IA · Tutoriel

Créer un agent IA avec n8n : tutoriel pas-à-pas

25 mai 2026 Simon Perthuis 12 min de lecture

Un agent IA dans n8n est un workflow autonome qui reçoit une entrée, raisonne via un LLM, choisit les outils à appeler et produit une sortie — sans intervention humaine à chaque étape. Concrètement : un AI Agent node orchestré par LangChain, connecté à un modèle de langage, des tools et un module de mémoire, le tout assemblé visuellement sur le canvas n8n.

Vous préférez déléguer la mise en œuvre ? Découvrez nos services d'agents IA →

Prérequis avant de commencer

Avant d'ouvrir le canvas, vérifiez ces trois points :

Instance n8n

Deux options :

n8n Cloud : compte gratuit disponible sur n8n.io. Idéal pour tester rapidement.
Self-hosted : Docker ou npm sur votre propre serveur. Recommandé pour la production — vous gardez le contrôle total sur vos données.

Version minimale requise : n8n 1.82.0 ou supérieur. Depuis cette version, tous les nœuds AI Agent fonctionnent en mode Tools Agent par défaut, le mode le plus puissant et le plus stable.

Clé API LLM

Vous aurez besoin d'au moins une de ces clés :

OpenAI : platform.openai.com → GPT-4o recommandé pour les agents complexes, gpt-4o-mini pour les tâches simples (coût ~10x inférieur).
Anthropic : console.anthropic.com → Claude 3.5 Sonnet, excellent pour le raisonnement structuré.

Compte n8n configuré

Dans n8n, allez dans Settings → Credentials et créez une credential OpenAI API ou Anthropic API. N8n stocke les clés de façon sécurisée et les rend réutilisables dans tous vos workflows.

Architecture d'un agent IA dans n8n

Avant de cliquer, comprendre la structure évite 80 % des erreurs de débutant. Voici l'architecture de base :

[Trigger] → [AI Agent node] ──→ [LLM sub-node : OpenAI Chat Model]
                          ├──→ [Tool 1 : HTTP Request]
                          ├──→ [Tool 2 : Google Sheets]
                          ├──→ [Tool 3 : Slack]
                          └──→ [Memory : Window Buffer Memory]
                                        ↓
                               [Output / nœud suivant]

Les 4 composants essentiels :

Composant	Rôle	Nœud n8n
Trigger	Démarre le workflow	`Chat Trigger`, `Webhook`, `Schedule`
Agent	Orchestre le raisonnement	`AI Agent`
LLM	Cerveau du raisonnement	`OpenAI Chat Model`, `Anthropic Chat Model`
Memory	Contexte conversationnel	`Window Buffer Memory`, `Postgres Chat Memory`
Tools	Actions sur le monde réel	`HTTP Request`, `Google Sheets`, `Slack`…

Le nœud AI Agent est le chef d'orchestre : il reçoit l'entrée, décide quels tools appeler et dans quel ordre, puis formule la réponse finale. Les sub-nodes (LLM, memory, tools) se connectent à lui via des connecteurs dédiés.

Tutoriel pas-à-pas : créer votre premier agent IA avec n8n

Étape 01 — Créer un nouveau workflow et choisir le trigger

Dans n8n, cliquez sur "New Workflow", donnez-lui un nom explicite (Agent IA - Support Client par exemple), puis cliquez sur "Add first step" et choisissez le trigger adapté à votre cas :

Trigger	Quand l'utiliser
`Chat Trigger`	Agent conversationnel avec interface chat intégrée
`Webhook`	Appel depuis une app externe (Slack, site web…)
`Schedule Trigger`	Agent qui tourne à intervalles réguliers
`Manual Trigger`	Tests et développement uniquement

Pour ce tutoriel, sélectionnez Chat Trigger. Il expose automatiquement une interface de chat et fournit un sessionId par utilisateur — indispensable pour la mémoire conversationnelle.

Étape 02 — Ajouter le nœud AI Agent

Cliquez sur le "+" à la sortie du trigger, cherchez "AI Agent" et sélectionnez-le. Dans le panneau de configuration, repérez ces champs clés :

System Message : les instructions de rôle de votre agent (voir exemple ci-dessous).
Max Iterations : nombre maximum de tours de raisonnement. Défaut : 10. Augmentez à 15–20 pour les tâches complexes, réduisez à 5–8 pour les tâches simples.
Return Intermediate Steps : activez en développement pour voir chaque appel d'outil — très utile pour déboguer.

Exemple de System Message pour un agent SAV :

Tu es un agent de support client pour [Entreprise].
Tu aides les utilisateurs avec leurs commandes, questions produit et problèmes techniques.
Sois concis, professionnel et bienveillant.
Si tu ne peux pas résoudre un problème, propose d'escalader vers un humain.
Utilise l'outil "Vérifier commande" pour accéder aux données de commande.

Étape 03 — Configurer le modèle LLM (GPT-4o ou Claude)

Cliquez sur le connecteur "AI Language Model" (port violet) du nœud AI Agent, puis ajoutez OpenAI Chat Model (ou Anthropic Chat Model pour Claude). Dans le panneau du sub-node :

Credential : sélectionnez la credential créée en prérequis.
Model : gpt-4o pour la puissance, gpt-4o-mini pour le coût (~15x moins cher).
Temperature : 0.2 pour des réponses factuelles et prévisibles, 0.7 pour plus de créativité.

Vous pouvez changer de provider à tout moment en déconnectant un sub-node et en connectant un autre — la configuration de l'agent reste intacte. Consultez notre comparatif n8n vs Make pour comprendre pourquoi n8n est la plateforme de référence pour les agents IA complexes.

Étape 04 — Ajouter des tools (HTTP Request, Google Sheets, Slack…)

Les tools sont ce qui distingue un agent d'un simple chatbot. Cliquez sur le connecteur "Tool" (port orange) du nœud AI Agent et ajoutez les nœuds-outils dont votre agent a besoin :

Tool	Usage typique	Configuration clé
`HTTP Request`	Appeler n'importe quelle API REST	URL, méthode, headers, body
`Google Sheets`	Lire/écrire des données dans un tableur	Spreadsheet ID, opération
`Slack`	Envoyer des notifications ou messages	Channel, message template
`Gmail`	Lire ou envoyer des emails	Filtre, destinataire
`Code`	Logique custom en JavaScript	Fonction JS inline

Important : chaque tool doit avoir une description claire et précise. C'est cette description que le LLM lit pour décider s'il doit appeler ce tool ou non. Une description vague = un agent qui choisit mal ses outils.

Exemple de description pour un tool HTTP Request qui interroge une API commandes :
"Utilise cet outil pour récupérer les informations d'une commande client. Paramètre requis : order_id (string). Retourne le statut, la date et le montant de la commande."

Étape 05 — Configurer la mémoire (Window Buffer Memory)

Sans mémoire, chaque message repart de zéro — l'agent ne sait pas ce qui a été dit avant. Cliquez sur le connecteur "Memory" (port bleu), ajoutez Window Buffer Memory et configurez le Context Window Length :

5 messages : agent de triage, réponses courtes, coût minimal.
10–20 messages : agent conversationnel, support client, assistant.
Plus de 20 : attention au coût en tokens — chaque message supplémentaire est envoyé au LLM à chaque tour.

Attention en production : le Window Buffer Memory stocke le contexte en RAM. Il disparaît au redémarrage de n8n. Pour un agent en production avec de vrais utilisateurs, passez sur Postgres Chat Memory ou Redis Chat Memory — ils persistent les données entre les sessions et les redémarrages.

Étape 06 — Tester et déboguer le workflow

Votre workflow est prêt. Avant d'activer :

Cliquez sur "Chat" (bouton en bas à gauche du canvas) pour ouvrir l'interface de chat intégrée.
Envoyez un message simple : "Bonjour, qui es-tu ?" — l'agent doit répondre selon votre System Message.
Testez un cas qui déclenche un tool : "Quel est le statut de la commande #12345 ?"

Déboguer efficacement :

Activez "Return Intermediate Steps" dans le nœud AI Agent : vous verrez chaque appel de tool et sa réponse dans le panneau de sortie.
Si l'agent boucle ou dépasse les Max Iterations : vérifiez la description de vos tools et affinez votre System Message.
Si un tool n'est jamais appelé : sa description est probablement trop vague ou ne correspond pas aux termes utilisés dans les messages de test.

Une fois satisfait, cliquez sur "Save" puis "Activate" pour mettre le workflow en production.

Cas d'usage concrets pour cet agent n8n

Voici trois configurations éprouvées que nous déployons chez nos clients. Pour des résultats chiffrés, consultez notre cas d'étude agent IA SAV e-commerce.

Agent SAV automatisé

Trigger : Chat Trigger ou Webhook depuis le site web.
Tools : HTTP Request (API commandes), Google Sheets (base FAQ), Gmail (escalade humaine).
Résultat : résolution autonome de 60 à 70 % des tickets de niveau 1, sans intervention humaine.

Agent de prospection commerciale

Trigger : Schedule Trigger (chaque matin à 8h).
Tools : HTTP Request (enrichissement LinkedIn/Apollo), Google Sheets (CRM léger), Gmail (envoi d'emails personnalisés).
Résultat : 50 à 100 emails de prospection personnalisés générés et envoyés chaque matin, avec tracking dans le tableur.

Agent de veille concurrentielle

Trigger : Schedule Trigger (hebdomadaire).
Tools : HTTP Request (APIs de news, RSS), OpenAI Chat Model (synthèse), Slack (rapport hebdo).
Résultat : rapport de veille automatique livré chaque lundi dans le channel Slack de l'équipe, sans aucune intervention manuelle.

Aller plus loin : les limites de n8n pour les agents IA complexes

N8n est excellent pour 80 % des cas d'usage. Mais certaines situations atteignent ses limites naturelles.

Ce que n8n gère bien

Agents mono-tâche ou multi-tools avec logique linéaire
Intégrations avec des centaines d'apps via des nœuds natifs
Workflows hybrides : automatisation déterministe + IA
Self-hosting pour la confidentialité des données (conformité RGPD)

Les limites à connaître

Mémoire long-terme : le Window Buffer Memory ne persiste pas entre sessions. Pour une vraie mémoire persistante, il faut Postgres, Redis ou une base vectorielle (Qdrant, Pinecone) — ce qui ajoute de la complexité infrastructure.
Multi-agents complexes : orchestrer plusieurs agents spécialisés qui collaborent est possible dans n8n, mais la configuration devient vite complexe à maintenir.
Coûts tokens : un agent qui boucle sur de nombreuses itérations avec un historique long peut générer des factures API surprenantes. Surveillez vos Max Iterations et la taille du contexte.
Pas de code natif Python : n8n utilise JavaScript pour les nœuds Code. Si votre équipe est Python-first, la courbe d'apprentissage existe.

Pour des architectures multi-agents, des pipelines RAG avancés ou des agents avec mémoire long-terme complexe, une implémentation sur mesure peut être plus adaptée.

Avant de passer en production, pensez à cadrer votre cas d'usage avec un audit IA — il identifie les quick wins, évalue la maturité de vos données et vous évite d'automatiser un processus cassé.

FAQ : créer un agent IA avec n8n

01 Quelle est la différence entre un nœud LLM et un nœud AI Agent dans n8n ?

Un nœud LLM (comme OpenAI Chat Model) prend un input, génère une réponse et s'arrête. Un nœud AI Agent va plus loin : il reçoit un objectif, décide quels outils appeler, exécute plusieurs étapes de raisonnement en boucle, et s'arrête seulement quand il a une réponse satisfaisante. L'agent est autonome ; le LLM seul ne l'est pas.

02 Peut-on utiliser Claude d'Anthropic à la place de GPT-4o dans n8n ?

Oui. Ajoutez un sub-node Anthropic Chat Model à la place de OpenAI Chat Model et connectez-le au port violet du AI Agent. La configuration de l'agent reste identique — n8n abstrait complètement le provider. Claude 3.5 Sonnet est particulièrement performant pour les tâches de raisonnement structuré.

03 Le Window Buffer Memory persiste-t-il entre les sessions utilisateur ?

Non. Le Window Buffer Memory stocke le contexte en RAM et le perd au redémarrage de n8n ou entre deux sessions distinctes. Pour un agent en production, utilisez Postgres Chat Memory ou Redis Chat Memory avec un sessionId unique par utilisateur.

04 Combien coûte un agent IA n8n en production ?

Le coût se décompose en hébergement n8n (gratuit en self-hosted, à partir de ~20 $/mois en cloud) et appels API LLM. Avec GPT-4o-mini, un agent traitant 500 conversations/jour coûte typiquement entre 5 et 20 $/mois en tokens. Avec GPT-4o, multipliez par 10 à 15.

05 Peut-on connecter n8n à une base de données vectorielle pour du RAG ?

Oui. N8n intègre nativement des nœuds pour Qdrant, Pinecone et d'autres bases vectorielles. Configurez un nœud Vector Store en mode retrieval et connectez-le comme tool à votre AI Agent. L'agent interrogera automatiquement la base vectorielle pour les questions nécessitant des connaissances externes.