Répondre aux questions sur les essais de Paul Graham avec Milvus
Le workflow télécharge les essais de Paul Graham avec HTTP Request, en extrait le texte avec HTML, puis les découpe et les vectorise avec OpenAI avant de les écrire dans une collection Milvus. Une fois le chargement lancé à la main, un Chat Trigger reçoit vos questions et une Retrieval QA Chain répond à partir des passages retrouvés. Il faut un serveur Milvus et la collection my_collection créés au préalable.
- Déclencheur
- Message de chat
- Taille
- 17 nœuds
- Outils
- OpenAI, Requêtes HTTP (API), Milvus
Comment fonctionne ce workflow
- 1
Le déclencheur Manual Trigger lance le chargement, et HTTP Request télécharge les pages d'essais de Paul Graham.
- 2
HTML extrait le texte de chaque page, puis Split Out sépare les éléments et Limit en réduit le nombre.
- 3
Default Data Loader et Recursive Character Text Splitter préparent les documents et les découpent en morceaux.
- 4
Embeddings OpenAI calcule les vecteurs, et Milvus Vector Store les écrit dans la collection my_collection.
- 5
Le Chat Trigger reçoit la question, et Vector Store Retriever cherche dans Milvus les passages les plus proches.
- 6
Retrieval QA Chain transmet les passages et la question au modèle OpenAI Chat, qui rédige la réponse.
Quand l'utiliser
- Interroger un corpus d'essais en langage naturel, sans les relire un par un.
- Tester une chaîne RAG avec Milvus avant de la reprendre sur d'autres textes.
- Montrer à une équipe comment un retriever vectoriel alimente la réponse d'un modèle.
À préparer avant l'import
- Un serveur Milvus installé selon le guide officiel, avec Docker Compose
- Une collection nommée my_collection dans ce serveur
- Une clé API OpenAI, à renseigner comme identifiant OpenAI dans n8n
- Les paramètres de connexion à Milvus, à renseigner comme identifiant dans n8n
Bon à savoir
Créez la collection my_collection dans Milvus avant le premier lancement, et vérifiez que le nom saisi dans le nœud Milvus Vector Store correspond exactement.
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
- Recommander des films par chatbot RAG avec Qdrant et OpenAIChatbot qui recommande des films en interrogeant une base vectorielle Qdrant, alimentée par OpenAI.
- 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.
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