Recommander des films par chatbot RAG avec Qdrant et OpenAI
Un chat reçoit une demande de film formulée en langage naturel, et un agent IA la transforme en requête pour l'API de recommandation de Qdrant. Les films et leurs descriptions doivent être chargés au préalable dans le vector store Qdrant, à partir de données lues sur GitHub. Il faut donc lancer la partie d'import avant le chat, et disposer d'une clé OpenAI pour les embeddings comme pour le modèle de chat.
- Déclencheur
- Message de chat
- Taille
- 25 nœuds
- Outils
- GitHub, OpenAI, Qdrant, Agent IA, Requêtes HTTP (API)
Comment fonctionne ce workflow
- 1
Le Manual Trigger lance l'import, et le node GitHub récupère le fichier contenant les films.
- 2
Le node Extract from File lit le contenu du fichier récupéré.
- 3
Le Default Data Loader et le Token Splitter découpent les descriptions de films en segments.
- 4
Les Embeddings OpenAI transforment ces segments en vecteurs, que le Qdrant Vector Store enregistre.
- 5
Le Chat Trigger reçoit la question de l'utilisateur, et l'AI Agent la reformule pour l'outil de recommandation.
- 6
Le sous-workflow, démarré par Execute Workflow Trigger, appelle l'API de recommandation de Qdrant avec un HTTP Request.
- 7
Le OpenAI Chat Model rédige la réponse finale, et Window Buffer Memory conserve les derniers échanges.
Quand l'utiliser
- Proposer des films à un visiteur qui décrit en langage naturel ce qu'il cherche.
- Tester une recommandation fondée sur des descriptions avant de l'intégrer à un catalogue.
- Servir de base à un chatbot de catalogue qui s'appuie sur des textes plutôt que sur des tags.
À préparer avant l'import
- Un compte GitHub, avec ses identifiants enregistrés dans n8n pour le node GitHub
- Une clé API OpenAI, enregistrée dans les identifiants OpenAI de n8n
- Une instance Qdrant accessible, avec son URL et sa clé API dans les identifiants Qdrant de n8n
- Le fichier de films et de descriptions à importer, accessible depuis le dépôt GitHub configuré
Bon à savoir
Lancez d'abord le Manual Trigger pour charger les films dans Qdrant, puis testez le chat. Le réglage à modifier en premier est le nom de la collection dans le node Qdrant Vector Store.
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 une base Notion avec un agent IA dans un chatUn agent OpenAI répond aux questions à partir d'une base de connaissances Notion, directement dans un chat.
- Analyser des rapports trimestriels boursiers avec un agent RAGLit des PDF de résultats trimestriels, les indexe dans Pinecone et rédige un rapport d'analyse dans Google Docs.
- Indexer les fichiers Google Drive dans pgvector avec OpenAILit les fichiers d'un dossier Google Drive, les découpe, calcule leurs embeddings OpenAI et les écrit dans pgvector.
- Interroger les documents Google Drive avec un agent IAUn agent IA répond aux questions à partir des documents d'un dossier Google Drive, indexés dans Pinecone.
- Chatbot RAG sur vos documents Google Drive avec Gemini et QdrantUn chatbot qui répond à partir de vos documents Google Drive, stockés dans Qdrant et interrogés avec Gemini.
- Classer les questions du chat puis interroger Qdrant avec GeminiUn chat RAG qui classe chaque question, adapte la recherche dans une collection Qdrant, puis répond en tenant compte des documents trouvés.
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