Indexer des fichiers JSON depuis FTP dans Qdrant
Vous avez des documents au format JSON sur un serveur FTP et une base Qdrant pour la recherche sémantique. Le workflow parcourt le dossier, lit chaque fichier .json, le découpe si besoin, puis calcule les embeddings avec OpenAI avant de les écrire dans une collection Qdrant. Le déclenchement est manuel. Avant le premier passage, créez la collection avec une taille de vecteur de 1536 et une distance Cosine, car text-embedding-ada-002 produit des vecteurs de cette dimension.
- Déclencheur
- Lancement manuel
- Taille
- 8 nœuds
- Outils
- Qdrant, OpenAI, FTP
Comment fonctionne ce workflow
- 1
Le nœud Manual Trigger lance l'exécution à la demande.
- 2
Le nœud FTP liste récursivement les fichiers .json du dossier source.
- 3
Le nœud Loop Over Items envoie les fichiers un par un dans le traitement.
- 4
Le nœud FTP télécharge le fichier courant en binaire.
- 5
Le nœud Default Data Loader lit le JSON en mode binaire et le transforme en documents.
- 6
Le nœud Character Text Splitter découpe les documents en morceaux, si vous activez cette étape.
- 7
Le nœud Embeddings OpenAI calcule les vecteurs, et le nœud Qdrant Vector Store les écrit dans la collection par lots de 100.
Quand l'utiliser
- Alimenter une base de connaissances interrogée par un agent RAG à partir de fichiers JSON déposés sur un serveur FTP.
- Réindexer un dossier de documents JSON après une mise à jour manuelle dans Qdrant.
- Préparer une recherche sémantique sur des données structurées produites par un autre système et déposées sur FTP.
À préparer avant l'import
- Un serveur FTP accessible, avec le dossier de fichiers .json et ses identifiants enregistrés dans n8n.
- Une clé API OpenAI, avec le modèle text-embedding-ada-002 disponible sur votre compte.
- Un cluster Qdrant joignable, avec son URL et sa clé API enregistrées dans les identifiants n8n.
- Une collection Qdrant créée avec une taille de vecteur de 1536 et une distance Cosine, via une requête PUT /collections/{collection_name}.
- Le nom de la collection et le chemin du dossier FTP à renseigner dans les nœuds concernés.
Bon à savoir
Commencez par renseigner le chemin FTP et le nom de collection. Vérifiez ensuite que la collection a une taille de vecteur de 1536, sinon l'écriture dans Qdrant échouera.
Installer ce template dans n8n
- Téléchargez le fichier JSON avec le bouton en haut de la page.
- Dans n8n, ouvrez le menu d'un workflow vide, choisissez « Import from File » et sélectionnez le fichier.
- Reliez vos propres identifiants à chaque nœud qui en demande un, lancez un test, puis activez le workflow.
Ce template fonctionne sur n8n auto-hébergé comme sur n8n Cloud. Les nœuds IA demandent une version récente de n8n.
Autres templates : RAG & Base de Connaissances
- Interroger l'API GitHub en chat avec RAG, Pinecone et OpenAIUn chatbot qui répond aux questions sur l'API GitHub à partir de sa spécification OpenAPI, indexée dans Pinecone.
- Interroger ses e-mails sur Telegram avec un agent RAGUn agent IA répond à vos questions sur vos e-mails, à partir d'une base vectorisée et d'une base SQL, depuis Telegram ou le chat de n8n.
- Interroger des PDF Google Drive avec un agent RAG MilvusUn agent de chat qui répond à partir de vos PDF Google Drive, indexés dans une base vectorielle Milvus.
- Recommander des recettes HelloFresh par chat avec Qdrant et MistralRecommande des recettes HelloFresh de la semaine selon vos goûts, depuis un chat, à partir d'une base vectorielle Qdrant.
- Analyser les avis Trustpilot par clusters avec QdrantRegroupe les avis Trustpilot d'une entreprise par thème à partir d'embeddings Qdrant, puis fait résumer chaque groupe par un LLM.
- Interroger MongoDB en langage naturel avec un agent OpenAIUn agent OpenAI interroge une base MongoDB depuis un chat et peut y ajouter vos films favoris.
Vous voulez ce workflow branché sur vos outils ?
Ce template est un point de départ. Nous l'adaptons à vos règles, à vos comptes et à votre hébergement, puis nous le maintenons.
Voir notre accompagnement n8n