l’ingestion. Nommez l’outil documentation, décrivez son contenu, et réglez le nombre d’extraits retournés (par exemple 4). Quand un utilisateur pose une question, l’agent interroge la base, reçoit les passages les plus proches et rédige sa réponse à partir d’eux.

Pour comprendre le RAG plus en profondeur, avec du code et des modèles locaux, consultez notre guide RAG avec LangChain et Ollama.

Étape 7 — Intégrer le chatbot sur un site web

Dans le Chat Trigger, activez l’option qui rend le chat public, puis choisissez le mode : chat hébergé (n8n fournit une page de chat accessible par une URL) ou chat intégré (vous insérez un widget dans votre site). Renseignez les origines autorisées pour que seul votre domaine puisse appeler le chat, et définissez éventuellement un message d’accueil.

Pour le mode intégré, n8n fournit un paquet de widget de chat. Le principe est d’ajouter sur votre site un script de ce type, avec l’URL de production du webhook du chat :

<link href="https://cdn.jsdelivr.net/npm/@n8n/chat/dist/style.css" rel="stylesheet" />
<script type="module">
  import { createChat } from 'https://cdn.jsdelivr.net/npm/@n8n/chat/dist/chat.bundle.es.js';
  createChat({ webhookUrl: 'URL_DE_PRODUCTION_DU_CHAT' });
</script>

Le widget accepte des options de personnalisation (langue, textes d’accueil, apparence) décrites dans la documentation officielle de n8n. Activez ensuite le workflow : l’URL de production ne répond qu’une fois le workflow publié.

Étape 8 — Tester en conditions réelles et passer en production

Testez d’abord dans la fenêtre de chat de l’éditeur, puis sur le site réel. Pour chaque réponse, ouvrez l’exécution : le nœud AI Agent affiche les journaux détaillés (appels au modèle, outils utilisés, paramètres transmis, extraits RAG retournés). C’est là que l’on comprend pourquoi l’agent a répondu de telle façon.

Constituez un jeu d’une vingtaine de questions représentatives, incluant des questions hors sujet et des tentatives de détournement (« ignore tes instructions »). Avant la mise en production :

• remplacez la mémoire simple et la base vectorielle simple par des solutions persistantes ;
• limitez les outils à ce qui est strictement nécessaire et protégez les actions sensibles par une validation humaine, par exemple avec une opération d’envoi et d’attente de réponse par e-mail ou messagerie ;
• fixez un nombre maximal d’itérations de l’agent dans ses options pour éviter les boucles coûteuses ;
• configurez un workflow d’erreur et surveillez la consommation de jetons chez votre fournisseur.

Bonnes pratiques pour un agent IA fiable

• Un agent, une mission : un agent de support ne doit pas aussi gérer la comptabilité. Pour plusieurs domaines, créez plusieurs agents spécialisés, appelés comme outils par un agent principal.
• Des outils peu nombreux et bien décrits : au-delà d’une dizaine d’outils, le modèle hésite davantage. Regroupez les actions proches dans un sous-workflow.
• Des documents propres pour le RAG : titres explicites, informations à jour, pas de doublons contradictoires. Réingérez les documents quand ils changent.
• Des sorties structurées quand la réponse alimente d’autres nœuds : un analyseur de sortie impose un format JSON contrôlé.
• Une journalisation des conversations dans une base ou un tableau pour analyser les questions sans réponse et enrichir la documentation.
• Une transparence envers l’utilisateur : indiquez qu’il échange avec un assistant automatisé et proposez un contact humain.

Les erreurs fréquentes (et comment les éviter)

Erreur	Symptôme	Solution
Pas de mémoire connectée	L’agent oublie la question précédente	Ajouter une mémoire et vérifier l’identifiant de session
Même identifiant de session pour tous	Les conversations se mélangent entre utilisateurs	Utiliser l’identifiant fourni par le Chat Trigger ou l’identifiant utilisateur
Modèle d’embeddings différent entre ingestion et interrogation	Le RAG ne trouve rien de pertinent	Utiliser exactement le même modèle des deux côtés
Morceaux de texte trop gros ou trop petits	Réponses vagues ou hors contexte	Ajuster taille et chevauchement, tester sur des questions réelles
Outil mal décrit	L’agent ne l’utilise jamais, ou à tort	Description précise : ce qu’il fait, quand l’utiliser, quelles données
Mémoire simple en production	Historique perdu au redémarrage	Mémoire Postgres, Redis ou MongoDB
Widget branché sur l’URL de test	Le chatbot ne répond plus hors de l’éditeur	URL de production et workflow activé
Aucun garde-fou sur les actions	Actions non souhaitées déclenchées par l’IA	Validation humaine et outils à périmètre limité

Agent IA n8n ou autres solutions : comparaison

Selon votre contexte, d’autres approches peuvent être plus adaptées.

Critère	Agent IA n8n	Copilot Studio	Agent codé (Python, frameworks)
Compétences requises	Logique d’automatisation, sans code obligatoire	Low-code, écosystème Microsoft	Développement
Choix du modèle	Libre, y compris modèles locaux	Principalement géré par Microsoft	Libre
Intégrations	Nombreux nœuds et API	Connecteurs Power Platform	À développer
RAG	Nœuds de bases vectorielles intégrés	Sources de connaissances intégrées	Bibliothèques spécialisées
Hébergement	Cloud ou auto-hébergé	Cloud Microsoft	Au choix
Idéal pour	PME, freelances, prototypes rapides mis en production	Entreprises sous Microsoft 365	Besoins très spécifiques ou à grande échelle

Si votre organisation est entièrement équipée de Microsoft 365, Copilot Studio offre une intégration plus directe à Teams et SharePoint. n8n se distingue par sa liberté de choix du modèle, son auto-hébergement possible et la facilité avec laquelle l’agent s’insère dans des automatisations existantes.

Comment apprendre à créer des agents IA avec n8n ?

Un parcours efficace, à condition de maîtriser les bases de n8n :

1. Premier agent (15 minutes) : Chat Trigger, nœud AI Agent, modèle de langage, message système.
2. Mémoire (10 minutes) : mémoire simple, fenêtre de contexte, identifiant de session, puis mémoire persistante.
3. Chatbot web (20 minutes) : chat public, mode intégré, widget sur un site, tests en conditions réelles.
4. Outils (15 minutes) : Google Sheets, HTTP Request, sous-workflows, descriptions et paramètres délégués à l’IA.
5. RAG (15 minutes et de la pratique) : workflow d’ingestion, découpage, embeddings, base vectorielle en mode outil.

Pour être accompagné sur ce parcours, la formation sur les agents IA et le RAG dans n8n d’EspritAcadémique dure un peu plus d’une heure, ne demande aucun prérequis technique et fournit des fichiers ressources. Elle couvre notamment :

• la création d’un premier agent IA dans n8n avec son modèle et ses instructions ;
• l’ajout d’une mémoire conversationnelle ;
• l’intégration du chatbot sur un site web et ses tests en conditions réelles ;
• la connexion d’outils pour permettre à l’agent d’agir ;
• la compréhension et la mise en œuvre du RAG sur vos propres documents.

En résumé

Un agent IA n8n se construit autour du nœud AI Agent : un modèle de langage pour raisonner, un message système précis, une mémoire identifiée par session, des outils bien décrits et une base vectorielle pour répondre à partir de vos documents. Publié via le déclencheur de chat, il devient un chatbot intégrable à n’importe quel site. Testez-le sur des questions réelles, remplacez les composants simples par des solutions persistantes et encadrez les actions sensibles avant de le mettre en production.