Workflow d'Automatisation des E-mails avec LLM

1. Comprendre l'Architecture Cible

Avant de commencer à construire, il est essentiel de visualiser le flux de données. Notre workflow suivra une logique en trois temps :

1. Déclencher : Le workflow démarre dès qu'un nouvel email arrive.
2. Classifier : Un LLM analyse le contenu de l'email (sujet, corps) pour lui assigner une catégorie.
3. Agir : En fonction de la catégorie, le workflow prend une décision. Par exemple, s'il s'agit d'une demande client, un autre LLM génère un brouillon de réponse. Pour une newsletter, il pourrait simplement appliquer un libellé et l'archiver.

Le schéma ci-dessous illustre parfaitement cette architecture.

2. Qu'est-ce qu'un "Agent IA" dans n8n ?

Dans les leçons précédentes, nous avons principalement utilisé le nœud Basic LLM Chain. Les ressources que nous allons utiliser aujourd'hui emploient des nœuds plus récents comme AI Agent et AI Text Classifier. Ne vous inquiétez pas, les concepts sont les mêmes, mais ces nouveaux nœuds offrent une interface plus structurée.

Un "Agent IA" dans n8n est essentiellement un conteneur qui regroupe 5 éléments clés nécessaires à son fonctionnement. Comprendre ces 5 éléments vous aidera à configurer facilement n'importe quel nœud IA.

Pour vous familiariser avec ce concept, regardez cet extrait vidéo.

Pour résumer, un agent a toujours besoin de :

1. Moyen de communication : Comment l'agent reçoit-il l'information ? (ex: un trigger, un chat).
2. LLM : Le "cerveau" de l'agent (ex: GPT-4, Claude).
3. Outils (Tools) : Les actions que l'agent peut effectuer (ex: lire un email, chercher sur Google).
4. Mémoire (Memory) : Pour se souvenir du contexte des conversations passées.
5. Prompt : Les instructions qui définissent le rôle et l'objectif de l'agent.

Gardez ces 5 éléments en tête, car vous les retrouverez dans la configuration des nœuds de notre exercice.

3. Exercice : Construction du Workflow (Pas à Pas)

Nous allons maintenant construire notre assistant email étape par étape. La vidéo suivante servira de guide principal. Nous la découperons en segments logiques pour chaque partie du workflow.

3.1. Déclenchement à la Réception d'un Email

La première étape est de configurer n8n pour qu'il surveille notre boîte mail.

Action : Regardez la première partie de la vidéo (de 00:32 à 04:04) pour configurer le nœud Gmail Trigger.

Points clés à retenir de cet extrait :

• Utilisez le nœud Gmail Trigger, et non le nœud d'action Gmail, pour démarrer le workflow.
• Authentifiez-vous via OAuth2.
• Très important : Décochez l'option "Simplify" pour que n8n récupère l'intégralité du contenu de l'email, et non juste un résumé. Nous avons besoin du texte complet pour l'analyse par l'IA.
• Pour le test, vous pouvez exécuter le nœud manuellement. Pour une utilisation réelle, vous le configurerez pour s'exécuter à intervalle régulier (ex: toutes les minutes).

3.2. Classification du Contenu

Maintenant que nous recevons l'email, nous devons le faire analyser par une IA pour le catégoriser.

Action : Regardez la section suivante de la vidéo (de 05:06 à 09:13) pour configurer le nœud AI Text Classifier.

Ce nœud est un excellent exemple de prompt engineering appliqué à la classification :

• Text to Classify : Ne vous limitez pas au corps de l'email. Comme le montre la vidéo, passez le sujet (subject) ET le contenu (text) pour donner un maximum de contexte au LLM.
• Categories : Vous définissez ici les "étiquettes" de sortie possibles (ex: client, publicité, sponsoring).
• Category Descriptions : C'est la partie la plus importante. Vous devez rédiger une description claire pour chaque catégorie. C'est votre "prompt" pour guider le classifieur. Une bonne description améliore radicalement la précision. L'astuce de la vidéo d'utiliser un LLM pour générer ces descriptions est d'ailleurs très maline !

À la fin de cette étape, vous aurez besoin de connecter un modèle de chat (LLM). L'extrait suivant (de 09:13 à 11:37) montre comment se connecter à Open Router, un agrégateur de modèles. Vous pouvez suivre cette méthode ou simplement connecter le modèle OpenAI que vous avez déjà configuré dans les leçons précédentes.

3.3. Génération de la Réponse Contextuelle

Une fois l'email classifié, nous allons utiliser un nœud Switch (vu dans le Module 1) pour créer des branches logiques. Vous le trouverez en tapant "Switch" dans la barre de recherche des nœuds.

Configurez le nœud Switch pour qu'il examine la sortie du classifieur.

• Input : {{ $('Email Classifier').item.json.name }} (le nom de la catégorie retournée).
• Ajoutez une règle pour chaque catégorie. Par exemple, une règle "Equals" customer.

Sur la branche de sortie correspondant à customer, nous allons générer le brouillon de réponse.

Action : Regardez la section de la vidéo (de 15:28 à 19:12) qui explique comment configurer un AI Agent pour rédiger un email.

Ici, nous retrouvons les concepts de chaînage de prompts et de l'agent IA :

• Prompt (User Message) : C'est l'information que l'agent doit traiter. Passez-lui le contenu de l'email original ({{ $('Gmail Trigger').item.json.text }}).
• System Message (dans Options) : C'est le cœur de l'intelligence de votre agent. C'est ici que vous définissez sa personnalité et ses instructions. Par exemple : "Tu es un consultant expert en automatisation. Réponds de manière professionnelle et cordiale. Ton objectif est de qualifier le besoin du client avant de proposer un appel. Pose des questions pertinentes pour mieux comprendre sa demande..."
• Model : Connectez un LLM performant pour la rédaction (ex: GPT-4, Claude Sonnet). Le choix du modèle peut être différent de celui pour la classification.

3.4. Création du Brouillon dans Gmail

La dernière étape consiste à prendre la réponse générée par l'IA et à en faire un brouillon dans Gmail, prêt à être relu et envoyé.

Action : Regardez le dernier extrait de la vidéo (de 19:12 à 20:51) pour configurer le nœud Gmail avec l'opération Create a Draft.

Points de configuration essentiels :

• To : L'adresse de l'expéditeur original. Récupérez-la depuis le nœud Trigger : {{ $('Gmail Trigger').item.json.from.address }}.
• Subject : Le sujet de l'email original, préfixé par "Re: ".
• Message : La sortie texte (text) de votre nœud de génération de réponse.
• Thread ID (dans Options) : C'est une option cruciale. En fournissant l'ID du fil de discussion de l'email original ({{ $('Gmail Trigger').item.json.threadId }}), vous vous assurez que votre brouillon est créé en tant que réponse dans la même conversation, et non comme un nouvel email.

4. La Solution Complète et Pour Aller Plus Loin

Vous avez maintenant toutes les briques pour assembler le workflow. Comme promis dans vos préférences, voici une solution complète que vous pouvez importer et analyser. Il s'agit d'un template pré-construit qui réalise exactement ce que nous venons de faire.

N'hésitez pas à importer ce JSON, à connecter vos propres credentials (Gmail, OpenAI) et à le tester. Comparez sa structure à celle que vous avez construite.

Pour aller encore plus loin, vous pouvez consulter ce template plus avancé sur le site de n8n : Smart email manager with Gmail, GPT-4 classification & auto-responses. Il intègre la gestion des pièces jointes avec Google Drive et les alertes via Telegram, ce qui vous donne des idées pour de futures améliorations.

Conclusion

Félicitations ! Vous venez de construire l'un des workflows d'automatisation les plus demandés et les plus puissants actuellement. Cet exercice a solidifié votre compréhension de la manière dont les différents composants de n8n et de l'IA s'articulent pour créer des solutions métier intelligentes.

Points clés à retenir :

• L'architecture Trigger -> Classify -> Act est un patron de conception très courant pour automatiser le traitement de texte entrant (emails, tickets de support, messages...).
• La qualité de votre automatisation dépend fortement du prompt engineering : des descriptions de catégories claires pour la classification, et des instructions (System Message) détaillées pour la génération de réponse.
• Les nœuds AI Agent et AI Text Classifier sont des outils modernes dans n8n qui encapsulent la logique de communication avec les LLM de manière structurée.
• N'oubliez pas les détails qui font la différence, comme l'utilisation du Thread ID pour garder les conversations groupées.

Cette leçon conclut notre exploration approfondie des workflows IA. Vous êtes maintenant très bien équipé pour la dernière étape de ce cours.

Aperçu de la suite : La prochaine leçon est la première partie du Projet Final de Synthèse. Vous recevrez un cahier des charges pour un système d'automatisation complet, et votre première tâche sera d'en concevoir et documenter l'architecture. Cet exercice était une excellente préparation pour ce qui vous attend.