Votre banque de workflows n8n.

Ce workflow n8n, intitulé 'Content Creator Agent', a pour objectif d'automatiser la création de contenu en utilisant des modèles de langage avancés. Il s'adresse principalement aux équipes marketing et aux créateurs de contenu qui cherchent à optimiser leur processus de génération de texte. Grâce à l'intégration de l'outil Tavily et du modèle de chat Anthropic, ce workflow permet de produire des textes de manière fluide et efficace, réduisant ainsi le temps passé sur la rédaction tout en maintenant une qualité élevée. Étape 1 : Le workflow est déclenché par un appel à l'API de Tavily, qui envoie une requête HTTP pour récupérer des informations pertinentes. Étape 2 : Ces informations sont ensuite traitées par le 'Content Creator Agent', qui utilise le modèle de langage Anthropic pour générer du contenu basé sur les données fournies. Étape 3 : Les réponses générées sont ensuite assignées à un nœud de réponse, permettant de structurer et d'organiser le contenu produit. En cas de besoin, un nœud 'Try Again' est prévu pour réessayer la génération en cas d'échec. Les bénéfices de ce workflow incluent une réduction significative du temps de création de contenu, une amélioration de la cohérence et de la qualité des textes, ainsi qu'une capacité à produire rapidement des articles adaptés aux besoins spécifiques des utilisateurs. En intégrant ce type d'automatisation n8n, les entreprises peuvent se concentrer sur des tâches à plus forte valeur ajoutée tout en améliorant leur efficacité opérationnelle.

Ce workflow n8n a pour objectif de simplifier la création de fichiers llms.txt à partir des données extraites d'une analyse de site réalisée avec Screaming Frog. Dans un contexte où les entreprises cherchent à optimiser leur contenu pour les modèles d'IA, ce processus permet de transformer des données brutes en un format prêt à l'emploi. Les cas d'usage incluent la préparation de données pour des modèles d'apprentissage automatique ou l'analyse de contenu pour le SEO. Étape 1 : Le workflow débute par un déclencheur de type 'Form' qui permet à l'utilisateur de télécharger un fichier CSV contenant les résultats de l'analyse Screaming Frog. Étape 2 : Ensuite, le nœud 'Extract data from Screaming Frog file' extrait les données pertinentes du fichier téléchargé. Étape 3 : Les données sont ensuite filtrées via le nœud 'Filter URLs' pour ne conserver que celles qui répondent à des critères spécifiques. Étape 4 : Un classificateur de texte est utilisé pour analyser le contenu, suivi par un modèle de chat OpenAI qui génère des réponses basées sur ces données. Étape 5 : Les résultats sont ensuite résumés et formatés dans le fichier llms.txt grâce aux nœuds 'Summarize - Concatenate' et 'Generate llms.txt file'. Ce workflow offre une automatisation n8n efficace qui réduit le temps de traitement des données et améliore la qualité des fichiers générés, permettant ainsi aux équipes marketing et techniques de se concentrer sur des tâches à plus forte valeur ajoutée.

Ce workflow n8n est conçu pour automatiser la gestion de contenu sur les réseaux sociaux, en particulier via Telegram. Il permet aux utilisateurs de générer et de publier automatiquement des messages en utilisant des données extraites de différentes sources, tout en intégrant des outils d'intelligence artificielle. Ce type d'automatisation est particulièrement utile pour les entreprises qui souhaitent maintenir une présence active sur les réseaux sociaux sans y consacrer trop de temps. Le workflow commence par un déclencheur planifié qui active le processus à intervalles réguliers. Ensuite, il utilise le nœud 'Crawl HN Home' pour récupérer des données, suivi de l'extraction des métadonnées avec le nœud 'Extract Meta'. Les éléments non publiés sont filtrés grâce au nœud 'Filter Unposted Items'. Ensuite, le contenu est généré à l'aide du nœud 'Generate Content', qui utilise un modèle d'IA pour créer des messages pertinents. Après validation, le contenu est converti en format Markdown et programmé pour être publié sur Telegram via le nœud 'Ping Me'. Ce workflow offre une solution efficace pour réduire le temps consacré à la création de contenu tout en garantissant une communication régulière avec l'audience. En intégrant des outils comme n8n, les entreprises peuvent améliorer leur efficacité opérationnelle et leur engagement client.

Ce workflow n8n a pour objectif de créer un pipeline d'embedding utilisant la base de données vectorielle Qdrant. Il est particulièrement utile pour les entreprises qui souhaitent intégrer des modèles d'IA dans leurs processus de gestion de données. Par exemple, ce workflow peut être utilisé pour améliorer la recherche de documents ou pour enrichir des systèmes de recommandation. Le processus débute par un déclencheur manuel, permettant à l'utilisateur de tester le workflow à la demande. Ensuite, les fichiers sont listés via un nœud FTP, suivis d'un téléchargement des éléments nécessaires. Les données sont ensuite chargées par le nœud 'Default Data Loader', qui prépare les documents pour l'embedding. Un séparateur est utilisé dans le nœud 'Character Text Splitter' pour segmenter le texte en morceaux appropriés. Les embeddings sont ensuite générés à l'aide du nœud 'Embeddings OpenAI', qui utilise les modèles d'OpenAI pour transformer le texte en vecteurs. Enfin, les résultats sont stockés dans la base de données Qdrant via le nœud 'Qdrant Vector Store'. Ce workflow permet non seulement d'automatiser le traitement des données, mais aussi d'améliorer l'efficacité des recherches et des recommandations, offrant ainsi une valeur ajoutée significative aux entreprises qui l'adoptent.

Ce workflow n8n a pour objectif de simplifier la création d'articles WordPress en utilisant l'intelligence artificielle. En partant de quelques mots-clés, ce processus permet aux utilisateurs de générer du contenu de manière automatisée, ce qui est particulièrement utile pour les blogueurs, les rédacteurs de contenu et les équipes marketing. Grâce à cette automatisation n8n, les utilisateurs peuvent gagner un temps précieux tout en maintenant une qualité de contenu élevée. Le flux commence par un déclencheur de formulaire qui recueille les mots-clés nécessaires. Ensuite, plusieurs nœuds de notes autocollantes sont utilisés pour organiser les idées et les chapitres de l'article. Une fois les données vérifiées pour leur cohérence, le workflow divise le contenu en chapitres et fusionne les titres et le texte. Le texte final est ensuite préparé pour être publié sur WordPress. Les utilisateurs peuvent également télécharger des médias et définir des identifiants d'image pour enrichir leurs articles. En fin de processus, le workflow envoie une réponse indiquant le succès ou l'échec de l'opération. Les bénéfices de cette automatisation incluent une réduction significative du temps de création de contenu et une amélioration de la productivité des équipes, permettant ainsi de se concentrer sur des tâches plus stratégiques.

Ce workflow n8n a pour objectif d'intégrer efficacement du contenu généré par l'intelligence artificielle dans un site WordPress. Il est particulièrement utile pour les entreprises qui souhaitent enrichir leur plateforme avec des articles et des pages dynamiques, tout en optimisant leur processus de publication. Grâce à l'automatisation n8n, les utilisateurs peuvent récupérer des publications et des pages WordPress, les traiter avec des modèles d'IA, et les stocker dans une base de données pour une utilisation ultérieure. Le workflow commence par un déclencheur manuel qui permet de tester le flux. Ensuite, il utilise des nœuds pour charger des données, générer des embeddings via OpenAI, et traiter le texte à l'aide de divers outils de traitement de langage. Les données sont ensuite filtrées pour ne conserver que le contenu publié et non protégé. Les résultats sont ensuite stockés dans une base de données Postgres, ce qui permet une gestion efficace des documents. Les étapes incluent également des opérations d'agrégation et de transformation de texte, garantissant que le contenu est optimisé pour le web. En intégrant ce workflow, les entreprises peuvent réduire le temps consacré à la création de contenu tout en améliorant la qualité et la pertinence des informations publiées sur leur site. L'automatisation n8n permet ainsi d'augmenter la productivité et de garantir une mise à jour régulière des contenus, ce qui est essentiel pour maintenir l'engagement des utilisateurs et améliorer le référencement.

Ce workflow n8n est conçu pour automatiser le processus de recherche en utilisant des technologies d'intelligence artificielle. Il s'adresse principalement aux entreprises et aux équipes de recherche qui souhaitent optimiser leur flux de travail en matière de collecte et d'analyse de données. Grâce à l'automatisation n8n, ce workflow permet de générer des requêtes de recherche, d'analyser des données à l'aide de modèles de langage, et de produire des rapports de recherche détaillés. Étape 1 : Le déclencheur de message Chat initie le processus lorsque des informations sont reçues. Étape 2 : Le workflow génère des requêtes de recherche en utilisant un modèle de langage. Étape 3 : Les résultats des recherches sont récupérés via SerpAPI et analysés par Jina AI. Étape 4 : Les données sont ensuite formatées et contextualisées à l'aide d'un modèle de langage pour extraire les informations pertinentes. Étape 5 : Enfin, un rapport de recherche complet est généré, offrant une vue d'ensemble des résultats. Les bénéfices de ce workflow incluent une réduction significative du temps consacré à la recherche manuelle, une amélioration de la précision des données collectées, et une capacité à produire des rapports de manière autonome. En intégrant ce workflow, les entreprises peuvent se concentrer sur des tâches à plus forte valeur ajoutée tout en s'assurant que leurs recherches sont à jour et pertinentes.

Ce workflow n8n est conçu pour automatiser le processus de test A/B des messages dans un environnement de chat. Dans un contexte où les entreprises cherchent à optimiser leurs interactions avec les clients, ce workflow permet de recevoir des messages, d'analyser les réponses et d'ajuster les stratégies de communication en temps réel. Grâce à l'intégration de l'IA, il devient possible d'améliorer l'engagement et la satisfaction client en testant différentes approches de manière systématique. Le workflow débute avec le déclencheur 'When chat message received', qui capte les messages entrants. Ensuite, un agent AI est activé pour analyser le contenu du message et déterminer la meilleure réponse à fournir. Pour garantir une réponse personnalisée, le workflow vérifie si une session existe à l'aide du noeud 'Check If Session Exists'. Si la session est valide, le chemin de réponse est assigné à la session grâce au noeud 'Assign Path To Session'. Les valeurs de chemin sont définies dans le noeud 'Define Path Values', permettant ainsi de structurer les réponses en fonction des données reçues. Enfin, les résultats des tests sont stockés dans une mémoire Postgres, ce qui permet d'affiner les futures interactions. En intégrant ce workflow d'automatisation n8n, les entreprises peuvent réduire le temps passé sur les tests manuels, minimiser les erreurs humaines et maximiser l'efficacité de leurs communications, ce qui se traduit par une meilleure expérience utilisateur et une augmentation des conversions.

Ce workflow n8n a pour objectif de faciliter le suivi des dépenses en intégrant un agent IA dans Google Sheets. Il s'adresse principalement aux entreprises et aux équipes qui souhaitent automatiser la gestion de leurs finances. Grâce à cette automatisation n8n, les utilisateurs peuvent recevoir des messages dans un chat, traiter ces informations et les enregistrer directement dans une feuille de calcul Google Sheets. Cela permet de gagner du temps et de réduire les erreurs manuelles lors de la saisie des données. Étape 1 : Le workflow est déclenché par un message reçu dans le chat via le noeud 'When chat message received'. Étape 2 : L'agent IA, configuré dans le noeud 'AI Agent', analyse le message et utilise le modèle de chat OpenAI pour comprendre le contenu. Étape 3 : Les informations pertinentes sont extraites grâce au noeud 'Expense text to JSON parser', qui convertit le texte des dépenses en format JSON. Étape 4 : Les données sont ensuite enregistrées dans Google Sheets via le noeud 'Save expense into Google Sheets', permettant ainsi une gestion efficace des dépenses. Les bénéfices de ce workflow incluent une meilleure organisation des finances, une réduction des erreurs de saisie et un gain de temps considérable pour les équipes. En automatisant ce processus, les entreprises peuvent se concentrer sur des tâches à plus forte valeur ajoutée tout en ayant une vue d'ensemble claire de leurs dépenses.

Ce workflow n8n a pour objectif d'automatiser le processus de traitement des candidatures en utilisant l'intelligence artificielle pour analyser les CV. Dans un contexte où les entreprises reçoivent un grand nombre de candidatures, ce workflow permet de simplifier la gestion des CV et d'améliorer l'efficacité des équipes RH. Grâce à l'automatisation n8n, les entreprises peuvent rapidement évaluer les candidatures et notifier les équipes concernées. Étape 1 : le workflow est déclenché par un formulaire de candidature, qui collecte les informations des candidats. Étape 2 : les données du CV sont converties en format JSON pour une analyse plus facile. Étape 3 : l'IA, via le modèle Google Gemini, analyse le CV et attribue une note. Étape 4 : une fois l'analyse terminée, une notification est envoyée aux ressources humaines pour les informer de la réception d'un nouveau CV, ainsi qu'un message de confirmation au candidat. Étape 5 : les informations des candidats sont ensuite enregistrées dans une feuille Google Sheets pour un suivi ultérieur. Ce processus permet non seulement de gagner du temps, mais aussi d'améliorer la qualité des recrutements en s'appuyant sur des analyses basées sur l'IA. En intégrant ce workflow, les entreprises peuvent réduire les erreurs humaines et se concentrer sur les candidats les plus prometteurs.

Ce workflow n8n a pour objectif d'automatiser le processus de screening des CV et la conduite d'entretiens comportementaux en utilisant des outils avancés comme Gemini, ElevenLabs et Notion. Dans le contexte actuel où le recrutement est de plus en plus compétitif, cette automatisation permet aux équipes RH de gagner un temps précieux tout en améliorant la qualité des candidats sélectionnés. Les cas d'usage incluent l'extraction de données depuis des CV, la génération de résumés et l'analyse des qualifications des candidats. Étape 1 : le flux commence par un déclencheur Webhook qui reçoit les CV des candidats. Étape 2 : les CV sont ensuite extraits et analysés à l'aide de divers nœuds, tels que 'Extract Resume' et 'Applicant Qualifications', qui permettent de structurer les données. Étape 3 : les informations sont ensuite traitées par des modèles d'IA via le nœud 'HR Expert' pour générer des résumés et des évaluations. Étape 4 : les résultats sont stockés dans Notion pour un suivi facile. En intégrant cette automatisation n8n, les entreprises peuvent réduire le temps de traitement des candidatures, minimiser les erreurs humaines et améliorer l'expérience candidat, tout en optimisant leurs ressources humaines.

Ce workflow n8n a pour objectif de charger des prompts depuis un dépôt GitHub et de les intégrer automatiquement dans des expressions n8n. Il est particulièrement utile pour les équipes de développement et de marketing qui souhaitent automatiser la gestion de leurs prompts, réduisant ainsi le temps passé sur des tâches répétitives. En utilisant ce workflow, les utilisateurs peuvent facilement extraire des fichiers de prompts, les traiter et les intégrer dans leurs processus d'automatisation. Le processus commence par un déclencheur manuel qui active le workflow. Ensuite, le nœud GitHub est utilisé pour accéder au dépôt et récupérer le fichier contenant les prompts. Une fois le fichier extrait, le nœud 'Extract from File' permet d'en extraire les données nécessaires. Les variables sont ensuite définies à l'aide du nœud 'setVars', et des remplacements de variables sont effectués grâce au nœud 'replace variables'. Le workflow inclut également des vérifications pour s'assurer que toutes les variables de prompt sont présentes. Si des erreurs sont détectées, le nœud 'Stop and Error' gère ces situations. Enfin, les prompts sont intégrés dans le modèle de chat Ollama via le nœud 'Ollama Chat Model', permettant ainsi une utilisation fluide et efficace des prompts dans les interactions. Ce workflow offre une valeur ajoutée significative en simplifiant le processus de gestion des prompts et en réduisant les risques d'erreurs manuelles.