Comment créer un RAG avec N8N pour mettre en place un support client IA avec vos documents métiers

Pourquoi le RAG change tout

Vous rêvez d’un chatbot capable de répondre précisément à des questions sur vos CGV, votre documentation interne, vos procédures ou même votre API ? Le RAG, ou Retrieval-Augmented Generation, est la solution qu’il vous faut.

Contrairement aux chatbots classiques qui “hallucinent” des réponses approximatives, un agent IA basé sur le RAG :

• retrouve l’information exacte dans vos documents
• génère une réponse claire et adaptée en langage naturel
• s’appuie sur vos données métier, à jour et privées

Dans ce tutoriel complet, vous allez apprendre à créer un assistant IA personnalisé (RAG) pour le support client (ou tout autre domaine), sans coder, grâce à N8N, une plateforme d’automatisation visuelle open source.

À la fin de ce guide, vous saurez :

• Préparer et indexer vos documents (PDF, FAQ, docs internes…)
• Les transformer en base de connaissances vectorielle
• Créer un chatbot IA qui les comprend réellement
• Lui offrir une interface (chat, formulaire, API…)
• Et même monétiser cette technologie pour vos clients ou votre propre SaaS

Comprendre les bases du RAG

Le RAG, ou Retrieval-Augmented Generation, est une méthode qui permet à une intelligence artificielle de générer des réponses fiables en s’appuyant sur vos propres documents.

Le problème avec les IA classiques

Un chatbot basé uniquement sur un modèle comme GPT peut donner des réponses convaincantes… mais souvent fausses. Pourquoi ? Parce qu’il ne connaît que ce sur quoi il a été entraîné (jusqu’à une certaine date) et n’a pas accès à vos contenus internes.

La solution : le RAG

Le RAG ajoute une étape clé : la récupération de contenu. Avant de répondre, l’IA va chercher les documents les plus pertinents dans une base créée à partir de vos fichiers (PDF, DOC, Notion, etc.). Elle les lit, puis rédige une réponse à partir de ces informations spécifiques.

En résumé, un agent RAG combine :

1. Retrieval : recherche intelligente dans vos données
2. Generation : rédaction d’une réponse claire grâce à un modèle de langage (LLM)

Grâce à cela, vous obtenez un assistant IA capable de :

• Répondre à des questions sur vos CGV, vos fiches produit ou vos documents internes
• Créer une base de connaissances dynamique à jour
• Gérer un support client automatique 24/7 basé sur vos règles

Le RAG ne remplace pas l’IA classique, il la renforce en lui donnant accès à votre savoir.

Préparer ses données pour le RAG

Avant de construire un chatbot intelligent, encore faut-il lui fournir des sources fiables et bien structurées. Cette étape est souvent négligée, alors qu’elle conditionne toute la pertinence des réponses générées par l’IA.

Quels types de documents sont compatibles avec un RAG ?

Le RAG fonctionne aussi bien avec des contenus structurés que non structurés :

• ✅ Fichiers PDF (CGV, contrats, manuels, rapports…)
• ✅ Pages HTML ou sites internes (exportés ou scrapés)
• ✅ Fichiers texte ou Markdown
• ✅ Données issues de Google Docs, Notion, Airtable…
• ✅ Emails, FAQ, articles internes

Bonnes pratiques de structuration

• Utiliser des titres clairs (H1, H2) pour guider la segmentation
• Ajouter des dates, auteurs, catégories si possible
• Éviter les longs paragraphes de plus de 1000 caractères
• Préférer des documents thématiques plutôt que trop généralistes

💡 Astuce : si vos documents sont mal organisés, commencez par les convertir dans un format simple (Markdown ou Google Doc), que vous découperez plus facilement.

Organisation des fichiers

Pour simplifier la gestion, créez une arborescence claire :

• /docs/ → tous les documents traités
• /docs/support/ → CGV, procédures SAV
• /docs/api/ → fichiers OpenAPI, guides dev
• /docs/faq/ → documentation publique

🧩 Cette organisation vous permettra ensuite de gérer des RAG spécialisés par thème, client ou langue.

Outils pratiques pour nettoyer/structurer vos données

• ChatGPT (ou Claude) pour résumer, corriger, uniformiser un texte
• Docsplit, Gotenberg pour convertir des PDF en texte
• Google Docs API pour automatiser l’extraction de contenu
• Regex ou IA pour identifier des blocs de sens dans des documents bruts

✅ Des données bien préparées = des réponses plus fiables, précises et rapides.

Ingestion : créer la base vectorielle

Une fois vos documents prêts, il faut les transformer en une base consultable par votre IA. Cette base n’est pas une base de données classique : elle est dite vectorielle, car elle contient des représentations mathématiques (appelées embeddings) des textes.

Pourquoi utiliser une base vectorielle ?

Les modèles de langage ne savent pas “lire” comme un humain. Ils ont besoin de comparer des vecteurs, c’est-à-dire des séries de nombres représentant le sens d’un texte. Grâce à cela, on peut retrouver rapidement les passages les plus proches d’une question utilisateur.

Étapes d’ingestion dans N8N

1. Charger les documents : Google Drive, webhook, upload local, Dropbox, Notion, etc.
2. Extraire le contenu texte : nœud PDF, HTML, Markdown, texte brut
3. Découper le texte en morceaux (chunks) : via le nœud Text Splitter
4. Générer les embeddings pour chaque chunk : nœud Generate Embedding
5. Stocker les vecteurs dans un vector store : nœud Vector Store

Exemple avec OpenAI + Pinecone

• 📥 PDF → Nœud Read PDF
• ✂️ Découpage : RecursiveCharacterSplitter
• 🔢 Embedding : modèle text-embedding-3-small de OpenAI
• 💾 Stockage : Pinecone (ou Supabase PGVector pour option gratuite)

Chaque chunk est stocké avec des métadonnées utiles : nom du document, source, langue, date, etc.

Astuces de configuration

• Utilisez un overlap (chevauchement) de 20–30% pour ne pas perdre le contexte entre deux chunks
• Privilégiez des chunks de 300 à 600 tokens pour l’équilibre pertinence/coût
• Gardez un identifiant de document pour filtrer plus tard par catégorie

Vector stores compatibles avec N8N

• 🔷 Pinecone – ultra rapide, API simple, idéal pour production
• 🟢 Supabase PGVector – gratuit et auto-hébergeable
• 🟠 Qdrant – open source, rapide, très utilisé dans les projets RAG
• 🟪 Weaviate – complet, avec moteur de recherche hybride

✅ Une fois cette base en place, vous avez créé la mémoire de votre IA.

Récupération & génération de réponses

Une fois vos documents transformés en vecteurs et stockés dans une base, vous pouvez interroger cette base à la volée, en fonction d’une question utilisateur. Le RAG combine alors deux opérations clés :

• 🔍 Retrieval : retrouver les chunks les plus pertinents par similarité
• 🧠 Generation : créer une réponse claire, en langage naturel, à partir de ces éléments

Étapes du workflow N8N pour répondre à une question

1. Recevoir la question utilisateur (chat, webhook, email…)
2. Transformer la question en vecteur (nœud Generate Embedding)
3. Interroger la base vectorielle (nœud Query Vector Store)
4. Réinjecter les chunks trouvés dans un prompt
5. Appeler un modèle LLM (nœud LLM Agent ou Chat Completion)
6. Envoyer la réponse (par email, interface web, API…)

Exemple concret

Question : « Que faire en cas de rétractation d’un achat en ligne ? »
➜ L’IA interroge votre PDF de CGV
➜ Elle extrait la section “Droit de rétractation”
➜ Elle reformule une réponse claire, avec délai, procédure, et lien vers le formulaire

Les nœuds clés dans N8N

• Chat Trigger ou Webhook : point d’entrée de la question
• Generate Embedding : transforme la question en vecteur
• Query Vector Store : récupère les chunks les plus proches
• LLM Agent ou Chat Completion : crée la réponse
• Send Email ou Telegram : sortie personnalisée

Astuces pour une génération efficace

• 🎯 Limitez la requête à 3 à 5 chunks pour éviter la surcharge
• 📋 Injectez un prompt strict : « Réponds uniquement à partir de ces documents… »
• 🔗 Citez vos sources si possible (nom du fichier, ligne de texte, lien interne…)

✅ Vous venez de créer un assistant IA qui comprend vraiment ce que vous lui demandez… parce qu’il va lire vos documents avant de répondre.

Créer une interface de chatbot

Une fois votre agent RAG fonctionnel dans N8N, vous pouvez l’ouvrir à vos utilisateurs via une interface de chat. L’objectif est de rendre l’expérience simple, interactive et personnalisée, sans avoir besoin de développer une application complète.

Option 1 – Utiliser l’interface de chat native de N8N

• ✅ Accessible depuis le nœud Chat Trigger
• ✅ Permet de simuler des conversations directement dans l’éditeur
• ❌ Limité à un usage test, sans personnalisation visuelle

Option 2 – Créer une interface web personnalisée

Voici plusieurs solutions pour intégrer votre agent IA dans un site web ou une app :

• 🧱 Framer / Webflow : intégrez un formulaire ou widget qui appelle un Webhook N8N
• 🔗 Formulaire HTML classique : envoie la question à un Webhook, récupère la réponse via API
• 💬 Widget de chat JS (comme Tidio ou Chatbase, connecté à N8N en backend)
• ⚙️ Bubble.io ou Glide : front no-code + backend N8N

Option 3 – Connecter à des messageries

• 💬 Telegram : très facile à connecter via nœuds dédiés
• 📘 Messenger : via l’API Meta + Webhook
• 📱 WhatsApp Business : nécessite un provider comme Twilio
• 🟣 Discord : API simple pour bots communautaires ou support interne

Recommandations UX

• Ajoutez une animation de “réponse en cours…” pendant l’attente du LLM
• Gardez l’historique localement ou côté serveur pour les conversations longues
• Affichez un message sur la confidentialité si les données utilisateur sont sensibles

✅ Une bonne interface transforme un simple agent IA en un vrai produit utilisable, fluide et rassurant pour l’utilisateur final.

Cas pratiques détaillés

Voici plusieurs exemples concrets d’agents RAG construits avec N8N, chacun adapté à un domaine métier spécifique. Ces cas peuvent être facilement adaptés à votre propre activité, vos clients ou vos projets internes.

Cas 1 – Support client sur base documentaire

• Données : CGV, politique de retour, FAQ, tutoriels PDF
• Objectif : répondre aux clients 24/7 sur des questions courantes
• Particularité : filtrage des documents par type ou catégorie (SAV, livraison, remboursement…)
• Exemple de question : “Combien de temps ai-je pour retourner un produit ?”

Cas 2 – Assistant développeur pour API interne

• Données : spécifications OpenAPI, guides d’authentification, snippets de code
• Objectif : aider les devs à intégrer rapidement une API
• Particularité : l’agent peut générer du code, des headers, ou détecter les erreurs fréquentes
• Exemple : “Comment créer une requête POST avec OAuth2 en Node.js ?”

Cas 3 – Agent financier intelligent

• Données : rapports annuels, résultats trimestriels, indices boursiers
• Objectif : résumer des tendances ou comparer des périodes
• Particularité : intégration avec des données externes temps réel (via HTTP Request)
• Exemple : “Comment a évolué le chiffre d’affaires de Tesla entre 2022 et 2024 ?”

Cas 4 – Assistant juridique pour cabinet ou RH

• Données : conventions collectives, modèles de contrats, procédures internes
• Objectif : répondre aux questions RH ou juridiques sans mobilisation humaine
• Particularité : gestion du ton, vérification de la source légale
• Exemple : “Quel est le délai de préavis pour un CDI après 3 ans d’ancienneté ?”

Cas 5 – Agent e-commerce spécialisé produit

• Données : fiches techniques, manuels, notices d’utilisation
• Objectif : conseiller les visiteurs ou gérer les SAV techniques
• Particularité : peut filtrer par référence produit ou par catégorie
• Exemple : “Comment changer la cartouche du modèle D340 ?”

💡 Ces workflows peuvent être importés, clonés et adaptés à vos besoins via les templates JSON exportables depuis N8N.

Automatiser l’ingestion & la mise à jour

Un RAG statique devient vite obsolète. Pour maintenir un agent IA performant et à jour, il est essentiel d’automatiser l’ingestion et la revectorisation des documents dès qu’un fichier est modifié ou ajouté.

Objectif : ingestion continue

Chaque fois qu’un nouveau document est ajouté dans Google Drive, Notion ou Dropbox :

• Il est détecté automatiquement
• Converti et découpé si nécessaire
• Ses chunks sont transformés en embeddings
• Ils sont ajoutés ou mis à jour dans votre base vectorielle

Exemple : Google Drive → Pinecone (workflow automatique)

1. Google Drive Trigger : surveille l’ajout de nouveaux fichiers dans un dossier spécifique
2. Read PDF : lit et extrait le contenu texte du fichier
3. Text Splitter : découpe le texte en chunks
4. Generate Embedding : génère les vecteurs
5. Vector Store : stocke les embeddings dans Pinecone ou Supabase

Mise à jour automatique

• Chaque document est identifié par un slug ou un document_id unique
• En cas de modification, l’ancien contenu est supprimé et remplacé dans la base vectorielle
• Utilisez des métadonnées (date, version, langue…) pour gérer les conflits

Suppression des documents obsolètes

• Planifiez un nettoyage avec un nœud Cron ou un script Python
• Vérifiez les documents marqués comme “deprecated” ou “archived”
• Supprimez leurs vecteurs dans la base (via ID ou métadonnées)

Bonnes pratiques

• 🚦 Ajoutez une file d’attente (nœud Wait) pour éviter les conflits si plusieurs fichiers arrivent en même temps
• 🧪 Journalisez les mises à jour (date, titre, statut) dans un Google Sheet ou Airtable
• 🔐 Vérifiez les formats avant ingestion (PDF, UTF-8, pas de fichier vide)

✅ Grâce à cette automatisation, votre agent IA restera toujours au plus proche de vos dernières données métier.

Cas avancé : support client autonome multi-clients

Vous proposez un service de support externalisé pour plusieurs clients ? Ou vous développez une solution SaaS en marque blanche ? Il est possible de créer un agent RAG capable de répondre en fonction du client interrogé, sans mélanger les bases de connaissances.

Cas d’usage typique

• 📂 Chaque client possède ses propres documents (CGV, notices, politiques internes…)
• 🧠 Chaque base vectorielle est séparée ou filtrée
• 🤖 L’agent répond de manière contextuelle selon l’origine de la requête

Méthodes possibles

1. 🔐 Une base vectorielle unique avec filtrage dynamique

• Stockez tous les vecteurs dans la même base, avec une métadonnée client_id
• Lors de la requête, filtrez uniquement les chunks du bon client
• ➡️ Simple à maintenir, mais attention à bien cloisonner

2. 🧱 Une base vectorielle par client

• Créez une instance Pinecone/Supabase par client
• Le workflow interroge dynamiquement la bonne base selon le client
• ➡️ Plus sécurisé, mais plus complexe à gérer à grande échelle

Identifier dynamiquement le client

• Via le sous-domaine (ex. client1.monsaas.com)
• Via l’adresse email ou le token de session
• Via le document d’origine si uploadé depuis une interface spécifique

Gestion documentaire multi-clients

• Créez un Google Drive ou un dossier par client
• Ajoutez une colonne “client_id” dans vos Google Sheets / Notion
• Générez automatiquement un log d’importation par client

Exemple d’architecture hybride

• Tous les fichiers en Google Drive
• Google Sheet contenant les correspondances fichier → client
• N8N lit ce mapping pour orienter l’ingestion vers la bonne base
• L’agent IA charge dynamiquement la bonne base vectorielle à chaque question

✅ Avec ce système, vous pouvez gérer un nombre illimité de clients, chacun avec son propre agent IA… sans jamais croiser leurs données.

Tests, performances & limites

Un agent RAG fonctionnel ne suffit pas : encore faut-il le tester, l’optimiser et comprendre ses limites pour garantir des réponses fiables, rapides et pertinentes.

Comment tester un agent RAG efficacement ?

• ✅ Posez des questions précises sur chaque type de document indexé
• ✅ Testez des variantes de formulation (ex. “politique de retour” vs “remboursement”)
• ✅ Vérifiez que l’IA sait dire “je ne sais pas” si la réponse n’est pas dans la base
• ✅ Ajoutez des cas piégés (documents contradictoires, vieux fichiers)

Performances et vitesse

• Plus le corpus est grand, plus la recherche prend de temps ➜ limitez à top_k = 4 résultats
• L’inférence LLM peut être lente ➜ privilégiez des modèles rapides (flash/instant)
• Préfiltrage par catégorie ou client accélère fortement la recherche

Optimisation des chunks

• Taille idéale : entre 300 et 600 tokens
• Overlap recommandé : 50 à 100 tokens pour garder le contexte entre deux morceaux
• Nettoyez les documents trop courts, non pertinents ou vides avant ingestion

Limites connues du RAG

• Hallucinations si le prompt n’impose pas de s’en tenir aux documents
• Réponses vagues si les chunks récupérés sont trop éloignés de la question
• Documents obsolètes : sans mise à jour automatique, la réponse peut être erronée
• Pas de raisonnement multi-documents complexe (limite contextuelle du LLM)

Sécurité & vérification

• Ajoutez un log des réponses données (question + source utilisée)
• Filtrez les accès aux bases vectorielles sensibles (authentification requise)
• Testez chaque version avant mise en production, surtout en support client ou juridique

✅ Un agent RAG bien testé et optimisé sera 10x plus utile et crédible aux yeux de vos utilisateurs… et vous évitera bien des erreurs.

Étendre votre agent IA RAG

Une fois votre RAG fonctionnel, vous pouvez le rendre encore plus puissant en ajoutant des fonctions avancées. Ces modules facultatifs augmentent la valeur ajoutée de votre agent IA et permettent d’en faire un véritable outil professionnel complet.

Ajouter des outils de recherche sémantique complémentaires

• Ajouter une étape de recherche par mot-clé avant le RAG
• Afficher les résultats trouvés avant génération (style “Voici ce que j’ai trouvé :…”)
• Utiliser un moteur hybride (Qdrant, Weaviate) combinant mots-clés + vecteurs

Enrichir le raisonnement de l’agent

• Ajoutez un “memory tool” pour contextualiser les échanges précédents
• Créez une boucle d’auto-réflexion (“l’agent reformule sa réponse s’il doute”)
• Intégrez des calculs ou vérifications (ex. montant TTC, délais légaux…)

Multilingue & internationalisation

• Détecter automatiquement la langue d’entrée et traduire le prompt
• Utiliser des LLM multilingues (OpenAI, Mistral, Claude, Gemini Pro)
• Indexer des documents dans plusieurs langues, avec métadonnées de langue

Ajout de canaux vocaux

• Intégrer Whisper (transcription vocale en texte)
• Ajouter ElevenLabs, Play.ht ou Google TTS pour la réponse vocale
• Connecter à Twilio ou WhatsApp pour de l’assistance audio interactive

Ajouter des règles d’accès

• Filtrer les données selon le profil utilisateur (client, employé, admin…)
• Intégrer un module de tokenisation JWT ou OAuth pour restreindre l’accès
• Logguer les requêtes sensibles, avec alerte si contenu confidentiel

✅ En ajoutant ces briques optionnelles, vous passez d’un simple chatbot IA à une véritable application métier intelligente, sécurisée et évolutive.

Monétiser un agent RAG

Un agent IA basé sur le RAG n’est pas seulement un outil interne. C’est aussi une offre de service vendable, un produit SaaS, ou une solution premium pour vos clients. Voici plusieurs modèles économiques possibles vous permettant de gagner de l’argent en vendant un agent RAG créé avec N8N.

1. Service de support externalisé

• Cible : PME, avocats, e-commerçants, agences…
• Vous créez un agent sur mesure à partir de leur documentation
• Livraison via un chatbot web ou API intégrable
• Tarification : abonnement mensuel + setup initial

2. Fonctionnalité dans un SaaS existant

• Intégration d’un assistant IA dans votre propre produit
• Exemple : plateforme RH ➜ agent qui lit le code du travail + politique interne
• Tarif “Pro” ou “Premium” pour l’accès à l’agent

3. Produit “RAG as a Service”

• Plateforme centralisée où chaque client peut uploader ses documents
• Ingestion automatisée (voir Partie 7)
• Agent généré automatiquement, accessible via une interface ou API
• Tarification au volume, à l’usage ou au nombre de documents

4. Offre d’agence ou de freelance

• Vous proposez la mise en place d’un chatbot IA documenté à vos clients
• Intégration dans leur site, Notion, intranet, CRM ou espace client
• Devis type : setup technique + option maintenance mensuelle

5. Accès payant à une base documentaire augmentée

• Vous créez une base (FAQ juridique, fiches métiers, formations…) enrichie d’un agent IA
• L’accès se fait par abonnement ou compte payant
• L’agent devient un service de recherche intelligent exclusif

✅ Un agent RAG bien construit peut être valorisé économiquement aussi bien comme produit, que comme service ou brique technologique intégrable.

Exercice guidé : créer un chatbot RAG pas à pas avec N8N

Passons de la théorie à la pratique ! Cet exercice vous guide pas à pas pour créer un agent IA RAG capable de répondre à des questions sur la documentation API de GitHub. Objectif : construire un chatbot basé sur vos propres documents, en connectant N8N à une base vectorielle et à un LLM.

Prérequis avant de commencer

• ✅ Un compte N8N (cloud ou auto-hébergé via Docker, Coolify, etc.)
• ✅ Une clé API OpenAI (pour les embeddings + génération)
• ✅ Un compte Pinecone (ou Supabase PGVector) pour stocker les vecteurs
• ✅ Une compréhension de base des bases vectorielles (pas obligatoire, mais utile)

Étape 1 – Préparer les données à indexer

• Ajoutez un nœud HTTP Request pour récupérer le fichier OpenAPI 3.0 depuis une URL GitHub brute (format JSON)

• Ce fichier représente toute la documentation technique de l’API GitHub
• Il servira ensuite à alimenter notre base vectorielle

Étape 2 – Générer et stocker les embeddings dans Pinecone

Dans cette étape clé, nous allons créer des représentations vectorielles (embeddings) à partir du contenu de la documentation, puis les stocker automatiquement dans une base vectorielle Pinecone.

• Commencez par ajouter un nœud Pinecone Vector Store et configurez-le en mode “Save Document Chunks”

• Ajoutez ensuite un nœud OpenAI Embeddings et connectez-le au Vector Store

• Utilisez le modèle text-embedding-3-small et vos identifiants OpenAI
• Ajoutez un nœud Default Data Loader pour gérer le flux de documents

• Reliez enfin un nœud Recursive Character Text Splitter au Data Loader pour découper le contenu en fragments adaptés

📌 Tous ces nœuds sont connectés en cascade : le Text Splitter découpe, le Data Loader charge, le nœud Embeddings transforme chaque chunk en vecteur, et le Pinecone Vector Store les stocke.

Étape 3 – Enregistrer les vecteurs

Exécutez ce workflow d’ingestion : les chunks seront vectorisés et stockés dans Pinecone. Vous pouvez consulter leur présence via le dashboard Pinecone.

💡 Cette partie constitue un workflow indépendant, réutilisable régulièrement.

Étape 4 – Construire le chatbot conversationnel

1. Ajoutez un nœud Chat Trigger pour réceptionner les questions
2. Ajoutez un AI Agent en mode Tools Agent
3. Ajoutez un prompt système : “Tu es un assistant spécialisé dans l’API GitHub OpenAPI v3.”

1. Ajoutez un OpenAI Chat Model (gpt-4o-mini recommandé)

Étape 5 – Connexion à la base vectorielle

• Ajoutez un nœud Window Buffer Memory pour garder le contexte

• Ajoutez un Vector Store Tool avec description explicite (ex. “OpenAPI GitHub”)

• Connectez-le à un Pinecone Vector Store (mode “Retrieve Documents”)

• Ajoutez un nœud OpenAI Embeddings pour transformer la question

• Ajoutez un second Chat Model pour synthétiser la réponse

Étape 6 – Tester votre agent IA RAG

Utilisez l’interface “Chat” de N8N pour poser une question (ex : “Comment je crée une app github depuis un manifeste ?”). Vous verrez l’agent aller chercher les bons passages dans Pinecone et générer une réponse complète.

🎉 Résultat obtenu

• ✅ 1 workflow d’ingestion (OpenAPI → Pinecone)
• ✅ 1 workflow conversationnel (chat utilisateur → réponse enrichie)
• ✅ Un agent intelligent fonctionnel, prêt à être adapté à vos propres données

🎯 Conclusion – Ce que vous pouvez faire ensuite

Vous venez de parcourir un guide complet sur la création d’un agent IA RAG avec N8N. Vous avez appris à structurer vos documents, créer une base vectorielle, construire un chatbot intelligent, et même à monétiser votre solution.

Ce type d’agent est bien plus qu’un assistant : c’est une véritable brique technologique que vous pouvez intégrer dans des projets SaaS, des services clients, des outils internes, ou revendre à vos clients professionnels.

Prochaines étapes

• 📚 Explorez de nouveaux cas d’usage (RH, juridique, commercial, médical…)
• 🧰 Ajoutez des fonctions avancées (mémoire longue, voix, actions sur données)
• 🌍 Déployez votre agent dans votre site, CRM ou interface client
• 💸 Créez votre propre plateforme RAG-as-a-Service (multi-clients)

N8N + RAG = autonomie, scalabilité, puissance. À vous de jouer maintenant.