Bonjour ! Dans notre leçon précédente, vous avez brillamment construit un microservice capable de générer une fonction à partir d'une spécification. C'était notre première incursion dans la génération de code. Aujourd'hui, nous allons faire un pas de plus, en nous tournant vers l'amélioration du code existant.
L'objectif de cette leçon est de vous apprendre à construire un workflow qui refactorise du code pour en améliorer la structure ou la lisibilité. Au lieu de créer du neuf, nous allons apprendre à l'IA à perfectionner ce qui existe déjà. Cette compétence est fondamentale pour tout développeur soucieux de la qualité et de la maintenabilité de son code, ce qui correspond directement à vos ambitions de software engineer et d'expert en QA.
1. Le Refactoring Assisté par IA
Le refactoring, comme vous le savez, est l'art de restructurer le code sans en altérer le comportement externe. C'est une discipline essentielle pour garder une base de code saine. Alors, pourquoi y mêler une IA ? Parce que les modèles de langage modernes, en particulier ceux entraînés sur de vastes corpus de code, sont devenus très performants pour identifier des "patterns" de code et suggérer des améliorations.
Certains modèles sont même spécialisés dans cette tâche. L'article suivant, en français, présente un modèle particulièrement doué pour cela.
Comment maîtriser Claude Code pour coder 10 fois plus vite
Cet article de Optimisation-conversion.com présente Claude, un modèle d'IA d'Anthropic. Il vous aidera à comprendre pourquoi certains modèles sont plus adaptés que d'autres à des tâches de programmation spécifiques.
Lisez la première section, "Qu’est-ce que Claude Code". Portez une attention particulière au tableau comparatif à la fin de la section, qui met en évidence la capacité de "Refactoring" comme un différenciateur clé.
Comme vous l'avez lu, la capacité de refactoring est une fonctionnalité mise en avant pour des modèles comme Claude. C'est exactement ce que nous allons exploiter. Nous allons construire un service qui prend un morceau de code "vieillissant" ou peu lisible et demande à l'IA de le moderniser.
2. Conception du Workflow de Refactoring
La structure de notre workflow sera très similaire à celle du générateur de fonctions, ce qui vous permettra de capitaliser sur vos acquis. Nous utiliserons la même architecture de microservice :
- Webhook : Pour recevoir le code à refactoriser.
- AI Model Node : Pour envoyer le code à l'IA avec les instructions de refactoring.
- Respond to Webhook : Pour renvoyer le code amélioré.
Le Contrat d'API
Le JSON d'entrée sera plus simple cette fois. Nous avons besoin du code source, du langage, et d'un champ pour spécifier nos objectifs de refactoring.
{
"language": "javascript",
"code": "function findUsers(users) { var active_users = []; for (var i = 0; i < users.length; i++) { if (users[i].active) { active_users.push(users[i]); } } return active_users; }",
"goals": [
"Améliorer la lisibilité",
"Utiliser la syntaxe ES6 moderne (arrow functions, const/let)",
"Remplacer la boucle for par une méthode fonctionnelle plus expressive"
]
}
language: Informe l'IA du contexte syntaxique.code: La chaîne de caractères contenant le code à améliorer.goals: Un tableau d'instructions claires pour guider l'IA. C'est ici que nous orientons le refactoring.
3. Construction du Workflow dans n8n
Lançons-nous dans la construction. Créez un nouveau workflow.
Étape 1 : Le Nœud Webhook
Ajoutez un nœud Webhook et configurez-le pour répondre When webhook is called. Copiez l'URL de test pour plus tard.
Étape 2 : Le Nœud IA (Claude ou OpenAI)
C'est ici que réside la nouvelle logique. Nous allons utiliser un modèle comme Claude, qui excelle dans cette tâche, mais la démarche est adaptable à OpenAI.
-
Ajoutez un nœud Anthropic Chat Model (ou OpenAI Chat Model) après le webhook.
-
Configurez vos credentials.
-
System Prompt: Le rôle de l'IA doit être défini très clairement.
Tu es un assistant expert en refactoring de code. Ta mission est d'améliorer le code fourni par l'utilisateur en suivant ses objectifs. Ton unique sortie doit être le code refactorisé. N'ajoute aucune explication, aucune introduction, et aucune délimitation de bloc de code (comme ```javascript). Retourne seulement le code brut et amélioré.Cette instruction est primordiale pour obtenir une sortie directement exploitable.
-
User Message: Construisez le message qui contient le code et les objectifs, en utilisant une expression.
Refactorise le code {{ $json.body.language }} suivant : Code à refactoriser:{{ $json.body.code }}
Objectifs du refactoring : - {{ $json.body.goals.join('\n- ') }}L'expression
{{ $json.body.goals.join('\n- ') }}est une astuce élégante pour transformer notre tableau d'objectifs en une liste à puces propre dans le prompt.

Étape 3 : Le Nœud Respond to Webhook
Pour finir, renvoyez la réponse de l'IA.
- Ajoutez un nœud
Respond to Webhookà la suite du nœud IA. - Dans Response Body, utilisez une expression pour extraire le contenu de la réponse :
{{ $('Anthropic Chat Model').item.json.content[0].text }}
(Note : si vous utilisez OpenAI, l'expression sera légèrement différente, comme vous l'avez vu dans la leçon précédente :{{ $('OpenAI Chat Model').item.json.choices[0].message.content }}) - Dans les Options, ajoutez un Header
Content-Typeavec la valeurtext/plainpour indiquer que vous renvoyez du texte brut.
4. Tester le Service de Refactoring
Utilisons curl pour tester notre nouveau microservice. Prenez l'URL de test de votre webhook et exécutez la commande suivante dans votre terminal :
curl -X POST \
-H "Content-Type: application/json" \
-d '{
"language": "javascript",
"code": "function findUsers(users) { var active_users = []; for (var i = 0; i < users.length; i++) { if (users[i].active) { active_users.push(users[i]); } } return active_users; }",
"goals": [
"Améliorer la lisibilité",
"Utiliser la syntaxe ES6 moderne (arrow functions, const/let)",
"Remplacer la boucle for par une méthode fonctionnelle plus expressive"
]
}' \
YOUR_WEBHOOK_URL
Après avoir exécuté le workflow, vous devriez recevoir en retour une version nettement améliorée du code, qui pourrait ressembler à ceci :
const findUsers = (users) => users.filter(user => user.active);
Le résultat est spectaculaire : le code est plus concis, plus lisible et utilise des fonctionnalités modernes du langage. C'est un gain de productivité direct.
Vers des Systèmes Plus Complexes
Ce microservice est puissant en lui-même, mais il est surtout un bloc de construction. Dans des workflows plus avancés, on pourrait l'intégrer à une chaîne CI/CD pour suggérer des améliorations sur une pull request, ou le fournir comme "outil" à un agent IA plus complexe.

Pour vous inspirer des possibilités, vous pouvez explorer des collections de workflows n8n.
enescingoz/awesome-n8n-templates
Ce dépôt GitHub est une mine d'or d'exemples. Il montre comment la communauté utilise n8n pour automatiser une multitude de tâches, notamment avec l'IA.
Parcourez rapidement la table des matières des sections "OpenAI, LLMs, and AI agents" et "AI research, RAG, and data analysis". Ne cherchez pas à comprendre chaque workflow en détail, mais imprégnez-vous de la diversité des applications possibles. Imaginez comment notre service de refactoring pourrait s'y intégrer.
Conclusion
Félicitations ! Vous avez maintenant un deuxième microservice IA dans votre boîte à outils de développeur. Celui-ci ne part pas de zéro, mais améliore l'existant, une tâche au cœur du cycle de vie logiciel.
Les points clés à retenir sont :
- Le prompting pour le refactoring demande des objectifs clairs et spécifiques.
- Des modèles comme Claude sont optimisés pour ce type de tâche, mais le principe est adaptable.
- Ce workflow, bien que simple, est une brique fondamentale pour des automatisations de développement bien plus sophistiquées.
Dans la prochaine leçon, nous continuerons à travailler sur l'analyse de code existant, mais cette fois pour une autre tâche cruciale : la génération de documentation technique, comme des docstrings, directement à partir du code source.