Automatisation de voyage avec n8n : assistant personnel intelligent
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.
Workflow n8n MongoDB, Google Gemini, OpenAI, assistant virtuel : vue d'ensemble
Schéma des nœuds et connexions de ce workflow n8n, généré à partir du JSON n8n.
Workflow n8n MongoDB, Google Gemini, OpenAI, assistant virtuel : détail des nœuds
Inscris-toi pour voir l'intégralité du workflow
Inscription gratuite
S'inscrire gratuitementBesoin d'aide ?{
"id": "znRwva47HzXesOYk",
"meta": {
"instanceId": "3be30861c4ebf6c36b608a223df086e2f2ea418bc2f7f7a746319c3c22897aa9",
"templateCredsSetupCompleted": true
},
"name": "Travel AssistantAgent",
"tags": [],
"nodes": [
{
"id": "3742b914-9f9d-4c6e-bfdf-f494295182a3",
"name": "When chat message received",
"type": "@n8n/n8n-nodes-langchain.chatTrigger",
"position": [
0,
0
],
"webhookId": "c9b390dc-3f6a-475c-b168-28f3accd20a7",
"parameters": {
"options": {}
},
"typeVersion": 1.1
},
{
"id": "5b7fcae2-78ab-45f7-933b-3acf993832e6",
"name": "MongoDB Chat Memory",
"type": "@n8n/n8n-nodes-langchain.memoryMongoDbChat",
"position": [
320,
220
],
"parameters": {
"databaseName": "test"
},
"credentials": {
"mongoDb": {
"id": "aEhI0wdmVEJ8c82Z",
"name": "MongoDB account"
}
},
"typeVersion": 1
},
{
"id": "eaba53fd-fc1c-404f-8720-eeea6cde088e",
"name": "Google Gemini Chat Model",
"type": "@n8n/n8n-nodes-langchain.lmChatGoogleGemini",
"position": [
180,
240
],
"parameters": {
"options": {},
"modelName": "models/gemini-2.0-flash"
},
"credentials": {
"googlePalmApi": {
"id": "7DECNCZTsje1tSvf",
"name": "Google Gemini(PaLM) Api account"
}
},
"typeVersion": 1
},
{
"id": "af440c3f-e81f-4e40-a349-6272c3b23517",
"name": "MongoDB Atlas Vector Store",
"type": "@n8n/n8n-nodes-langchain.vectorStoreMongoDBAtlas",
"position": [
480,
280
],
"parameters": {
"mode": "retrieve-as-tool",
"topK": 10,
"options": {},
"toolName": "PointofinterestKB",
"metadata_field": "description",
"mongoCollection": {
"__rl": true,
"mode": "list",
"value": "points_of_interest",
"cachedResultName": "points_of_interest"
},
"toolDescription": "The list of Points of Interest from the database.",
"vectorIndexName": "vector_index"
},
"credentials": {
"mongoDb": {
"id": "aEhI0wdmVEJ8c82Z",
"name": "MongoDB account"
}
},
"typeVersion": 1.1
},
{
"id": "17f2e6f3-d79c-4588-b4ee-bbfff61bc38d",
"name": "Embeddings OpenAI",
"type": "@n8n/n8n-nodes-langchain.embeddingsOpenAi",
"position": [
580,
500
],
"parameters": {
"options": {}
},
"credentials": {
"openAiApi": {
"id": "z5h5wLH9yHstZl24",
"name": "OpenAi account"
}
},
"typeVersion": 1.2
},
{
"id": "fc7ab263-9b1c-4e98-ae51-74248b91fe82",
"name": "Sticky Note",
"type": "n8n-nodes-base.stickyNote",
"position": [
780,
-420
],
"parameters": {
"width": 900,
"height": 960,
"content": "## AI Traveling Agent Powered by MongoDB Atlas for Memory and vector search.\n\n**Atlas MongoDB Memory Node**\n\n- The memory node allows the agent to persist and retrieve conversation based on threads in the database. It uses MongoDB felxible store capabilities to allow different type of threads and messages (Image, audio, video etc.) to be stored easily and effectivley \n\n\n**Atlas MongoDB Vector Store Node**\n\n- Atlas Vector Store tool allows the agent to get up to date points of interest from our vector store database populated and embedded with OpenAI Embeddings.\n\n\n### You will need to:\n1. Setup your Google API Credentials for the Gemini LLM\n2. Setup your OpenAI Credentials for the OpenAI embedding nodes.\n3. [MongoDB Atlas project and Cluster](https://www.mongodb.com/docs/atlas/tutorial/create-new-cluster/). Get a hold of the connection string and make sure to have your IP Access list enabled (for ease of testing try `0.0.0.0/0` access.\n4. Setup you MongoDB Credentials account with the correct connection string and database name.\n5. **Vector Search Tool** - uses Atlas Vector Search index you will create on your database for the `points_of_interest` collection:\n\n```\n// index name : \"vector_index\"\n// If you change an embedding provider make sure the numDimensions correspond to the model.\n{\n \"fields\": [\n {\n \"type\": \"vector\",\n \"path\": \"embedding\",\n \"numDimensions\": 1536,\n \"similarity\": \"cosine\"\n }\n ]\n}\n```\n\nOnce all of that is configured you will need to send the loading webhook with some data points (see example).\n\nThis should create vectorised data in `points_of_interest` collection.\n\nOnce you have data points there try to ask the Agent questions about the data points and test the response. Eg. \"Where should I go for a romantic getaway?\"\n\n**Additional Resources**\n- [MongoDB Atlas Vector Search](https://www.mongodb.com/docs/atlas/atlas-vector-search/tutorials/vector-search-quick-start/?utm=n8n.io)\n- [n8n Atlas Vector Search docs](https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.vectorstoremongodbatlas?utm=n8n.io)"
},
"typeVersion": 1
},
{
"id": "5a0353d2-410a-4059-8dc1-56a438e22cea",
"name": "AI Traveling Planner Agent",
"type": "@n8n/n8n-nodes-langchain.agent",
"position": [
220,
0
],
"parameters": {
"options": {
"maxIterations": 10,
"systemMessage": "You are a helpful assistant for a trip planner. You have a vector search capability to locate points of interest, Use it and don't invent much."
}
},
"typeVersion": 1.8
},
{
"id": "e4c2c92d-6291-42c8-9d03-5abfe1a85a83",
"name": "Webhook",
"type": "n8n-nodes-base.webhook",
"position": [
420,
760
],
"webhookId": "a48d5121-b453-4b5e-aa30-88ba3e16b931",
"parameters": {
"path": "ingestData",
"options": {
"rawBody": true
},
"httpMethod": "POST"
},
"typeVersion": 2
},
{
"id": "8ec1fa93-3eea-44e2-a66d-7f1e961cfa94",
"name": "Default Data Loader",
"type": "@n8n/n8n-nodes-langchain.documentDefaultDataLoader",
"position": [
520,
1200
],
"parameters": {
"options": {},
"jsonData": "={{ $json.body.raw_body.point_of_interest.title }} - {{ $json.body.raw_body.point_of_interest.description }}",
"jsonMode": "expressionData"
},
"typeVersion": 1
},
{
"id": "f723cca8-7bf4-4c93-932f-b558d21e8a4d",
"name": "Recursive Character Text Splitter",
"type": "@n8n/n8n-nodes-langchain.textSplitterRecursiveCharacterTextSplitter",
"position": [
1060,
1400
],
"parameters": {
"options": {}
},
"typeVersion": 1
},
{
"id": "c4a5f12e-de9b-44d0-93b2-a06cb56a1a91",
"name": "MongoDB Atlas Vector Store1",
"type": "@n8n/n8n-nodes-langchain.vectorStoreMongoDBAtlas",
"position": [
740,
880
],
"parameters": {
"mode": "insert",
"options": {},
"metadata_field": "description",
"mongoCollection": {
"__rl": true,
"mode": "list",
"value": "points_of_interest",
"cachedResultName": "points_of_interest"
},
"vectorIndexName": "vector_index",
"embeddingBatchSize": 1
},
"credentials": {
"mongoDb": {
"id": "aEhI0wdmVEJ8c82Z",
"name": "MongoDB account"
}
},
"typeVersion": 1.1
},
{
"id": "cf3b0e71-73d5-4a54-bb64-a2d951cd7726",
"name": "Embeddings OpenAI1",
"type": "@n8n/n8n-nodes-langchain.embeddingsOpenAi",
"position": [
800,
1100
],
"parameters": {
"options": {}
},
"credentials": {
"openAiApi": {
"id": "z5h5wLH9yHstZl24",
"name": "OpenAi account"
}
},
"typeVersion": 1.2
},
{
"id": "386538c3-81e7-4797-a4b6-81dea83fa778",
"name": "Sticky Note1",
"type": "n8n-nodes-base.stickyNote",
"position": [
-440,
940
],
"parameters": {
"width": 720,
"height": 360,
"content": "## CURL Command to Ingest Data.\n\nHere is an example of how you can load data into your webhook once its active and ready to get requests.\n\n```\ncurl -X POST \"https://<account>.app.n8n.cloud/webhook-test/ingestData\" \\\n -H \"Content-Type: application/json\" \\\n -d '{\n \"raw_body\": {\n \"point_of_interest\": {\n \"title\": \"Eiffel Tower\",\n \"description\": \"Iconic iron lattice tower located on the Champ de Mars in Paris, France.\"\n }\n }\n }'\n```"
},
"typeVersion": 1
},
{
"id": "0aa2676e-9f93-4b71-bd69-a4a8b2069496",
"name": "Sticky Note2",
"type": "n8n-nodes-base.stickyNote",
"position": [
1040,
620
],
"parameters": {
"width": 720,
"height": 360,
"content": "## Vector Search data ingestion\n\nUsing webhook to ingest data to the MongoDB `points_of_interest` \ncollection. \n\nThis can be done in other ways like loading from wbesites/git/files or other supported data sources."
},
"typeVersion": 1
}
],
"active": true,
"pinData": {},
"settings": {
"executionOrder": "v1"
},
"versionId": "4600a0b5-b04c-4bd7-9a71-66b498cf1cbb",
"connections": {
"Webhook": {
"main": [
[
{
"node": "MongoDB Atlas Vector Store1",
"type": "main",
"index": 0
}
]
]
},
"Embeddings OpenAI": {
"ai_embedding": [
[
{
"node": "MongoDB Atlas Vector Store",
"type": "ai_embedding",
"index": 0
}
]
]
},
"Embeddings OpenAI1": {
"ai_embedding": [
[
{
"node": "MongoDB Atlas Vector Store1",
"type": "ai_embedding",
"index": 0
}
]
]
},
"Default Data Loader": {
"ai_document": [
[
{
"node": "MongoDB Atlas Vector Store1",
"type": "ai_document",
"index": 0
}
]
]
},
"MongoDB Chat Memory": {
"ai_memory": [
[
{
"node": "AI Traveling Planner Agent",
"type": "ai_memory",
"index": 0
}
]
]
},
"Google Gemini Chat Model": {
"ai_languageModel": [
[
{
"node": "AI Traveling Planner Agent",
"type": "ai_languageModel",
"index": 0
}
]
]
},
"MongoDB Atlas Vector Store": {
"ai_tool": [
[
{
"node": "AI Traveling Planner Agent",
"type": "ai_tool",
"index": 0
}
]
]
},
"When chat message received": {
"main": [
[
{
"node": "AI Traveling Planner Agent",
"type": "main",
"index": 0
}
]
]
},
"Recursive Character Text Splitter": {
"ai_textSplitter": [
[
{
"node": "Default Data Loader",
"type": "ai_textSplitter",
"index": 0
}
]
]
}
}
}Workflow n8n MongoDB, Google Gemini, OpenAI, assistant virtuel : pour qui est ce workflow ?
Ce workflow s'adresse aux entreprises du secteur du voyage, aux agences de voyages et aux startups qui souhaitent automatiser leur service client. Il est particulièrement adapté pour les équipes techniques ayant une connaissance de l'intégration d'API et des outils d'automatisation comme n8n.
Workflow n8n MongoDB, Google Gemini, OpenAI, assistant virtuel : problème résolu
Ce workflow résout le problème de la lenteur dans la réponse aux demandes de voyage des clients. En automatisant le processus de réponse, il élimine les frustrations liées aux temps d'attente et réduit le risque d'erreurs humaines. Les utilisateurs bénéficient d'un service rapide et efficace, ce qui améliore leur expérience globale et augmente la fidélité à la marque.
Workflow n8n MongoDB, Google Gemini, OpenAI, assistant virtuel : étapes du workflow
Étape 1 : Le workflow est déclenché lorsqu'un message est reçu via le Webhook.
- Étape 1 : Les données de conversation sont chargées depuis MongoDB Chat Memory pour garder un historique.
- Étape 2 : Le modèle Google Gemini génère des réponses basées sur les requêtes des utilisateurs.
- Étape 3 : Les embeddings OpenAI sont utilisés pour enrichir les réponses et fournir des suggestions pertinentes.
- Étape 4 : Les données sont stockées dans MongoDB Atlas Vector Store pour un accès rapide et une meilleure gestion des informations.
Workflow n8n MongoDB, Google Gemini, OpenAI, assistant virtuel : guide de personnalisation
Pour personnaliser ce workflow, vous pouvez modifier l'URL du Webhook pour l'adapter à votre application. Il est également possible de changer les paramètres de connexion à MongoDB pour utiliser votre propre base de données. Les modèles de chat peuvent être ajustés en fonction de vos besoins spécifiques, notamment en modifiant les options dans les noeuds Google Gemini et OpenAI. Assurez-vous de sécuriser les accès à votre base de données et de monitorer les performances du workflow pour garantir une expérience utilisateur optimale.