Template n8n · Pack Assistant RAG

Exposer une API question-réponse sur ses documents avec n8n

Le chat n8n ne s'intègre pas partout — une API, si. Ce workflow expose un endpoint POST /ask : envoyez {"question": "…"} et recevez la réponse fondée sur vos documents en JSON structuré, prête à afficher dans votre site, votre CRM ou votre outil interne.

Par Clément Lacaille (Tech-Bharat) · mis à jour le 11 juillet 2026 · notre méthode

{
  "name": "FlowKit — API question-réponse sur vos documents",
  "nodes": [
    {"name": "POST /ask (Webhook)", "type": "n8n-nodes-base.webhook", "typeVersion": 2, "position": [-440,0]},
    {"name": "Question valide ?", "type": "n8n-nodes-base.if", "typeVersion": 2.2, "position": [-220,0]},
    {"name": "Répondre depuis les documents", "type": "@n8n/n8n-nodes-langchain.chainRetrievalQa", "typeVersion": 1.4, "position": [0,0]},
    {"name": "Modèle OpenAI", "type": "@n8n/n8n-nodes-langchain.lmChatOpenAi", "typeVersion": 1.2, "position": [-120,200]},
    {"name": "Retriever", "type": "@n8n/n8n-nodes-langchain.retrieverVectorStore", "typeVersion": 1, "position": [120,200]},
    {"name": "Base vectorielle Supabase", "type": "@n8n/n8n-nodes-langchain.vectorStoreSupabase", "typeVersion": 1.1, "position": [120,400]},
    // … 4 autres nodes, connections, settings
  ]
}

Le problème que ça règle

Une fois le RAG en place, chaque équipe veut l'appeler depuis son propre outil : le widget du site, le back-office, un canal support. Multiplier les chatbots serait absurde ; il faut une interface programmatique unique devant la même base vectorielle.

Ce template est cette interface : validation d'entrée, erreur 400 explicite, réponse JSON horodatée. C'est aussi le point de départ naturel pour brancher un frontend maison sur votre assistant.

Comment le workflow fonctionne, node par node

1. 01

   POST /ask (Webhook)

   Webhook

   Endpoint HTTP POST (chemin flowkit-ask) attendant un corps JSON {"question": "…"}. Le mode responseNode laisse le workflow contrôler entièrement la réponse HTTP.

2. 02

   Question valide ?

   IF (condition)

   Rejette les requêtes sans question exploitable avant de dépenser le moindre token — hygiène de base d'une API.

3. 03

   Répondre depuis les documents

   Chaîne RAG (Q&R)

   Même chaîne RAG que le chatbot du pack : passages récupérés injectés dans le prompt, réponse contrainte au contexte, citations des sources.

4. 04

   Modèle OpenAI

   Modèle OpenAI

   Sous-node ai_languageModel (gpt-4o-mini) — même modèle que le chat pour des réponses cohérentes entre canaux.

5. 05

   Retriever

   Retriever

   Recherche les 4 passages les plus pertinents dans la base vectorielle avant génération.

6. 06

   Base vectorielle Supabase

   Base vectorielle Supabase

   Mode retrieve sur la table documents — la même que celle alimentée par les workflows d'ingestion du pack.

7. 07

   Embeddings OpenAI

   Embeddings OpenAI

   Vectorise la question entrante dans le même espace que le corpus indexé.

8. 08

   Formater la réponse

   Set (champs)

   Construit l'objet de sortie : réponse, modèle utilisé, horodatage — un contrat d'API stable pour vos intégrations.

9. 09

   Réponse JSON

   Réponse webhook

   Renvoie le JSON final avec un statut 200.

10. 10

    Erreur 400

    Réponse webhook

    Branche d'échec de la validation : {"error": "question manquante"} — l'appelant sait immédiatement corriger son appel.

Ce qu'il faut pour le faire tourner

• ✔n8n ≥ 1.60 avec les nodes LangChain
• ✔Une base Supabase pgvector alimentée (ingestion PDF ou Notion du pack)
• ✔Une clé API OpenAI
• ✔Recommandé : une authentification sur le webhook (header API key) avant exposition publique

Pistes de personnalisation

• →Ajouter l'authentification par en-tête dans les options du webhook avant toute exposition sur internet
• →Renvoyer aussi les sources utilisées en interrogeant les métadonnées des passages récupérés
• →Tracer les questions/réponses dans une table Supabase pour analyser ce que cherchent vos utilisateurs