Votre banque de workflows n8n.

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 de gérer dynamiquement les modèles de langage (LLM) en fonction des messages reçus dans un chat. Dans un contexte où les entreprises cherchent à maximiser l'efficacité de leurs interactions automatisées, ce template permet de choisir le modèle le plus approprié pour chaque situation, garantissant ainsi des réponses pertinentes et adaptées. Les cas d'usage incluent le support client automatisé, les assistants virtuels et les applications d'analyse de sentiment. Étape 1 : Le déclencheur 'When chat message received' active le workflow dès qu'un message est reçu. Étape 2 : Le noeud 'Switch Model' détermine quel modèle de langage utiliser en fonction des critères définis. Étape 3 : Les noeuds 'Set LLM index' et 'Increase LLM index' gèrent l'indexation des modèles, permettant de passer d'un modèle à un autre sans interruption. Étape 4 : Les noeuds 'OpenAI' sont utilisés pour interagir avec différents modèles de langage, tandis que le noeud 'Validate response' analyse la réponse générée pour s'assurer de sa pertinence. Ce workflow offre une flexibilité précieuse pour les entreprises, leur permettant d'améliorer la qualité de leurs interactions tout en réduisant le temps de réponse et les erreurs potentielles.

Ce workflow n8n permet d'automatiser les interactions avec des modèles de langage locaux via Ollama, facilitant ainsi des conversations fluides et pertinentes. Idéal pour les entreprises souhaitant intégrer des solutions de chat intelligentes dans leurs services, ce système peut être utilisé dans divers contextes, tels que le support client, l'éducation ou même le divertissement. Le workflow commence par un déclencheur qui active le processus lorsque un message de chat est reçu. Ensuite, il utilise le modèle de chat d'Ollama pour générer des réponses adaptées aux requêtes des utilisateurs. Les réponses sont ensuite traitées et affichées sous forme de notes autocollantes, permettant une visualisation claire des échanges. Ce processus est optimisé grâce à la chaîne de LLM, qui assure une fluidité dans la conversation. En intégrant ce type d'automatisation n8n, les entreprises peuvent améliorer l'engagement client et réduire les délais de réponse, tout en offrant une expérience utilisateur enrichie. Les bénéfices incluent une communication améliorée, une réduction des coûts opérationnels et une meilleure satisfaction client.

Ce workflow n8n a pour objectif de faciliter la comparaison de modèles de langage (LLMs) en utilisant OpenAI et Google Sheets. Dans un contexte où les entreprises cherchent à optimiser leurs processus décisionnels grâce à l'intelligence artificielle, ce workflow permet d'automatiser la collecte et l'analyse des résultats de différents modèles de langage. Les cas d'usage incluent l'évaluation des performances des modèles, la génération de rapports et l'intégration des résultats dans des outils de gestion de données comme Google Sheets. Le workflow commence par un déclencheur de type 'When chat message received', qui active le processus dès qu'un message est reçu. Ensuite, les données sont traitées à travers plusieurs nœuds, notamment 'Loop Over Items' pour itérer sur les éléments et 'OpenRouter Chat Model' pour interagir avec le modèle de langage. Les résultats sont ensuite agrégés et résumés grâce aux nœuds 'Concatenate Chat Answers' et 'Group Model Outputs for Evaluation'. Enfin, les résultats sont ajoutés à une feuille Google grâce au nœud 'Add Model Results to Google Sheet'. Les bénéfices de cette automatisation n8n incluent un gain de temps considérable dans la collecte et l'analyse des données, une réduction des erreurs humaines et une meilleure visibilité sur les performances des modèles de langage. En intégrant ces résultats directement dans Google Sheets, les utilisateurs peuvent facilement partager et visualiser les données, ce qui améliore la prise de décision au sein de l'entreprise.

Ce workflow n8n a pour objectif de tester plusieurs modèles de LLM (Language Learning Models) en utilisant LM Studio et d'analyser les résultats en temps réel. Il est particulièrement utile pour les équipes de développement et de recherche qui souhaitent évaluer l'efficacité de différents modèles linguistiques. En intégrant des outils comme Google Sheets, ce workflow permet de stocker et d'analyser les résultats de manière structurée. Le déclencheur principal est un message de chat reçu, qui initie le processus d'analyse. Étape 1 : Lorsque le message est reçu, le workflow commence par capturer l'heure de début. Étape 2 : Il récupère les modèles disponibles via une requête HTTP, puis prépare les données pour l'analyse. Étape 3 : Les modèles sont exécutés avec des entrées dynamiques, et les résultats sont analysés à l'aide d'un code JavaScript. Étape 4 : Les résultats finaux sont ensuite sauvegardés dans Google Sheets pour une consultation ultérieure. Ce processus permet d'éliminer les pertes de temps liées à l'analyse manuelle et d'assurer une évaluation précise des performances des modèles. En utilisant ce workflow, les utilisateurs bénéficient d'une automatisation efficace qui améliore la productivité et la précision des analyses.

Ce workflow n8n permet d'intégrer facilement des modèles de langage via OpenRouter, facilitant ainsi l'interaction avec des agents intelligents. Dans un contexte où les entreprises cherchent à améliorer leur service client et à automatiser les réponses aux requêtes, ce workflow s'avère particulièrement utile. Par exemple, les équipes de support peuvent utiliser ce système pour fournir des réponses instantanées et pertinentes aux questions des utilisateurs, améliorant ainsi l'expérience client tout en réduisant la charge de travail des agents. Étape 1 : le workflow commence par le déclencheur 'When chat message received', qui active le flux dès qu'un message est reçu. Étape 2 : les paramètres sont configurés dans le noeud 'Settings', permettant de définir les options nécessaires pour l'interaction. Étape 3 : le noeud 'AI Agent' utilise les données du message pour générer une réponse appropriée en se basant sur le modèle de langage sélectionné dans le noeud 'LLM Model'. Étape 4 : la mémoire de chat est gérée par le noeud 'Chat Memory', qui conserve le contexte des conversations pour des interactions plus fluides. Enfin, les résultats peuvent être affichés ou stockés via les noeuds 'Sticky Note', qui permettent de visualiser les réponses générées. En mettant en place cette automatisation n8n, les entreprises peuvent non seulement gagner du temps, mais aussi offrir une expérience utilisateur améliorée, en répondant rapidement et efficacement aux demandes des clients.

Ce workflow n8n a pour objectif de gérer des messages de chat en utilisant un modèle de langage dynamique, Ollama. Dans un contexte où la communication efficace est cruciale, ce workflow s'adresse aux entreprises souhaitant automatiser leurs interactions via des agents intelligents. Il est particulièrement utile pour les équipes de support client ou de vente qui cherchent à améliorer leur réactivité et leur efficacité. Le processus commence par un déclencheur de type 'When chat message received', qui active le workflow à chaque réception d'un message. Ensuite, plusieurs noeuds de type 'Sticky Note' sont utilisés pour stocker et afficher des informations pertinentes, permettant ainsi de garder une trace des interactions. Le noeud 'Ollama Dynamic LLM' est ensuite appelé pour générer des réponses basées sur le contenu du message reçu. Le 'LLM Router' permet de diriger les réponses vers le bon agent, tandis que les noeuds de mémoire, comme 'Router Chat Memory' et 'Agent Chat Memory', assurent une continuité dans les échanges en conservant le contexte des conversations. En intégrant ce workflow, les entreprises peuvent réduire le temps de réponse, améliorer la satisfaction client et optimiser l'utilisation de leurs ressources humaines. L'automatisation n8n permet ainsi d'apporter une valeur ajoutée significative en rendant les interactions plus fluides et intelligentes.

Ce workflow n8n a pour objectif d'extraire des données personnelles à partir de messages reçus dans un chat, en utilisant un modèle de langage auto-hébergé, Mistral NeMo. Dans un contexte où la gestion des données personnelles est cruciale, ce type d'automatisation n8n permet aux entreprises de traiter efficacement les informations tout en respectant les normes de confidentialité. Les cas d'usage incluent le support client automatisé, la collecte de feedbacks et l'analyse des interactions utilisateurs. Étape 1 : le déclencheur 'When chat message received' active le workflow dès qu'un message est reçu. Étape 2 : le 'Ollama Chat Model' analyse le message pour en extraire les informations pertinentes. Étape 3 : les données sont ensuite traitées par 'Auto-fixing Output Parser' et 'Structured Output Parser' pour garantir une sortie structurée et correcte. Étape 4 : le 'Basic LLM Chain' gère le flux de données et assure que les résultats sont conformes aux attentes. En cas d'erreur, le noeud 'On Error' permet de gérer les exceptions sans interrompre le processus. Ce workflow apporte une valeur ajoutée significative en automatisant la collecte de données, ce qui réduit le temps de traitement et minimise les erreurs humaines, tout en garantissant la conformité avec les réglementations sur la protection des données.

Ce workflow n8n a pour objectif d'automatiser la gestion de notes en utilisant des modèles de langage avancés comme Ollama et des chaînes LLM. Dans un contexte où la prise de notes et la gestion des informations sont essentielles, ce workflow s'adresse aux équipes qui souhaitent optimiser leur flux de travail en intégrant des outils d'intelligence artificielle. Les cas d'usage incluent la création, l'édition et l'organisation de notes de manière fluide et efficace. Étape 1 : le workflow commence par un déclencheur manuel, permettant à l'utilisateur de lancer le processus à tout moment. Étape 2 : le nœud 'Code' exécute un script JavaScript pour préparer les données nécessaires. Étape 3 : les notes sont ensuite divisées à l'aide du nœud 'Split Out1', permettant de gérer plusieurs entrées simultanément. Étape 4 : les modèles de langage d'Ollama sont appelés pour générer des réponses ou enrichir les notes. Étape 5 : les notes sont ensuite filtrées et agrégées pour assurer une cohérence dans les informations. Ce workflow offre une valeur ajoutée significative en réduisant le temps passé sur la gestion manuelle des notes, tout en augmentant la précision et la pertinence des informations collectées.

Ce workflow n8n est conçu pour automatiser le chaînage de modèles de langage (LLM) en utilisant des requêtes HTTP et des modèles de chat d'Anthropic. Il s'adresse principalement aux entreprises qui souhaitent intégrer des capacités avancées de traitement du langage naturel dans leurs applications. Par exemple, ce workflow peut être utilisé pour générer des réponses automatiques dans un service client ou pour enrichir des contenus marketing avec des suggestions intelligentes. Le processus commence par un déclencheur manuel, où l'utilisateur clique sur 'Test workflow'. Ensuite, une requête HTTP est effectuée pour récupérer des données nécessaires. Les étapes suivantes impliquent l'utilisation de plusieurs modèles de chat d'Anthropic, permettant de traiter et de générer des réponses basées sur les entrées fournies. Les résultats sont ensuite fusionnés et restructurés pour une utilisation optimale. Ce workflow illustre parfaitement comment l'automatisation n8n peut simplifier des tâches complexes tout en offrant une flexibilité et une personnalisation élevées. En intégrant ce type de solution, les entreprises peuvent gagner en efficacité, réduire les erreurs humaines et améliorer l'expérience utilisateur grâce à des interactions plus fluides et intelligentes.