Aller au contenu principal

Classer les questions du chat puis interroger Qdrant avec Gemini

Votre base de connaissances est stockée dans une collection Qdrant, et vous voulez qu'un chat réponde à partir de ses passages les plus pertinents. Un agent Google Gemini range d'abord chaque question dans l'une de quatre catégories : factuelle, analytique, d'opinion ou contextuelle. Un Switch envoie ensuite la question vers une branche qui la reformule, la découpe ou en déduit le contexte avant la recherche. Si vous lancez le workflow en mode Chat, pensez à renseigner vector_store_id avec l'identifiant de votre collection.

Déclencheur
Message de chat
Taille
30 nœuds
Outils
Agent IA, Google Gemini, Qdrant

Comment fonctionne ce workflow

  1. 1

    Le déclencheur de chat reçoit la question, et un nœud Set nommé Combined Fields normalise user_query, chat_memory_key et vector_store_id.

  2. 2

    L'agent Google Gemini Query Classification range la question dans l'une des quatre catégories.

  3. 3

    Le nœud Switch envoie la question vers la branche correspondant à cette classification.

  4. 4

    Dans la branche, un agent Google Gemini reformule la question, la découpe en sous-questions, propose des angles de vue ou déduit le contexte implicite, avec sa propre mémoire de chat.

  5. 5

    Un nœud Set prépare le prompt système de la réponse, puis le nœud Qdrant Vector Store interroge la collection avec les embeddings Google Gemini.

  6. 6

    Le contenu des passages trouvés est assemblé dans Concatenate Context, puis l'agent Answer rédige la réponse avec Google Gemini à partir de ce contexte, de la question et de l'historique.

  7. 7

    Le nœud Respond to Webhook renvoie la réponse à l'utilisateur.

Quand l'utiliser

  • Obtenir un chiffre, une date ou un nom précis tiré de documents internes.
  • Demander l'analyse d'un sujet qui couvre plusieurs aspects présents dans la base.
  • Recueillir des points de vue différents sur une question subjective traitée dans vos documents.

À préparer avant l'import

  • Une collection Qdrant contenant les documents à interroger, et son identifiant à reporter dans vector_store_id.
  • Un identifiant Google Gemini enregistré dans n8n, utilisé par les agents de classification, de stratégie et de réponse.
  • Le même identifiant Google Gemini, ou un identifiant équivalent, pour les embeddings utilisés lors de la recherche.
  • Les identifiants de votre instance Qdrant enregistrés dans n8n pour le nœud Qdrant Vector Store.

Bon à savoir

Si vous lancez le workflow en mode Chat, changez d'abord la valeur de vector_store_id pour qu'elle corresponde à l'identifiant de votre collection Qdrant.

Installer ce template dans n8n

  1. Téléchargez le fichier JSON avec le bouton en haut de la page.
  2. Dans n8n, ouvrez le menu d'un workflow vide, choisissez « Import from File » et sélectionnez le fichier.
  3. 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.

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