Créer un workflow n8n de questions-réponses sur des documents avec approbation humaine et une API compatible avec OpenAI

La décision : à quel endroit l'approbation doit-elle intervenir ?

Pour les questions-réponses sur des documents, n'ajoutez pas une approbation humaine simplement parce qu'un modèle d'IA est présent. Ajoutez-la à l'étape où le workflow pourrait accéder à des informations sensibles ou publier une réponse nécessitant une vérification.

Une conception n8n utile peut suivre ce schéma :

1. Recevoir une question.
2. Demander à un AI Agent de préparer une requête de recherche documentaire.
3. Mettre le workflow en pause pour obtenir une approbation humaine avant l'exécution de l'outil de recherche lorsque le corpus est sensible, que la requête risque d'exposer des informations à accès restreint ou que la recherche a un coût opérationnel.
4. Récupérer les passages avec leurs métadonnées de source.
5. Demander au modèle de répondre uniquement à partir de ces passages.
6. Retourner une réponse avec des références aux sources, ou transmettre le brouillon à une seconde étape d'approbation avant publication.

Cette approche sépare trois décisions souvent confondues : déterminer si la question est acceptable, si l'action de récupération est acceptable et si la réponse générée est prête à être envoyée.

n8n documente la revue humaine pour des outils spécifiques connectés à un AI Agent. Lorsque la revue est activée, le workflow se met en pause et un réviseur peut approuver ou refuser l'appel d'outil proposé. Consultez la documentation n8n sur l'intervention humaine pour connaître le comportement pris en charge et les détails des canaux d'approbation.

Prérequis

Vous avez besoin des éléments suivants :

• Un workflow n8n avec un AI Agent et une connexion à un modèle.
• Une source documentaire interrogeable, telle qu'un magasin vectoriel, une base de données ou un service de recherche interne. Le connecteur exact dépend de l'application et n'est pas établi par la page n8n citée.
• Un outil de récupération qui renvoie du texte avec les métadonnées du document.
• Un canal d'approbation configuré dans n8n. La documentation répertorie Chat, Slack, Discord, Telegram, Microsoft Teams, Gmail, WhatsApp Business Cloud, Google Chat et Microsoft Outlook parmi les canaux disponibles.
• L'accès à un point de terminaison d'API compatible avec OpenAI. OneMux fournit l'accès à des modèles d'IA de premier plan via une seule API compatible avec OpenAI ; utilisez le guide de démarrage rapide OneMux et la documentation de l'API pour connaître le point de terminaison actuel et les instructions d'authentification.

La compatibilité est conditionnelle. Avant de connecter n8n, confirmez que le point de terminaison sélectionné prend en charge le format de requête, l'identifiant du modèle, la méthode d'authentification, le comportement de streaming, l'appel d'outils et les paramètres utilisés par votre nœud n8n ou votre requête HTTP. Cet article n'affirme pas qu'un modèle OneMux ou qu'une configuration n8n particulière a été testée.

Structure recommandée du workflow n8n

Créez le workflow en cinq étapes logiques :

1. Capturer et normaliser la question

Utilisez le point d'entrée n8n de votre choix pour recevoir une question et la normaliser en un petit objet contenant la question de l'utilisateur, le contexte de l'utilisateur ou de l'espace de travail, ainsi qu'un filtre facultatif portant sur le périmètre documentaire.

Ne placez pas directement du texte utilisateur sans restriction dans une instruction système. Conservez la question en tant que donnée et définissez séparément le comportement de l'agent. Si le workflow prend en charge des limites par locataire ou par service, transmettez ces limites à l'outil de récupération sous forme de champs contrôlés, plutôt que de laisser le modèle les inventer.

2. Ajouter un outil de recherche documentaire

Connectez un outil de recherche à l'AI Agent. Son entrée doit être précise et explicite, par exemple :

{
  "query": "string",
  "document_scope": "string or controlled value",
  "max_results": "integer"
}

Le résultat de la recherche doit conserver suffisamment de métadonnées pour permettre une citation utile :

{
  "text": "Approved passage from the document",
  "title": "Document title",
  "url": "Document URL or stable identifier",
  "page": "Page number when available",
  "section": "Section heading when available",
  "chunk_id": "Stable passage identifier"
}

Les noms de champs ci-dessus constituent un modèle d'implémentation, et non une affirmation concernant un schéma n8n obligatoire. Adaptez-les au connecteur ou au service utilisé. La propriété essentielle est la traçabilité : le générateur de réponses doit recevoir le passage et son origine ensemble.

3. Placer la revue humaine autour de l'outil sélectionné

Ouvrez le panneau Tools de l'AI Agent, repérez la section Human review, choisissez un canal d'approbation et connectez l'outil de recherche documentaire à cette étape de revue. Configurez les identifiants et les paramètres du canal sélectionné dans n8n.

Le message adressé au réviseur peut présenter l'action proposée et ses paramètres. La documentation n8n décrit les variables $tool.name et $tool.parameters à cette fin. Voici un message pratique :

The AI wants to use {{ $tool.name }} with these parameters:
{{ JSON.stringify($tool.parameters, null, 2) }}

Approve only if the query and document scope are appropriate for this request.

Cette approche est particulièrement utile lorsque le réviseur doit repérer un périmètre risqué, par exemple une requête qui semble chercher des documents appartenant à une autre équipe. Pour une documentation publique ordinaire, demander une approbation à chaque recherche peut créer des frictions inutiles. Dans ce cas, laissez la récupération s'effectuer automatiquement et placez l'approbation sur un outil distinct qui publie ou envoie la réponse finale.

4. Connecter le point de terminaison de modèle compatible avec OpenAI

Configurez la couche de modèle à l'aide du point de terminaison et des identifiants documentés par votre fournisseur. Avec OneMux, commencez par le guide de démarrage rapide OneMux, sélectionnez un modèle prenant en charge les fonctionnalités requises par votre nœud n8n, puis vérifiez l'identifiant du modèle et les paramètres de requête.

Une structure de requête générique peut ressembler à ceci, mais elle est fournie à titre d'illustration et ne constitue pas une recette OneMux testée :

curl https://api.example-provider.invalid/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "YOUR_MODEL_ID",
    "messages": [
      {"role": "system", "content": "Answer only from supplied document passages."},
      {"role": "user", "content": "What does the document say about retention?"}
    ]
  }'

Remplacez l'URL fictive, la gestion de la clé et l'identifiant du modèle par les valeurs indiquées dans la documentation actuelle du fournisseur. N'exposez pas les identifiants dans les exports de workflows ou dans les messages d'approbation visibles par les utilisateurs. Si le nœud de modèle n8n attend un paramètre que le point de terminaison ne prend pas en charge, utilisez une configuration compatible ou une conception basée sur HTTP Request, uniquement si vos exigences en matière de sécurité et d'analyse des réponses sont satisfaites.

5. Imposer l'attribution des sources dans le prompt de réponse

Fournissez au modèle les passages récupérés dans un contexte clairement délimité et exigez une citation pour chaque affirmation substantielle. Par exemple :

You answer questions about the supplied documents.

Rules:
- Use only the passages in DOCUMENT_CONTEXT.
- If the passages do not support an answer, say that the documents do not establish it.
- Do not create titles, URLs, page numbers, or quotations.
- Cite each factual answer using the supplied title and page, section, URL, or chunk ID.
- Distinguish a direct statement from an inference.

DOCUMENT_CONTEXT:
{{ JSON.stringify($json.documents) }}

QUESTION:
{{ $json.question }}

La syntaxe exacte des expressions dépend de la manière dont les nœuds n8n précédents structurent les données. Considérez ce prompt comme un modèle et non comme un export de workflow prêt à l'emploi.

Conception de l'approbation : récupération ou publication

Deux points d'approbation sont pertinents :

Vous pouvez également utiliser les deux pour les workflows à haut risque. La documentation n8n indique que la revue peut s'appliquer à tous les outils connectés à un AI Agent ou à certains outils seulement, ce qui prend en charge cette conception sélective. Elle précise également que l'approbation peut avoir lieu sur un canal différent de celui de l'interaction principale ; par exemple, un chat destiné à l'utilisateur peut être associé à une approbation du réviseur dans Slack.

Prompt système et comportement en cas de refus

Indiquez à l'agent quels outils nécessitent une approbation et ce que signifie un refus. Si un réviseur refuse la recherche, l'agent ne doit pas réessayer le même appel en modifiant la formulation ni prétendre avoir trouvé des preuves. Il doit expliquer que la recherche demandée n'a pas été approuvée et proposer une alternative plus restreinte et autorisée lorsqu'il en existe une.

Voici une règle concise :

The document_search tool requires human approval. If it is denied, do not call it again for the same request. Tell the user that the lookup was not approved. Never answer from memory when document evidence is required.

Cette approche suit les recommandations documentées de n8n, qui consistent à inclure le comportement des outils et de la revue humaine dans le prompt système afin que l'agent puisse gérer correctement les appels refusés.

Dépannage et limites

La demande d'approbation manque de contexte utile

Vérifiez que les entrées de l'outil utilisent des champs explicites et que le message de revue inclut $tool.name et $tool.parameters. Évitez de dissimuler le périmètre important dans une chaîne opaque.

Les citations sont absentes

Examinez la sortie de récupération avant qu'elle n'atteigne le modèle. Si le titre, l'URL, la page, la section ou les identifiants de fragment sont supprimés par un nœud de mappage, le modèle ne peut pas les reconstituer de manière fiable. Demandez également au modèle de refuser les affirmations non étayées.

Le point de terminaison rejette la requête

Vérifiez l'URL de base, l'en-tête d'authentification, l'identifiant du modèle, la prise en charge de l'appel d'outils, les limites de contexte et les noms des paramètres. Compatible avec OpenAI ne signifie pas identique : la compatibilité doit être vérifiée à la fois par rapport au format de requête de n8n et à l'API documentée par le fournisseur.

Le refus entraîne une réponse maladroite

Ajoutez une règle explicite concernant les refus dans le prompt système et testez les chemins d'approbation et de refus. n8n documente l'approbation et l'annulation comme deux résultats distincts ; votre workflow doit gérer les deux plutôt que de supposer que l'outil s'exécute toujours.

Le workflow est trop lent

Utilisez une revue sélective au lieu d'approuver chaque recherche à faible risque. Réservez l'approbation aux récupérations ou aux publications sensibles et mesurez l'effet opérationnel dans votre propre environnement. Ne présumez pas de la rapidité du modèle, de la qualité de la récupération ou du délai d'approbation sans effectuer de tests.

Planification des coûts et des opérations

OneMux est pertinent ici comme voie d'accès aux modèles, et non comme remplacement des contrôles de workflow de n8n. Consultez la tarification OneMux actuelle avant de choisir un modèle et prenez en compte l'utilisation en entrée et en sortie, le volume de récupération, les tentatives d'approbation répétées et les éventuels coûts du service de recherche documentaire. Le prix applicable dépend du modèle sélectionné et des conditions publiées en vigueur ; cet article ne fixe aucun tarif et ne promet aucune économie.

Pour mieux comprendre la visibilité des dépenses et le choix des modèles, consultez le catalogue de modèles OneMux. Faites dépendre le choix du modèle des fonctionnalités réellement nécessaires à votre workflow, notamment la sortie structurée ou l'appel d'outils.

Conclusion

Un workflow n8n robuste de questions-réponses sur des documents ne se résume pas à un agent connecté à un modèle. Il s'agit d'une chaîne contrôlée : récupérer des passages autorisés, conserver leurs métadonnées, exiger une revue au bon niveau de l'outil et générer une réponse qui cite uniquement les éléments dont le modèle dispose.

Utilisez n8n pour l'orchestration et l'approbation humaine, et évaluez OneMux comme une voie pratique d'accès à des modèles compatibles avec OpenAI lorsque son point de terminaison et ses paramètres documentés correspondent à votre conception. Commencez avec un petit corpus, testez les chemins approuvés et refusés, et considérez les affirmations non étayées, les citations manquantes et les paramètres incompatibles comme des défaillances du workflow plutôt que comme des mystères liés au modèle.

Sources

• n8n : intervention humaine pour les outils — source concernant le comportement d'approbation des outils, les canaux d'approbation, les expressions $tool et les recommandations de gestion des refus.
• Documentation OneMux — documentation du fournisseur concernant l'utilisation actuelle de l'API et les détails de compatibilité.
• Guide de démarrage rapide OneMux — point de départ pour configurer le point de terminaison et l'authentification.
• Tarification OneMux — référence tarifaire actuelle à consulter avant le déploiement.