Cours N8N

Séquence automatisée d’actions connectées entre elles. Dans N8N, c’est l’ensemble des nodes reliés qui s’exécutent du trigger à la dernière action.

Brique élémentaire d’un workflow. Chaque node effectue une action : envoyer un email, appeler une API, transformer des données, etc.

Node de démarrage d’un workflow. Il décide QUAND le workflow se lance (manuellement, à heure fixe, quand un événement se produit).

L’espace de travail visuel de N8N où tu glisses-déposes les nodes et les relies entre eux.

Le lancement d’un workflow du début à la fin. Chaque exécution produit des logs et des données de sortie.

Le lien entre deux nodes qui définit le flux de données. Les données passent d’un node à l’autre via ces connexions.

Identifiant stocké de manière sécurisée pour connecter un service externe (Gmail, Sheets, API...).

Formule dynamique {{ $json.champ }} qui permet d’accéder aux données du node précédent et de les transformer.

Post-it virtuel dans N8N pour documenter et annoter tes workflows.

Workflow appelé par un autre workflow via le node « Execute Workflow ». Permet de modulariser et réutiliser la logique.

Node N8N qui découpe une liste en paquets pour traitement par lots, évitant les surcharges et le rate limiting.

Node spécial qui se déclenche quand un autre workflow échoue, permettant de gérer les erreurs centralement.

Fonctionnalité N8N qui permet de figer les données d’un node pour tester sans relancer tout le workflow.

Trigger qui lance le workflow manuellement quand tu cliques sur « Test Workflow ».

Trigger basé sur un planning (toutes les 5 minutes, chaque lundi à 9h, etc.). Utilise la syntaxe Cron.

Un workflow actif tourne en production et réagit aux triggers. Un workflow inactif ne s’exécute pas automatiquement.

Interface qui permet à deux logiciels de communiquer entre eux. N8N utilise des APIs pour se connecter à Gmail, Slack, etc.

Style d’architecture API basé sur HTTP. La majorité des APIs modernes sont REST.

Le node N8N universel pour appeler n’importe quelle API via une requête HTTP.

L’URL spécifique d’une API qui correspond à une action précise (ex : /api/users pour lister les utilisateurs).

URL qui attend de recevoir des données. Quand quelqu’un envoie des données à cette URL, le workflow se déclenche automatiquement.

Méthode HTTP pour lire/récupérer des données depuis une API.

Méthode HTTP pour envoyer/créer des données vers une API.

Méthode HTTP pour mettre à jour des données existantes.

Méthode HTTP pour supprimer des données.

Méthode HTTP pour mettre à jour partiellement des données.

Métadonnées envoyées avec une requête HTTP (authentification, type de contenu, etc.).

Le contenu/les données envoyées dans une requête POST ou PUT.

Code numérique retourné par une API indiquant le résultat (200 = OK, 404 = non trouvé, 500 = erreur serveur).

Processus de vérification d’identité pour accéder à une API.

Protocole d’authentification sécurisé utilisé par Google, Microsoft, etc. Permet de se connecter sans partager son mot de passe.

Clé secrète utilisée pour s’authentifier auprès d’une API. À ne jamais exposer publiquement.

Jeton d’authentification envoyé dans le header d’une requête HTTP.

Limitation du nombre de requêtes qu’on peut envoyer à une API dans un temps donné (ex : 100 requêtes/minute).

Mécanisme pour récupérer de grandes quantités de données par pages successives plutôt qu’en une seule fois.

Commande en ligne pour envoyer des requêtes HTTP. N8N permet d’importer un cURL pour configurer automatiquement un HTTP Request.

Les données transmises dans une requête ou une réponse API.

Paramètre ajouté à l’URL après le « ? » (ex : ?page=2&limit=10).

Les données retournées par une API après une requête.

Marketplace d’APIs qui regroupe des milliers d’APIs prêtes à l’emploi avec une clé unique.

Délai maximum d’attente d’une réponse avant de considérer qu’une requête a échoué.

Mécanisme de sécurité du navigateur qui contrôle les requêtes entre domaines différents.

Format universel de données utilisé par N8N et la majorité des APIs. Structure clé-valeur : {"nom": "Alice", "age": 25}.

Format tabulaire simple (comme Excel) où les données sont séparées par des virgules.

Format de données structuré avec des balises. Plus ancien et verbeux que le JSON.

Liste ordonnée de valeurs en JSON. Ex : ["Alice", "Bob", "Charlie"].

Ensemble de paires clé-valeur en JSON. Ex : {"nom": "Alice"}.

Analyse et extraction de données depuis un format brut (texte, HTML, JSON...).

Association de champs entre deux structures de données (ex : « email » du CRM → « destinataire » dans Gmail).

Combinaison de données provenant de deux sources ou branches différentes dans un workflow.

Séparation d’un flux de données en plusieurs branches selon des conditions.

Sélection de données selon des critères (ex : ne garder que les emails non lus).

Modification du format ou de la structure des données (renommer des champs, calculer, convertir...).

Processus d’extraction de données d’une source, transformation, puis chargement dans une destination.

Structure/modèle qui définit les champs attendus et leurs types dans un jeu de données.

Chaîne de traitement automatisée qui fait circuler les données d’une source à une destination.

Structure de base du JSON où chaque donnée a un nom (clé) et un contenu (valeur).

Type de données texte (entre guillemets). Ex : "Bonjour".

Type de données numérique. Ex : 42, 3.14.

Type de données vrai/faux. Ex : true, false.

Valeur qui représente l’absence de donnée.

Encodage qui convertit des données binaires (images, fichiers) en texte pour les transmettre dans du JSON.

Grand modèle de langage entraîné sur d’énormes quantités de texte. GPT-4, Claude, Mistral sont des LLM.

Technique qui enrichit un LLM avec du contexte issu de tes propres documents pour des réponses fiables et sourcées.

Représentation numérique (vecteur) d’un texte qui capture son sens sémantique. Permet la recherche par similarité.

Base de données spécialisée qui stocke et recherche des embeddings. Ex : Pinecone, Supabase, ChromaDB.

Instruction ou question envoyée à un LLM pour obtenir une réponse.

Instructions de base données à un agent IA pour définir son rôle, son ton et ses limites. Persiste tout au long de la conversation.

Unité de texte traitée par un LLM (environ ¾ d’un mot). Les coûts API sont calculés en tokens.

Système autonome qui utilise un LLM pour raisonner, prendre des décisions et exécuter des actions via des outils.

Quand un LLM invente une information fausse avec assurance. Le RAG et les garde-fous réduisent ce risque.

Entraînement complémentaire d’un LLM sur des données spécifiques pour l’adapter à un domaine.

Quantité maximale de texte (en tokens) qu’un LLM peut traiter en une seule fois. Ex : 128K tokens pour GPT-4.

Paramètre qui contrôle la créativité d’un LLM. 0 = déterministe, 1 = créatif.

Découpage d’un document en morceaux (chunks) avant de les convertir en embeddings pour le RAG.

Node N8N qui charge des documents (PDF, Google Docs, fichiers texte) pour les indexer dans un Vector Store.

Recherche basée sur le sens plutôt que sur les mots exacts. Utilise les embeddings.

Protocole standardisé par Anthropic qui permet aux agents IA de se connecter à des outils et sources de données externes de manière sécurisée.

Capacité d’un LLM à appeler des fonctions/outils externes pour obtenir des informations ou exécuter des actions.

Technique de prompting qui demande au LLM de détailler son raisonnement étape par étape.

Règles définies dans le system prompt pour empêcher un agent IA d’halluciner, sortir de son périmètre, ou donner des infos sensibles.

Mécanisme qui permet à un agent IA de se souvenir des échanges précédents dans une conversation.

Capacité d’un agent IA à utiliser des outils (recherche web, calcul, API) pour enrichir ses réponses.

LLM capable de traiter plusieurs types de données : texte, images, audio, vidéo.

Entreprise créatrice de GPT-4, ChatGPT et de l’API OpenAI.

Entreprise créatrice de Claude et du protocole MCP.

Entreprise française d'IA qui développe des LLM open source performants (Mistral 7B, Mixtral, Mistral Large). Alternative européenne à OpenAI et Anthropic.

Famille de LLM de Google (anciennement Bard). Modèles multimodaux capables de traiter texte, images, vidéo et code.

Famille de LLM open source de Meta. Largement utilisés pour le self-hosting et le fine-tuning, car téléchargeables et modifiables librement.

Outil pour exécuter des LLM en local sur ton ordinateur (Llama, Mistral, Phi...). Aucune donnée envoyée à l'extérieur, gratuit et privé.

Architecture fondamentale des LLM modernes, basée sur le mécanisme d'attention. Inventée par Google en 2017, elle est à la base de GPT, Claude, Gemini, etc.

Mécanisme qui permet au modèle de se concentrer sur les parties les plus pertinentes du texte pour générer sa réponse. C'est le coeur des Transformers.

Le processus par lequel un LLM génère une réponse à partir d'un prompt. C'est l'utilisation du modèle (vs l'entraînement qui le crée).

Phase où le modèle apprend à partir de grandes quantités de données textuelles. Coûte des millions de dollars et nécessite des GPU massifs.

Reinforcement Learning from Human Feedback. Technique d'entraînement où des humains évaluent les réponses du modèle pour l'améliorer (utilisé par ChatGPT, Claude).

Techniques de prompting. Zero-shot : demander sans donner d'exemple. Few-shot : donner quelques exemples pour guider la réponse. Améliore la précision.

L'art de formuler des instructions précises pour obtenir les meilleures réponses d'un LLM. Compétence clé pour construire des agents IA efficaces.

Paramètres qui contrôlent la diversité des réponses d'un LLM. Top-P (nucleus sampling) sélectionne parmi les tokens les plus probables jusqu'à un seuil cumulé.

Séquence de caractères qui indique au LLM de s'arrêter de générer. Utile pour contrôler la longueur et le format des réponses.

Mode où la réponse du LLM s'affiche token par token en temps réel, plutôt que d'attendre la réponse complète. Améliore l'expérience utilisateur.

Mesure mathématique de similarité entre deux vecteurs (embeddings). Plus la valeur est proche de 1, plus les textes sont sémantiquement proches.

Framework open source pour construire des applications basées sur des LLM : agents, RAG, chaînes de traitement. N8N intègre des concepts similaires nativement.

Plateforme communautaire qui héberge des milliers de modèles IA open source (LLM, vision, audio). Le « GitHub de l'IA ».

Processeur graphique utilisé pour l'entraînement et l'inférence des modèles IA. Les GPU NVIDIA (A100, H100) sont la référence pour l'IA.

Programme conversationnel qui interagit avec les utilisateurs en langage naturel. Les chatbots modernes utilisent des LLM pour des réponses intelligentes.

Domaine de l'IA qui permet aux machines de comprendre, interpréter et générer du langage humain. Les LLM sont la dernière évolution du NLP.

Domaine de l'IA qui permet aux machines d'analyser et comprendre des images et vidéos. Utilisé pour la reconnaissance d'objets, l'OCR, etc.

Technologie qui convertit du texte dans une image ou un PDF scanné en texte éditable. Essentiel pour indexer des documents dans un système RAG.

Technique d'IA qui détecte l'émotion ou l'opinion dans un texte (positif, négatif, neutre). Utile pour analyser des avis clients ou des emails.

Tâche d'IA qui consiste à catégoriser automatiquement du contenu (emails, tickets, documents) dans des catégories prédéfinies.

Capacité d'un LLM à synthétiser un texte long en un résumé concis. Très utilisé dans les workflows pour traiter de grands volumes de contenu.

Technique qui identifie et extrait automatiquement des informations structurées d'un texte : noms, dates, montants, emails, numéros de téléphone, etc.

Technologie qui convertit du texte en parole audio. Utilisée pour créer des assistants vocaux ou narrer du contenu automatiquement.

Technologie qui convertit de la parole audio en texte écrit. Whisper d'OpenAI est le modèle de référence. Utile pour transcrire des réunions ou des appels.

IA qui crée des images à partir de descriptions textuelles. DALL-E (OpenAI), Midjourney, Stable Diffusion sont les principaux outils.

Architecture utilisée pour la génération d'images. Le modèle apprend à « débruiter » progressivement une image aléatoire pour créer une image cohérente.

Domaine de recherche visant à rendre l'IA sûre et alignée avec les intentions humaines. Inclut la prévention des biais, la robustesse et le contrôle.

Distorsion dans les réponses d'un modèle causée par des déséquilibres dans les données d'entraînement. Peut produire des résultats discriminatoires ou inexacts.

LLM dont les poids (weights) sont publiquement disponibles et téléchargeables. Permet le self-hosting, le fine-tuning et l'audit. Ex : LLaMA, Mistral.

Interface pour intégrer un LLM dans tes workflows via des requêtes HTTP. Tu envoies un prompt et reçois une réponse. Facturé au nombre de tokens.

Workflow où un agent IA prend des décisions autonomes, utilise des outils et itère jusqu'à atteindre son objectif. Va au-delà du simple prompt-réponse.

Amélioration du RAG classique où les résultats de la recherche vectorielle sont re-classés par pertinence avant d'être envoyés au LLM. Améliore la précision.

Structure de données qui représente des entités et leurs relations. Complémentaire au RAG pour des réponses qui nécessitent de raisonner sur des liens entre concepts.

Test standardisé pour mesurer et comparer les performances de différents modèles IA (MMLU, HumanEval, etc.). Permet de choisir le meilleur modèle pour un usage.

Technique de compression qui réduit la taille d'un modèle en diminuant la précision des poids (32 bits → 4 bits). Permet d'exécuter des LLM sur du matériel modeste.

Low-Rank Adaptation. Technique de fine-tuning léger qui modifie seulement une petite partie des poids du modèle. Beaucoup moins coûteux qu'un fine-tuning complet.

Technique qui lie les réponses de l'IA à des sources vérifiables. Le RAG est une forme de grounding : l'IA cite ses sources au lieu d'inventer.

Hébergement sur son propre serveur. N8N peut être auto-hébergé gratuitement (vs la version cloud payante).

Hébergement sur les serveurs d’un fournisseur (AWS, Google Cloud, N8N Cloud...).

Technologie de conteneurisation qui empaquette une application et ses dépendances pour un déploiement facile et reproductible.

Mise en production d’un workflow ou d’une application pour qu’il soit accessible et actif.

Valeur de configuration stockée au niveau du serveur (ex : clé API, URL de base). Accessible dans N8N via $env.

Surveillance continue du bon fonctionnement des workflows en production (alertes, logs, métriques).

Enregistrement des événements et actions d’un système pour le debugging et l’audit.

Mécanismes pour détecter, gérer et récupérer des erreurs dans un workflow.

Pattern de gestion d’erreurs : on « essaie » (try) une action, et si elle échoue, on « attrape » (catch) l’erreur pour la traiter.

Mécanisme qui relance automatiquement une action échouée après un délai. Utile pour les erreurs temporaires.

Traitement de données en groupes plutôt qu’un par un. Évite les surcharges et respecte les rate limits.

Exécution qui n’attend pas la fin d’une tâche pour passer à la suivante. Permet le traitement parallèle.

Exécution séquentielle où chaque tâche attend la fin de la précédente.

Structure qui met les tâches en attente pour les traiter dans l’ordre, évitant les surcharges.

Capacité d’un système à supporter une charge croissante sans perdre en performance.

Délai entre l’envoi d’une requête et la réception de la réponse. Mesurée en millisecondes.

Pourcentage de temps pendant lequel un service est opérationnel (ex : 99.9% uptime).

Protocole de chiffrement qui sécurise les communications entre un client et un serveur (le « s » de https).

Serveur intermédiaire qui redirige les requêtes vers le bon service en interne. Ex : Nginx, Caddy.

Copie de sécurité des données et configurations pour récupération en cas de problème.

Automatisation des tests et du déploiement du code à chaque modification.

Syntaxe standard pour planifier des tâches récurrentes. Ex : 0 9 * * 1 = chaque lundi à 9h.

Une opération idempotente produit le même résultat même si elle est exécutée plusieurs fois. Important pour les retry.

Approche de développement qui permet de créer des applications et automatisations sans écrire de code.

Approche hybride qui combine interface visuelle et possibilité d’écrire du code quand nécessaire.

Plateforme d’automatisation no-code concurrente de N8N. Payante, fermée, mais avec +6000 intégrations.

Plateforme d’automatisation no-code concurrente. Interface visuelle avancée.

Base de données collaborative no-code, souvent utilisée comme CRM ou outil de gestion.

Tableur en ligne de Google, très utilisé comme base de données simple dans les automatisations.

Outil de productivité tout-en-un (notes, bases de données, wiki) avec une API pour l’automatisation.

Messagerie d’équipe souvent intégrée dans les workflows pour les notifications.

Logiciel de gestion de la relation client (HubSpot, Salesforce, Pipedrive...).

Logiciel accessible via internet par abonnement (Gmail, Slack, N8N Cloud...).

Plateforme cloud d’intégration d’applications. N8N, Zapier, Make sont des iPaaS.