Automatisation n8n : insertion et récupération de documents
Ce workflow n8n a pour objectif d'automatiser le processus d'insertion et de récupération de documents, facilitant ainsi la gestion des contenus pour les équipes de rédaction et de recherche. Dans un contexte où la gestion efficace des informations est cruciale, ce workflow permet de récupérer des listes d'essais, d'extraire des noms et des textes, et de les organiser de manière structurée. En utilisant des services comme HTTP Request et des noeuds spécifiques pour le traitement de texte, ce workflow s'avère particulièrement utile pour les entreprises qui gèrent de grandes quantités de données textuelles. Étape 1 : Le workflow commence par un déclencheur manuel, permettant à l'utilisateur de lancer le processus à tout moment. Étape 2 : Il effectue ensuite une requête HTTP pour récupérer une liste d'essais. Étape 3 : Les noms des essais sont extraits et divisés en éléments individuels pour un traitement ultérieur. Étape 4 : Les textes des essais sont également récupérés, et une limite est appliquée pour ne conserver que les trois premiers. Étape 5 : Les textes sont ensuite traités pour extraire uniquement le contenu pertinent. Les bénéfices de ce workflow incluent une réduction significative du temps de recherche et de traitement des documents, permettant aux équipes de se concentrer sur des tâches à plus forte valeur ajoutée. En automatisant ces processus, les entreprises peuvent améliorer leur productivité et leur efficacité opérationnelle, tout en minimisant les risques d'erreurs humaines. Tags clés : automatisation, n8n, gestion de documents.
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": "Hjyv9FkH5Oh6Yxw4",
"meta": {
"instanceId": "2c4c1e23e7b067270c08aab616bada21d0c384d16f212b23cf1143c6baa09219"
},
"name": "Insert and retrieve documents",
"tags": [
{
"id": "msnDWKHQmwMDxWQH",
"name": "Milvus",
"createdAt": "2025-04-16T12:48:14.539Z",
"updatedAt": "2025-04-16T12:48:14.539Z"
},
{
"id": "tnCpo8hq8uKrdASK",
"name": "AI",
"createdAt": "2025-04-16T12:47:57.976Z",
"updatedAt": "2025-04-16T12:47:57.976Z"
}
],
"nodes": [
{
"id": "52044ccd-4e0d-4353-b612-cf8db1b55331",
"name": "When clicking \"Execute Workflow\"",
"type": "n8n-nodes-base.manualTrigger",
"position": [
-500,
-100
],
"parameters": {},
"typeVersion": 1
},
{
"id": "b6993775-d21b-4ae8-a59c-43aef2b7002b",
"name": "Fetch Essay List",
"type": "n8n-nodes-base.httpRequest",
"position": [
-220,
-100
],
"parameters": {
"url": "http://www.paulgraham.com/articles.html",
"options": {}
},
"typeVersion": 4.2
},
{
"id": "cbaeb236-5c93-4b34-a06b-ff0e5de8525f",
"name": "Extract essay names",
"type": "n8n-nodes-base.html",
"position": [
-20,
-100
],
"parameters": {
"options": {},
"operation": "extractHtmlContent",
"extractionValues": {
"values": [
{
"key": "essay",
"attribute": "href",
"cssSelector": "table table a",
"returnArray": true,
"returnValue": "attribute"
}
]
}
},
"typeVersion": 1.2
},
{
"id": "d92b6692-4a02-4519-b113-8a9172c71de9",
"name": "Split out into items",
"type": "n8n-nodes-base.splitOut",
"position": [
180,
-100
],
"parameters": {
"options": {},
"fieldToSplitOut": "essay"
},
"typeVersion": 1
},
{
"id": "d16ba71b-10fc-454f-8bfc-a6826280a4e7",
"name": "Fetch essay texts",
"type": "n8n-nodes-base.httpRequest",
"position": [
580,
-100
],
"parameters": {
"url": "=http://www.paulgraham.com/{{ $json.essay }}",
"options": {}
},
"typeVersion": 4.2
},
{
"id": "c4fa74ea-6af5-410c-bf5c-9d8d3decf31b",
"name": "Limit to first 3",
"type": "n8n-nodes-base.limit",
"position": [
380,
-100
],
"parameters": {
"maxItems": 3
},
"typeVersion": 1
},
{
"id": "3da8495b-62df-475d-b99d-e0f3c64266e3",
"name": "Extract Text Only",
"type": "n8n-nodes-base.html",
"position": [
900,
-100
],
"parameters": {
"options": {},
"operation": "extractHtmlContent",
"extractionValues": {
"values": [
{
"key": "data",
"cssSelector": "body",
"skipSelectors": "img,nav"
}
]
}
},
"typeVersion": 1.2
},
{
"id": "4a9b5d5d-fc94-40b7-af0c-13d992bc1eb9",
"name": "Sticky Note3",
"type": "n8n-nodes-base.stickyNote",
"position": [
-300,
-220
],
"parameters": {
"width": 1071.752021563343,
"height": 285.66037735849045,
"content": "## Scrape latest Paul Graham essays"
},
"typeVersion": 1
},
{
"id": "b8a7a288-186f-4444-b0de-33ed90009c0a",
"name": "Sticky Note5",
"type": "n8n-nodes-base.stickyNote",
"position": [
820,
-220
],
"parameters": {
"width": 625,
"height": 607,
"content": "## Load into Milvus vector store"
},
"typeVersion": 1
},
{
"id": "c9e7b166-cc65-47e2-a437-9c00017b492a",
"name": "Recursive Character Text Splitter1",
"type": "@n8n/n8n-nodes-langchain.textSplitterRecursiveCharacterTextSplitter",
"position": [
1240,
240
],
"parameters": {
"options": {},
"chunkSize": 6000
},
"typeVersion": 1
},
{
"id": "e1a75f27-7c8c-4d0d-9b0f-33fe9ec96fc6",
"name": "Generate response",
"type": "n8n-nodes-base.set",
"position": [
1240,
560
],
"parameters": {
"options": {},
"assignments": {
"assignments": [
{
"id": "11396286-0378-4c3a-86e1-c9ef51afbfc7",
"name": "text",
"type": "string",
"value": "={{ $json.answer }} {{ $if(!$json.citations.isEmpty(), \"\\n\" + $json.citations.join(\"\"), '') }}"
}
]
}
},
"typeVersion": 3.4
},
{
"id": "8b3497ad-5bc8-44b3-bdf4-3a028fe265ce",
"name": "Compose citations",
"type": "n8n-nodes-base.set",
"position": [
1040,
560
],
"parameters": {
"options": {},
"assignments": {
"assignments": [
{
"id": "ace6185e-8b3d-4f89-ae36-dfe0c391a0a9",
"name": "citations",
"type": "array",
"value": "={{ $json.citations.map(i => '[' + $('Get top chunks matching query').all()[$json.citations].json.document.metadata.file_name + ', lines ' + $('Get top chunks matching query').all()[$json.citations].json.document.metadata['loc.lines.from'] + '-' + $('Get top chunks matching query').all()[$json.citations].json.document.metadata['loc.lines.to'] + ']') }}"
}
]
}
},
"typeVersion": 3.4
},
{
"id": "0452cf15-145c-49dd-8803-4c8b8a7adbea",
"name": "Answer the query based on chunks",
"type": "@n8n/n8n-nodes-langchain.informationExtractor",
"position": [
680,
560
],
"parameters": {
"text": "={{ $json.context }}\n\nQuestion: {{ $('When chat message received').first().json.chatInput }}\nHelpful Answer:",
"options": {
"systemPromptTemplate": "=Use the following pieces of context to answer the question at the end. If you don't know the answer, just say that you don't know, don't try to make up an answer. Important: In your response, also include the the indexes of the chunks you used to generate the answer."
},
"schemaType": "manual",
"inputSchema": "{\n \"type\": \"object\",\n \"required\": [\"answer\", \"citations\"],\n \"properties\": {\n \"answer\": {\n \"type\": \"string\"\n },\n \"citations\": {\n \"type\": \"array\",\n \"items\": {\n \"type\": \"number\"\n }\n }\n }\n}"
},
"typeVersion": 1
},
{
"id": "d385ac35-6f94-4101-99de-5ce1991f40c4",
"name": "Prepare chunks",
"type": "n8n-nodes-base.code",
"position": [
480,
560
],
"parameters": {
"jsCode": "let out = \"\"\nfor (const i in $input.all()) {\n let itemText = \"--- CHUNK \" + i + \" ---\\n\"\n itemText += $input.all()[i].json.document.pageContent + \"\\n\"\n itemText += \"\\n\"\n out += itemText\n}\n\nreturn {\n 'context': out\n};"
},
"typeVersion": 2
},
{
"id": "379837f2-4f96-43ff-8e87-722cbe6d652f",
"name": "Set max chunks to send to model",
"type": "n8n-nodes-base.set",
"position": [
-300,
560
],
"parameters": {
"options": {},
"assignments": {
"assignments": [
{
"id": "33f4addf-72f3-4618-a6ba-5b762257d723",
"name": "chunks",
"type": "number",
"value": 4
}
]
},
"includeOtherFields": true
},
"typeVersion": 3.4
},
{
"id": "9bc391bb-df47-41df-b170-9df47a6b5e87",
"name": "Embeddings OpenAI2",
"type": "@n8n/n8n-nodes-langchain.embeddingsOpenAi",
"position": [
-100,
780
],
"parameters": {
"model": "text-embedding-ada-002",
"options": {}
},
"credentials": {
"openAiApi": {
"id": "hH2PTDH4fbS7fdPv",
"name": "OpenAi account"
}
},
"typeVersion": 1.2
},
{
"id": "efb030f4-445b-4ba0-b5c9-95e4e5893664",
"name": "When chat message received",
"type": "@n8n/n8n-nodes-langchain.chatTrigger",
"position": [
-540,
560
],
"webhookId": "cd2703a7-f912-46fe-8787-3fb83ea116ab",
"parameters": {
"options": {}
},
"typeVersion": 1.1
},
{
"id": "c74943be-0008-4d4c-9dea-598a648a97a2",
"name": "Sticky Note1",
"type": "n8n-nodes-base.stickyNote",
"position": [
-380,
440
],
"parameters": {
"color": 7,
"width": 1594,
"height": 529,
"content": ""
},
"typeVersion": 1
},
{
"id": "2e27f3d8-e8a2-4647-80dd-f2643b224cb5",
"name": "Milvus Vector Store in retrieval",
"type": "@n8n/n8n-nodes-langchain.vectorStoreMilvus",
"position": [
0,
560
],
"parameters": {
"mode": "load",
"topK": 2,
"prompt": "answer the question",
"milvusCollection": {
"__rl": true,
"mode": "list",
"value": "my_collection",
"cachedResultName": "my_collection"
}
},
"credentials": {
"milvusApi": {
"id": "8tMHHoLiWXIAXa7S",
"name": "Milvus account"
}
},
"typeVersion": 1.1
},
{
"id": "a3cf7e0e-f681-4880-9ccf-5c42d5457c0f",
"name": "Milvus Vector Store",
"type": "@n8n/n8n-nodes-langchain.vectorStoreMilvus",
"position": [
1120,
-100
],
"parameters": {
"mode": "insert",
"options": {
"clearCollection": true
},
"milvusCollection": {
"__rl": true,
"mode": "list",
"value": "my_collection",
"cachedResultName": "my_collection"
}
},
"credentials": {
"milvusApi": {
"id": "8tMHHoLiWXIAXa7S",
"name": "Milvus account"
}
},
"typeVersion": 1.1
},
{
"id": "4c4cc5a5-e880-466f-a298-4af53a2acbec",
"name": "Sticky Note",
"type": "n8n-nodes-base.stickyNote",
"position": [
-700,
-260
],
"parameters": {
"width": 280,
"height": 180,
"content": "## Step 1\n1. Set up a Milvus server based on [this guide](https://milvus.io/docs/install_standalone-docker-compose.md). And then create a collection named `my_collection`.\n2. Click this workflow to load scrape and load Paul Graham essays to Milvus collection.\n"
},
"typeVersion": 1
},
{
"id": "18f42da4-42ea-4eb0-9c43-ef8bd31ab7ff",
"name": "Sticky Note2",
"type": "n8n-nodes-base.stickyNote",
"position": [
-680,
460
],
"parameters": {
"height": 120,
"content": "## Step 2\nChat and get citations in response"
},
"typeVersion": 1
},
{
"id": "0af427ed-d901-4192-9fdc-986a63fd585b",
"name": "Embeddings OpenAI",
"type": "@n8n/n8n-nodes-langchain.embeddingsOpenAi",
"position": [
1020,
140
],
"parameters": {
"options": {}
},
"credentials": {
"openAiApi": {
"id": "hH2PTDH4fbS7fdPv",
"name": "OpenAi account"
}
},
"typeVersion": 1.2
},
{
"id": "3603852a-bf12-4289-9733-dcd29d12a4f6",
"name": "Default Data Loader",
"type": "@n8n/n8n-nodes-langchain.documentDefaultDataLoader",
"position": [
1160,
120
],
"parameters": {
"options": {},
"jsonData": "={{ $('Extract Text Only').item.json.data }}",
"jsonMode": "expressionData"
},
"typeVersion": 1
},
{
"id": "b49eb3ae-82cb-4d87-8f22-0789b3a14d83",
"name": "OpenAI Chat Model",
"type": "@n8n/n8n-nodes-langchain.lmChatOpenAi",
"position": [
680,
780
],
"parameters": {
"model": {
"__rl": true,
"mode": "list",
"value": "gpt-4o-mini"
},
"options": {}
},
"credentials": {
"openAiApi": {
"id": "hH2PTDH4fbS7fdPv",
"name": "OpenAi account"
}
},
"typeVersion": 1.2
}
],
"active": false,
"pinData": {},
"settings": {
"executionOrder": "v1"
},
"versionId": "5dc48a1d-aaf0-4052-9666-28f9e76d198c",
"connections": {
"Prepare chunks": {
"main": [
[
{
"node": "Answer the query based on chunks",
"type": "main",
"index": 0
}
]
]
},
"Fetch Essay List": {
"main": [
[
{
"node": "Extract essay names",
"type": "main",
"index": 0
}
]
]
},
"Limit to first 3": {
"main": [
[
{
"node": "Fetch essay texts",
"type": "main",
"index": 0
}
]
]
},
"Compose citations": {
"main": [
[
{
"node": "Generate response",
"type": "main",
"index": 0
}
]
]
},
"Embeddings OpenAI": {
"ai_embedding": [
[
{
"node": "Milvus Vector Store",
"type": "ai_embedding",
"index": 0
}
]
]
},
"Extract Text Only": {
"main": [
[
{
"node": "Milvus Vector Store",
"type": "main",
"index": 0
}
]
]
},
"Fetch essay texts": {
"main": [
[
{
"node": "Extract Text Only",
"type": "main",
"index": 0
}
]
]
},
"OpenAI Chat Model": {
"ai_languageModel": [
[
{
"node": "Answer the query based on chunks",
"type": "ai_languageModel",
"index": 0
}
]
]
},
"Embeddings OpenAI2": {
"ai_embedding": [
[
{
"node": "Milvus Vector Store in retrieval",
"type": "ai_embedding",
"index": 0
}
]
]
},
"Default Data Loader": {
"ai_document": [
[
{
"node": "Milvus Vector Store",
"type": "ai_document",
"index": 0
}
]
]
},
"Extract essay names": {
"main": [
[
{
"node": "Split out into items",
"type": "main",
"index": 0
}
]
]
},
"Split out into items": {
"main": [
[
{
"node": "Limit to first 3",
"type": "main",
"index": 0
}
]
]
},
"Set max chunks to send to model": {
"main": [
[
{
"node": "Milvus Vector Store in retrieval",
"type": "main",
"index": 0
}
]
]
},
"Answer the query based on chunks": {
"main": [
[
{
"node": "Compose citations",
"type": "main",
"index": 0
}
]
]
},
"Milvus Vector Store in retrieval": {
"main": [
[
{
"node": "Prepare chunks",
"type": "main",
"index": 0
}
]
]
},
"When clicking \"Execute Workflow\"": {
"main": [
[
{
"node": "Fetch Essay List",
"type": "main",
"index": 0
}
]
]
},
"Recursive Character Text Splitter1": {
"ai_textSplitter": [
[
{
"node": "Default Data Loader",
"type": "ai_textSplitter",
"index": 0
}
]
]
}
}
}Pour qui est ce workflow ?
Ce workflow s'adresse aux équipes de rédaction, de recherche et aux entreprises qui gèrent de grandes quantités de documents. Il est idéal pour les organisations de taille moyenne à grande, ayant un besoin d'automatisation dans la gestion de contenu, et qui possèdent un niveau technique intermédiaire.
Problème résolu
Ce workflow résout le problème de la gestion manuelle des documents, qui peut être chronophage et sujet à des erreurs. En automatisant l'insertion et la récupération de documents, il élimine les frustrations liées à la recherche d'informations, réduit les pertes de temps et améliore la précision des données. Les utilisateurs bénéficient ainsi d'un accès rapide et structuré aux informations nécessaires, ce qui leur permet de travailler plus efficacement.
Étapes du workflow
Étape 1 : L'utilisateur déclenche le workflow manuellement. Étape 2 : Une requête HTTP est effectuée pour récupérer la liste des essais. Étape 3 : Les noms des essais sont extraits et divisés en éléments. Étape 4 : Les textes des essais sont récupérés, avec une limite pour ne garder que les trois premiers. Étape 5 : Le contenu textuel est traité pour extraire uniquement les informations pertinentes. Étape 6 : Les citations sont composées et les réponses sont générées en fonction des données traitées.
Guide de personnalisation du workflow n8n
Pour personnaliser ce workflow, vous pouvez modifier l'URL de la requête HTTP pour pointer vers votre source de données. Vous pouvez également ajuster les paramètres de limite pour récupérer plus ou moins d'essais selon vos besoins. Si vous souhaitez intégrer d'autres outils, envisagez d'ajouter des noeuds supplémentaires pour des traitements spécifiques. Assurez-vous de sécuriser le flux en utilisant des clés API appropriées et en surveillant les performances pour garantir une exécution fluide.