Template n8n · Pack Assistant RAG

Ingérer des PDF dans Supabase pgvector avec n8n

Premier maillon d'un RAG : ce workflow expose un webhook qui accepte vos PDF, en extrait le texte, le découpe en fragments, calcule les embeddings et insère le tout dans une table Supabase pgvector. Un curl suffit pour indexer un document.

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

{
  "name": "FlowKit — Ingestion de PDF dans Supabase pgvector",
  "nodes": [
    {"name": "Dépôt de PDF (Webhook)", "type": "n8n-nodes-base.webhook", "typeVersion": 2, "position": [-220,0]},
    {"name": "Insérer dans la base vectorielle", "type": "@n8n/n8n-nodes-langchain.vectorStoreSupabase", "typeVersion": 1.1, "position": [0,0]},
    {"name": "Confirmer l'ingestion", "type": "n8n-nodes-base.respondToWebhook", "typeVersion": 1.1, "position": [220,0]},
    {"name": "Chargeur de PDF", "type": "@n8n/n8n-nodes-langchain.documentDefaultDataLoader", "typeVersion": 1, "position": [-80,200]},
    {"name": "Découpage du texte", "type": "@n8n/n8n-nodes-langchain.textSplitterRecursiveCharacterTextSplitter", "typeVersion": 1, "position": [-80,400]},
    {"name": "Embeddings OpenAI", "type": "@n8n/n8n-nodes-langchain.embeddingsOpenAi", "typeVersion": 1.2, "position": [140,200]}
  ]
}

Le problème que ça règle

Un chatbot documentaire ne vaut que par son index : sans pipeline d'ingestion fiable, la base vectorielle se remplit à la main, mal, puis plus du tout. L'ingestion est la partie ingrate du RAG — extraction, découpage, vectorisation, métadonnées — et c'est précisément celle qu'on gagne à standardiser.

En l'exposant comme un simple endpoint HTTP, ce template rend l'indexation triviale : depuis un terminal, un formulaire interne ou un autre workflow, tout ce qui sait envoyer un fichier peut alimenter votre assistant.

Comment le workflow fonctionne, node par node

1. 01

   Dépôt de PDF (Webhook)

   Webhook

   Reçoit le PDF en multipart (curl -F) sur le chemin flowkit-ingest. Le fichier arrive en donnée binaire, prêt pour l'extraction.

2. 02

   Insérer dans la base vectorielle

   Base vectorielle Supabase

   Node racine en mode insert vers la table documents : il orchestre chargement, découpage et embeddings de ses trois sous-nodes, puis écrit fragments, métadonnées et vecteurs dans Supabase.

3. 03

   Chargeur de PDF

   Chargeur de documents

   Sous-node ai_document : extrait le texte du binaire PDF page par page — aucune conversion préalable nécessaire.

4. 04

   Découpage du texte

   Découpage de texte

   Sous-node ai_textSplitter : fragments de 1 000 caractères avec 150 de chevauchement, le meilleur compromis précision/rappel pour des documents professionnels.

5. 05

   Embeddings OpenAI

   Embeddings OpenAI

   Sous-node ai_embedding : text-embedding-3-small (1 536 dimensions), aligné avec la colonne vector(1536) de la table — la dimension doit correspondre des deux côtés.

6. 06

   Confirmer l'ingestion

   Réponse webhook

   Renvoie une confirmation JSON à l'appelant une fois l'indexation terminée : intégrable dans un script de chargement en masse.

Ce qu'il faut pour le faire tourner

• ✔n8n ≥ 1.60 avec les nodes LangChain
• ✔Un projet Supabase avec pgvector activé et la fonction match_documents (SQL complet dans le guide du pack)
• ✔Une clé API OpenAI (embeddings)
• ✔Vos PDF au format texte (pour des scans, ajoutez une étape OCR en amont)

Pistes de personnalisation

• →Ajouter des métadonnées (client, version, confidentialité) au chargeur pour filtrer les recherches ensuite
• →Ajuster chunkSize et chunkOverlap selon vos documents : plus courts pour des FAQ, plus longs pour des contrats
• →Chaîner l'ingestion depuis Google Drive : un trigger Drive remplace le webhook, le reste ne bouge pas