Automatisation n8n : analyse de données avec LangChain
Ce workflow n8n a pour objectif d'automatiser l'analyse de données en utilisant LangChain et OpenAI. Dans un contexte où les entreprises cherchent à optimiser leur traitement de données, ce workflow permet de transformer des entrées brutes en résultats structurés et exploitables. Les cas d'usage incluent la génération de rapports, l'extraction d'informations clés et la création de résumés intelligents. Étape 1 : le déclencheur manuel permet d'exécuter le workflow à la demande. Étape 2 : le noeud 'Prompt' prépare les données d'entrée pour le traitement. Étape 3 : le 'LLM Chain' utilise un modèle de langage pour analyser les données. Étape 4 : le 'Structured Output Parser' formate les résultats selon un schéma JSON défini, tandis que l' 'Auto-fixing Output Parser' corrige automatiquement les erreurs potentielles dans les résultats. Enfin, plusieurs notes autocollantes sont ajoutées pour fournir des commentaires ou des instructions supplémentaires. Grâce à cette automatisation n8n, les entreprises peuvent gagner du temps, réduire les erreurs humaines et améliorer la qualité de leurs analyses de données, ce qui se traduit par une prise de décision plus rapide et plus éclairée. Tags clés : automatisation, LangChain, OpenAI.
Vue d'ensemble du workflow n8n
Schéma des nœuds et connexions de ce workflow n8n, généré à partir du JSON n8n.
Détail des nœuds du workflow n8n
Inscris-toi pour voir l'intégralité du workflow
Inscription gratuite
S'inscrire gratuitementBesoin d'aide ?{
"id": "cKRViOHDPsosO7UX",
"meta": {
"instanceId": "ec7a5f4ffdb34436e59d23eaccb5015b5238de2a877e205b28572bf1ffecfe04"
},
"name": "[AI/LangChain] Output Parser 4",
"tags": [],
"nodes": [
{
"id": "3d669ba2-65b7-4502-92d9-645c4e51b26d",
"name": "When clicking \"Execute Workflow\"",
"type": "n8n-nodes-base.manualTrigger",
"position": [
380,
240
],
"parameters": {},
"typeVersion": 1
},
{
"id": "9a509299-746d-4a3f-b379-8a4a9a92c75a",
"name": "Prompt",
"type": "n8n-nodes-base.set",
"position": [
600,
240
],
"parameters": {
"values": {
"string": [
{
"name": "input",
"value": "Return the 5 largest states by area in the USA with their 3 largest cities and their population."
}
]
},
"options": {}
},
"typeVersion": 2
},
{
"id": "e2092fe6-d803-43e9-b2df-b0fc7aa83b02",
"name": "LLM Chain",
"type": "@n8n/n8n-nodes-langchain.chainLlm",
"position": [
1060,
240
],
"parameters": {},
"typeVersion": 1
},
{
"id": "711734d0-1003-4639-bdee-c160f6f976b3",
"name": "Structured Output Parser",
"type": "@n8n/n8n-nodes-langchain.outputParserStructured",
"position": [
1560,
900
],
"parameters": {
"jsonSchema": "{\n \"type\": \"object\",\n \"properties\": {\n \"state\": {\n \"type\": \"string\"\n },\n \"cities\": {\n \"type\": \"array\",\n \"items\": {\n \"type\": \"object\",\n \"properties\": {\n \"name\": \"string\",\n \"population\": \"number\"\n }\n }\n }\n }\n}"
},
"typeVersion": 1
},
{
"id": "f9b782f8-bb7b-4d65-be0d-d65c11de03d2",
"name": "Auto-fixing Output Parser",
"type": "@n8n/n8n-nodes-langchain.outputParserAutofixing",
"position": [
1260,
540
],
"parameters": {},
"typeVersion": 1
},
{
"id": "a26f034e-ea19-47ba-8fef-4f0a0d447c01",
"name": "Sticky Note",
"type": "n8n-nodes-base.stickyNote",
"position": [
1480,
795
],
"parameters": {
"height": 264.69900963477494,
"content": "### Parser which defines the output format and which gets used to validate the output"
},
"typeVersion": 1
},
{
"id": "d902971a-e304-449c-a933-900c9c49ce55",
"name": "Sticky Note1",
"type": "n8n-nodes-base.stickyNote",
"position": [
1080,
792
],
"parameters": {
"height": 266.9506012398238,
"content": "### The LLM which gets used to try to autofix the output in case it was not valid"
},
"typeVersion": 1
},
{
"id": "b4c3b935-61b1-4243-b7df-ba4b7fd6e3ce",
"name": "Sticky Note2",
"type": "n8n-nodes-base.stickyNote",
"position": [
920,
440
],
"parameters": {
"height": 245.56048099185898,
"content": "### The LLM to process the original prompt"
},
"typeVersion": 1
},
{
"id": "916d2998-cf0e-40f9-a373-149c609ed229",
"name": "Sticky Note3",
"type": "n8n-nodes-base.stickyNote",
"position": [
1200,
449
],
"parameters": {
"width": 348.0763970423483,
"height": 233.17672716408998,
"content": "### Autofixing parser which tries to fix invalid outputs with the help of an LLM"
},
"typeVersion": 1
},
{
"id": "5cabf993-6bdd-4401-bb6d-fa20ff703127",
"name": "OpenAI Chat Model",
"type": "@n8n/n8n-nodes-langchain.lmChatOpenAi",
"position": [
980,
540
],
"parameters": {
"options": {
"temperature": 0
}
},
"credentials": {
"openAiApi": {
"id": "wJtZwsVKW5v6R2Iy",
"name": "OpenAi account 2"
}
},
"typeVersion": 1
},
{
"id": "7f666edb-ecb7-4a6d-9dc7-ba67ef41d71f",
"name": "OpenAI Chat Model1",
"type": "@n8n/n8n-nodes-langchain.lmChatOpenAi",
"position": [
1140,
900
],
"parameters": {
"options": {
"temperature": 0
}
},
"credentials": {
"openAiApi": {
"id": "wJtZwsVKW5v6R2Iy",
"name": "OpenAi account 2"
}
},
"typeVersion": 1
}
],
"active": false,
"pinData": {},
"settings": {
"executionOrder": "v1"
},
"versionId": "976446d0-eb9d-478e-8178-69017329d736",
"connections": {
"Prompt": {
"main": [
[
{
"node": "LLM Chain",
"type": "main",
"index": 0
}
]
]
},
"OpenAI Chat Model": {
"ai_languageModel": [
[
{
"node": "LLM Chain",
"type": "ai_languageModel",
"index": 0
}
]
]
},
"OpenAI Chat Model1": {
"ai_languageModel": [
[
{
"node": "Auto-fixing Output Parser",
"type": "ai_languageModel",
"index": 0
}
]
]
},
"Structured Output Parser": {
"ai_outputParser": [
[
{
"node": "Auto-fixing Output Parser",
"type": "ai_outputParser",
"index": 0
}
]
]
},
"Auto-fixing Output Parser": {
"ai_outputParser": [
[
{
"node": "LLM Chain",
"type": "ai_outputParser",
"index": 0
}
]
]
},
"When clicking \"Execute Workflow\"": {
"main": [
[
{
"node": "Prompt",
"type": "main",
"index": 0
}
]
]
}
}
}Pour qui est ce workflow ?
Ce workflow s'adresse aux entreprises et équipes de données qui souhaitent automatiser l'analyse de leurs données. Il est particulièrement utile pour les analystes de données, les responsables marketing et les équipes techniques ayant un niveau technique intermédiaire. Les organisations de taille moyenne à grande bénéficieront grandement de cette solution.
Problème résolu
Ce workflow résout le problème de la lenteur et de l'inefficacité dans le traitement des données. Les utilisateurs n'ont plus besoin de passer des heures à analyser manuellement des données brutes, ce qui réduit les risques d'erreurs et améliore la précision des résultats. Après la mise en place de ce workflow, les utilisateurs peuvent s'attendre à des analyses plus rapides et à des insights plus pertinents, facilitant ainsi la prise de décision.
Étapes du workflow
Étape 1 : le workflow est déclenché manuellement par l'utilisateur. Étape 2 : les données d'entrée sont préparées dans le noeud 'Prompt'. Étape 3 : le 'LLM Chain' traite les données avec un modèle de langage. Étape 4 : les résultats sont formatés par le 'Structured Output Parser' selon un schéma JSON. Étape 5 : le 'Auto-fixing Output Parser' corrige les erreurs dans les résultats. Étape 6 : plusieurs notes autocollantes fournissent des informations supplémentaires ou des commentaires.
Guide de personnalisation du workflow n8n
Pour personnaliser ce workflow, vous pouvez modifier les paramètres du noeud 'Prompt' pour adapter les données d'entrée à votre contexte spécifique. Le schéma JSON dans le 'Structured Output Parser' peut également être ajusté pour répondre à vos besoins en matière de formatage des résultats. Si vous souhaitez intégrer d'autres outils, vous pouvez ajouter des noeuds supplémentaires pour les connexions API. Assurez-vous de sécuriser le flux en vérifiant les accès aux données sensibles et en surveillant les performances du workflow.