Assistant Code IA apprenant depuis un dépôt GitHub - Workflow n8n

• Développeurs et Équipes DevOps : Qui ont besoin de réponses rapides et contextuelles sur de grandes bases de code.


• Rédacteurs techniques : Cherchant une méthode automatisée pour interroger des fichiers de documentation stockés dans GitHub.


• Ingénieurs en automatisation : Recherchant des exemples avancés d'utilisation du nœud n8n AI Agent de n8n et des modèles RAG.


• Utilisateurs explorant les modèles n8n : Spécifiquement ceux axés sur les intégrations IA complexes.

La gestion de vastes quantités de code source ou de documentation rend souvent difficile la recherche de détails techniques spécifiques. Ce workflow n8n innovant résout ce problème en transformant votre dépôt GitHub en une base de connaissances interrogeable pour un Agent IA.

Ce modèle n8n robuste sépare le processus en deux phases clés : un flux de synchronisation (indexation des données) et un flux conversationnel en temps réel (réponse aux questions). Il démontre la manière transparente dont n8n gère les données binaires volumineuses, la segmentation du texte, la génération d'embeddings et le stockage vectoriel, le tout au sein d'un workflow n8n unique et cohérent. En utilisant cette configuration de nœuds n8n, les développeurs peuvent interroger leur base de code de manière conversationnelle, réduisant considérablement le temps de recherche et améliorant la productivité.

Ce workflow n8n complet fonctionne en deux étapes distinctes :

Phase 1 : Synchronisation des données (Indexation)

1. Initialisation de l'indexation : Le processus commence par le déclencheur n8n Sync Data (un nœud Manual Trigger).


2. Configuration : Le nœud n8n Config définit les paramètres critiques tels que repoowner, reponame, et subpath au sein du dépôt GitHub.


3. Récupération des fichiers : Le nœud n8n List files de GitHub utilise ces paramètres pour identifier tous les fichiers pertinents dans le chemin désigné.


4. Téléchargement et chargement : Le nœud n8n Get File de HTTP Request télécharge le contenu réel de chaque fichier.


5. Prétraitement : Le Default Data Loader gère les données binaires, et le Recursive Character Text Splitter découpe le contenu en fragments plus petits et gérables (avec un chevauchement de 100 caractères), adaptés à l'embedding vectoriel.


6. Embedding et Stockage : Le nœud n8n Embeddings OpenAI calcule les embeddings vectoriels pour ces fragments. Enfin, le nœud n8n Simple Vector Store1 insère les données vectorielles dans une base de connaissances en mémoire, indexée sous la clé source-code.

Phase 2 : Agent IA Conversationnel

1. Début de la conversation : Le workflow est déclenché par le trigger n8n When chat message received lorsqu'un utilisateur pose une question.


2. Activation de l'Agent IA : Le nœud central AI Agent de n8n prend la requête et utilise le OpenAI Chat Model1 pour le raisonnement.


3. Mémoire et Contexte : Le nœud n8n Window Buffer Memory maintient l'historique de la conversation.


4. Recherche RAG : L'agent utilise le nœud n8n spécialisé Vector Store Tool, nommé projectsource_tool, pour effectuer une recherche de similarité (top K=5) par rapport à la base de connaissances indexée (Simple Vector Store). Cette étape de récupération est cruciale pour l'ancrage contextuel.


5. Génération de la réponse : L'agent reçoit les extraits de contexte pertinents du dépôt et génère une réponse technique précise à la question de l'utilisateur, complétant ainsi le workflow n8n complexe.

Pour déployer ce puissant workflow n8n en utilisant ces modèles n8n, suivez ces étapes :

1. Importer le JSON : Copiez les données JSON fournies et importez-les dans votre instance n8n via la section Workflows (Importer depuis JSON).


2. Configuration des identifiants : Assurez-vous que les identifiants nécessaires sont configurés :

1. Configurer les paramètres : Ouvrez le nœud n8n Config et mettez à jour les paramètres en fonction de votre dépôt :

1. Synchronisation initiale : Exécutez le déclencheur n8n Sync Data une fois pour peupler le Vector Store avec votre contenu GitHub avant d'utiliser l'agent de discussion.

Sync Data (Manual Trigger) : Le déclencheur n8n de départ pour la partie indexation du workflow n8n, utilisé pour rafraîchir manuellement la base de connaissances.
Config (Set) : Un nœud n8n fondamental utilisé pour définir dynamiquement les variables d'environnement (repoowner, reponame, subpath) utilisées tout au long du flux d'indexation.
List files (GitHub) : Ce nœud n8n récupère une liste de fichiers depuis le chemin GitHub configuré, fournissant les détails des fichiers nécessaires au téléchargement.
Get File (HTTP Request) : Télécharge le contenu réel des fichiers en utilisant l'downloadurl fournie par le nœud GitHub de n8n, préparant les données pour l'embedding.
Recursive Character Text Splitter : Un nœud n8n clé de prétraitement RAG qui divise efficacement les fichiers volumineux en morceaux plus petits, les optimisant pour l'embedding et la recherche vectorielle. Configuré avec un chevauchement de fragment de 100.
Embeddings OpenAI / Embeddings OpenAI1 : Deux instances de ce nœud n8n, responsables de la conversion des fragments de texte et des requêtes entrantes en vecteurs numériques de haute dimension à l'aide du service OpenAI.
Simple Vector Store / Simple Vector Store1 (Vector Store In Memory) : Ces nœuds n8n maintiennent la base de connaissances RAG en utilisant la clé source-code. L'un est défini en mode insert (pour l'indexation) et l'autre en mode default (pour la récupération de recherche).
When chat message received (Chat Trigger) : Le déclencheur n8n initiateur pour la partie Agent IA, écoutant les interactions utilisateur dans l'interface de chat n8n.
AI Agent (LangChain Agent) : Le cerveau principal du workflow n8n. Configuré avec un message système l'incitant à utiliser le projectsourcetool pour les questions techniques basées sur le code source.
Vector Store Tool : Un nœud n8n qui définit comment l'Agent IA interagit avec la base de connaissances, spécifiquement configuré pour récupérer les 5 fragments de document les plus pertinents (topK=5).