Votre banque de workflows N8N

Ce workflow n8n a pour objectif de créer un chatbot intelligent sur Telegram capable de gérer des notes et de mémoriser des informations à long terme. En intégrant des outils d'intelligence artificielle, ce système permet aux utilisateurs de recevoir des réponses contextuelles tout en stockant et en récupérant des notes via Google Docs. Ce type d'automatisation n8n est particulièrement utile pour les équipes qui souhaitent améliorer leur productivité en centralisant les informations et en facilitant les échanges au sein de leur organisation. Le workflow commence par un déclencheur de type 'When chat message received', qui active le processus dès qu'un message est reçu sur Telegram. Ensuite, plusieurs nœuds de type 'Sticky Note' sont utilisés pour créer des notes visuelles, tandis que le nœud 'gpt-4o-mini' génère des réponses basées sur l'IA. Les notes sont ensuite sauvegardées dans Google Docs grâce aux nœuds 'Save Notes' et 'Save Long Term Memories'. La mémoire à long terme est gérée par les nœuds 'Retrieve Long Term Memories' et 'Retrieve Notes', permettant une consultation facile des informations stockées. Les bénéfices de ce workflow incluent une meilleure organisation des informations, une réduction du temps passé à chercher des notes et une amélioration de la communication au sein des équipes. En intégrant des fonctionnalités d'IA, ce système permet également d'optimiser les interactions avec les utilisateurs, rendant l'expérience plus fluide et efficace.

Ce workflow n8n a pour objectif de tester plusieurs modèles de langage local à l'aide de LM Studio et d'analyser leurs performances. Dans un contexte où les entreprises cherchent à optimiser l'utilisation des modèles d'intelligence artificielle, ce workflow permet de capturer des données précieuses sur les performances des modèles en temps réel. Les cas d'usage incluent l'évaluation de la qualité des réponses générées par les modèles et l'optimisation des processus de communication. Étape 1 : le déclencheur 'When chat message received' active le workflow lors de la réception d'un message. Étape 2 : le noeud 'Get Models' récupère les modèles disponibles via une requête HTTP. Étape 3 : les noeuds 'Sticky Note' sont utilisés pour afficher des informations pertinentes tout au long du processus. Étape 4 : le noeud 'Run Model with Dynamic Inputs' exécute le modèle sélectionné avec des entrées dynamiques. Étape 5 : les résultats sont analysés à l'aide du noeud 'Analyze LLM Response Metrics' et sauvegardés dans Google Sheets via le noeud 'Save Results to Google Sheets'. Ce workflow offre une valeur ajoutée significative en permettant aux entreprises de mieux comprendre et d'optimiser l'utilisation des modèles LLM, réduisant ainsi le temps d'analyse et améliorant la qualité des interactions.

Ce workflow n8n a pour objectif d'automatiser la gestion de projets en intégrant Google Sheets. Dans un contexte où la collaboration et la mise à jour des informations en temps réel sont essentielles, ce workflow permet aux équipes de suivre l'avancement de leurs projets sans avoir à mettre à jour manuellement les feuilles de calcul. Grâce à l'automatisation n8n, les utilisateurs peuvent facilement synchroniser les données entre différentes sources et Google Sheets, ce qui réduit les erreurs et améliore l'efficacité. Étape 1 : le workflow est déclenché par un événement spécifique, comme l'ajout d'une nouvelle ligne dans une feuille Google Sheets. Étape 2 : les données sont ensuite traitées pour extraire les informations pertinentes. Étape 3 : selon les conditions définies, le workflow peut envoyer des notifications via des outils comme Discord ou par e-mail pour informer les membres de l'équipe des mises à jour. En intégrant ce type d'automatisation, les entreprises peuvent gagner un temps précieux, réduire les risques d'erreurs humaines et améliorer la collaboration entre les équipes. La valeur ajoutée réside dans la capacité à centraliser les informations et à garantir que chaque membre de l'équipe dispose des données les plus récentes.

Ce workflow n8n a pour objectif d'automatiser la collecte et la synthèse des actualités financières, puis de les envoyer par email. Dans un contexte où les professionnels du secteur financier doivent rester informés des dernières nouvelles, cette automatisation permet de gagner un temps précieux en centralisant l'information. Les utilisateurs peuvent ainsi se concentrer sur l'analyse et la prise de décision plutôt que sur la recherche d'informations. Le processus commence par un déclencheur programmé qui active le workflow à intervalles réguliers. Ensuite, le noeud 'Get financial news online' effectue une requête HTTP pour récupérer les dernières actualités financières. Les données extraites sont ensuite traitées par le noeud 'Extract specific content', qui sélectionne les informations pertinentes. Ces éléments sont ensuite rassemblés dans le noeud 'Gather the elements' avant d'être analysés par l'agent IA via le noeud 'AI Agent'. Ce dernier utilise le modèle Google Gemini pour générer un résumé cohérent des nouvelles. Enfin, le résumé est envoyé par email grâce au noeud 'Send the summary by e-mail', permettant ainsi aux utilisateurs de recevoir directement les informations essentielles dans leur boîte de réception. Cette automatisation n8n apporte une réelle valeur ajoutée en simplifiant le processus de veille informationnelle et en assurant une diffusion rapide et efficace des actualités.

Ce workflow n8n est conçu pour automatiser la gestion des interactions sur Telegram en intégrant un agent AI capable de mémoriser des informations à long terme. Il s'adresse aux entreprises qui souhaitent améliorer leur communication client tout en optimisant le suivi des échanges. Par exemple, ce système peut être utilisé par des équipes de support client pour garder une trace des conversations et des données importantes, facilitant ainsi la continuité des échanges. Le workflow débute par un déclencheur Webhook qui écoute les événements sur Telegram. Lorsque qu'un message est reçu, il est traité par plusieurs nœuds, notamment le nœud 'Check User & Chat ID' qui valide l'identité de l'utilisateur et du chat. Ensuite, le 'Message Router' dirige le flux vers l'agent AI qui génère des réponses basées sur le contexte de la conversation. Les nœuds 'Save Long Term Memories' et 'Retrieve Long Term Memories' interagissent avec Google Docs pour stocker et récupérer des informations pertinentes, assurant ainsi que l'agent AI dispose toujours des données nécessaires pour des réponses contextualisées. Les bénéfices de cette automatisation n8n sont multiples : elle permet de réduire le temps de réponse aux clients, d'améliorer la satisfaction client grâce à des interactions plus personnalisées, et d'optimiser la gestion des informations critiques, ce qui est essentiel pour toute entreprise cherchant à se démarquer dans un environnement concurrentiel.

Ce workflow n8n a pour objectif de gérer des flux d'informations en temps réel via un Webhook. Il est particulièrement utile pour les entreprises qui souhaitent automatiser la collecte et le traitement de données, par exemple dans le cadre de la gestion de projets ou de la création de contenu. Grâce à cette automatisation n8n, les utilisateurs peuvent recevoir des mises à jour instantanées et gérer efficacement leurs flux de travail. Le processus commence par un déclencheur Webhook qui reçoit des données. Ensuite, le workflow utilise plusieurs nœuds pour traiter ces données, notamment le nœud 'FLUX Fill' qui effectue des requêtes HTTP pour remplir des informations, et le nœud 'Check FLUX status' qui vérifie l'état des flux. Après une courte attente de 3 secondes, le workflow évalue si les données sont prêtes à être traitées grâce à une condition 'Is Ready?'. Si les conditions sont remplies, le workflow continue en affichant les résultats à l'utilisateur via le nœud 'Show the image to user'. Ce type d'automatisation permet de réduire les erreurs humaines, d'accélérer le traitement des informations et d'améliorer la réactivité des équipes face aux demandes clients. En intégrant ce workflow dans leur système, les entreprises peuvent gagner en efficacité et en productivité, tout en offrant une expérience utilisateur améliorée.

Ce workflow n8n a pour objectif d'automatiser le processus de scraping de données à partir de pages web en utilisant Google Sheets comme point de stockage. Idéal pour les équipes marketing ou les chercheurs qui souhaitent collecter des informations précises et les organiser efficacement, ce workflow permet d'extraire des données de manière structurée. En intégrant des outils comme ScrapingBee et Google Gemini, il facilite l'accès à des informations pertinentes tout en minimisant les efforts manuels. Le processus débute par un déclencheur manuel, permettant à l'utilisateur de lancer le workflow à tout moment. Ensuite, le noeud ScrapingBee est utilisé pour récupérer le code HTML de la page cible. Une fois les données obtenues, elles sont traitées par le modèle de chat Google Gemini pour générer des réponses pertinentes. Les résultats sont ensuite structurés grâce au noeud Structured Output Parser, avant d'être envoyés à Google Sheets pour être organisés sous forme de lignes. Les bénéfices de cette automatisation n8n sont multiples : réduction du temps passé sur des tâches répétitives, amélioration de la précision des données collectées et centralisation des informations dans un format facilement exploitable. En intégrant ce workflow, les utilisateurs peuvent se concentrer sur l'analyse des données plutôt que sur leur collecte, augmentant ainsi leur productivité.

Ce workflow n8n a pour objectif d'automatiser la transcription et l'analyse des vidéos YouTube, facilitant ainsi la gestion de contenu pour les créateurs et les entreprises. Grâce à cette automatisation n8n, les utilisateurs peuvent extraire les transcriptions des vidéos, les analyser et les résumer pour une utilisation ultérieure, ce qui est particulièrement utile pour le marketing de contenu, la création de résumés ou l'amélioration de l'engagement des utilisateurs. Le déclencheur de ce workflow est un Webhook, qui permet de recevoir des requêtes HTTP pour initier le processus. Ensuite, le flux utilise le nœud 'YouTube Transcript' pour récupérer la transcription de la vidéo spécifiée. Une fois la transcription obtenue, le nœud 'Split Out' permet de diviser les données pour un traitement plus facile. Le nœud 'gpt-4o-mini' est ensuite utilisé pour analyser et résumer le contenu, suivi par le nœud 'Concatenate' pour rassembler les résultats. Enfin, les données sont renvoyées à l'utilisateur via le nœud 'Respond to Webhook'. Cette automatisation offre des gains de temps significatifs et améliore la productivité des équipes marketing et de contenu en éliminant les tâches manuelles fastidieuses.

Ce workflow n8n est conçu pour automatiser la planification de voyages en utilisant un assistant virtuel intelligent. Dans un contexte où les entreprises cherchent à améliorer l'expérience client, ce workflow permet de répondre rapidement aux demandes des utilisateurs concernant leurs voyages. Grâce à l'intégration de plusieurs services comme MongoDB, Google Gemini et OpenAI, il offre une solution efficace pour gérer les requêtes liées aux voyages. Le déclencheur de ce workflow est un message reçu via un Webhook, ce qui permet de démarrer le processus dès qu'un utilisateur pose une question. Ensuite, les données sont chargées à partir de MongoDB pour conserver un historique des conversations. Le modèle de chat Google Gemini est utilisé pour générer des réponses pertinentes, tandis que les embeddings OpenAI enrichissent les interactions en fournissant des suggestions personnalisées. Les données sont ensuite stockées dans un vecteur MongoDB Atlas pour un accès rapide et efficace. Ce workflow n8n permet non seulement d'automatiser la gestion des demandes de voyage, mais aussi d'améliorer la satisfaction client en offrant des réponses instantanées et adaptées. En intégrant cette solution, les entreprises peuvent réduire le temps de réponse et améliorer leur service client, tout en optimisant les ressources humaines.

Ce workflow n8n a pour objectif de créer un chatbot performant pour le support RH et IT, intégrant une transcription audio pour une meilleure accessibilité. Dans un environnement professionnel où la rapidité et l'efficacité du service client sont primordiales, ce type d'automatisation permet de répondre instantanément aux questions des employés, réduisant ainsi les délais d'attente et améliorant la satisfaction globale. Les cas d'usage incluent la gestion des demandes de congés, la consultation des politiques RH et le support technique. Le workflow débute par un déclencheur manuel, suivi de l'utilisation de divers nœuds tels que le 'Telegram Trigger' pour recevoir des messages, et le 'HTTP Request' pour interagir avec des API externes. Ensuite, des nœuds comme 'OpenAI' et 'AI Agent' sont utilisés pour générer des réponses intelligentes basées sur les requêtes des utilisateurs. Des étapes de vérification de type de message et de traitement des réponses sont intégrées pour garantir une expérience utilisateur fluide. En intégrant des fonctionnalités de stockage vectoriel avec 'Postgres PGVector Store', le chatbot peut apprendre et s'améliorer au fil du temps. En somme, cette automatisation n8n offre une solution robuste pour optimiser le support interne, réduire les coûts opérationnels et améliorer l'engagement des employés.

Ce workflow n8n a pour objectif de faciliter la recherche de paramètres affectés par des expressions spécifiques dans un environnement de développement. Il est particulièrement utile pour les développeurs et les équipes techniques qui souhaitent optimiser leur code et s'assurer que les modifications apportées n'affectent pas d'autres parties de leur projet. En utilisant ce workflow, les utilisateurs peuvent rapidement identifier les paramètres concernés et ainsi gagner du temps dans leurs processus de développement. Le déroulé commence par un déclencheur manuel, où l'utilisateur clique sur 'Exécuter le workflow'. Ensuite, le workflow utilise un nœud n8n pour appliquer des filtres spécifiques, permettant de cibler les paramètres à analyser. Le nœud suivant, intitulé 'Find params with affected expressions', exécute un code JavaScript personnalisé qui permet de déterminer les paramètres affectés par les expressions. Enfin, un nœud de note autocollante est utilisé pour afficher les résultats de manière claire et concise. Cette automatisation n8n offre une valeur ajoutée significative en réduisant les risques d'erreurs lors des modifications de code et en améliorant l'efficacité des équipes de développement. En intégrant ce workflow dans leur processus, les entreprises peuvent s'assurer d'une meilleure qualité de code et d'une gestion optimisée de leurs projets.

Ce workflow n8n a pour objectif d'automatiser l'importation de plusieurs fichiers CSV dans Google Sheets, facilitant ainsi la gestion des données pour les équipes marketing et commerciales. Dans un contexte où la manipulation manuelle des données peut être source d'erreurs et de pertes de temps, cette automatisation permet de gagner en efficacité et en précision. Les cas d'usage incluent la centralisation des données clients, le suivi des abonnements ou encore l'analyse des performances marketing. Étape 1 : Le workflow est déclenché manuellement via un nœud 'When clicking "Execute Workflow"'. Étape 2 : Les fichiers binaires sont lus grâce au nœud 'Read Binary Files', permettant de sélectionner les fichiers CSV à traiter. Étape 3 : Les fichiers sont ensuite divisés en lots avec le nœud 'Split In Batches', facilitant le traitement par étapes. Étape 4 : Chaque lot est analysé par le nœud 'Read CSV', qui extrait les données nécessaires. Étape 5 : Un nœud 'Remove duplicates' permet d'éliminer les doublons, tandis que le nœud 'Keep only subscribers' filtre les données pour ne conserver que les abonnés. Étape 6 : Les données sont triées par date avec le nœud 'Sort by date', avant d'être uploadées dans Google Sheets via le nœud 'Upload to spreadsheet'. Enfin, le nœud 'Assign source file name' permet d'attribuer un nom au fichier source pour une meilleure traçabilité. En intégrant ce workflow, les entreprises peuvent réduire les erreurs manuelles, améliorer la qualité des données et optimiser leur temps de traitement.