Bonjour ! Dans la leçon précédente, nous avons appris à rendre nos workflows IA robustes en gérant les erreurs, les limites d'API et en utilisant des techniques de débogage efficaces. Nous avons transformé notre simple microservice "d'explication de code" en une application plus fiable.
Aujourd'hui, nous allons franchir une nouvelle étape passionnante en passant de l'analyse de code à sa génération. Nous allons mettre à profit vos compétences de développeur pour concevoir et construire un workflow qui agit comme un générateur de fonctions à la demande. Vous lui fournirez une spécification claire en langage naturel, et il vous retournera le code fonctionnel correspondant. C'est le premier pas concret de notre module sur la génération et la documentation de code avec l'IA.
1. Le Concept : de la Spécification au Code
En tant que développeur, vous savez que la première étape avant d'écrire du code est de bien définir ce qu'il doit faire. On parle souvent de "contrat" pour une fonction : quelles sont ses entrées (paramètres), quelle est sa sortie (valeur de retour) et quelle est sa logique interne ?
Notre objectif est de créer un microservice qui prend ce contrat, non pas sous forme de commentaire de code, mais comme une requête structurée, et qui s'occupe de l'implémentation. Cela peut être incroyablement utile pour générer rapidement des fonctions utilitaires, des algorithmes standards ou du code répétitif.
Pour ce faire, notre workflow suivra une logique simple mais puissante :
- Recevoir une spécification via un
Webhooksous forme de JSON structuré. - Traduire cette spécification en un prompt dynamique pour un modèle d'IA.
- Instruire l'IA de générer uniquement le code de la fonction, sans texte superflu.
- Retourner le code brut en réponse à la requête initiale.
2. Définir le Contrat d'API
Une bonne API commence par un contrat clair. Pour notre générateur de fonctions, nous allons définir une structure JSON qui encapsule toutes les informations nécessaires. Cette approche structurée est bien plus fiable qu'un simple champ de texte libre, car elle nous permet de construire un prompt très précis pour l'IA.
Voici la structure que nous allons utiliser pour nos requêtes :
{
"language": "javascript",
"functionName": "calculateSimpleInterest",
"parameters": [
{ "name": "principal", "type": "number", "description": "Le montant initial du capital" },
{ "name": "rate", "type": "number", "description": "Le taux d'intérêt annuel (ex: 0.05 pour 5%)" },
{ "name": "years", "type": "number", "description": "La durée de l'investissement en années" }
],
"returnValue": {
"type": "number",
"description": "Le montant total des intérêts simples générés"
},
"description": "Calcule les intérêts simples pour un investissement. La formule est I = P * r * t."
}
Cette structure est explicite :
language: Le langage de programmation cible.functionName: Le nom de la fonction à générer.parameters: Un tableau d'objets décrivant chaque paramètre.returnValue: Un objet décrivant la valeur de retour.description: Une description en langage naturel de la logique à implémenter.
3. Construire le Workflow de Génération
Maintenant, mettons cela en pratique dans n8n. Le workflow est simple et ne comporte que trois nœuds principaux : Webhook, OpenAI Chat Model et Respond to Webhook.
Étape 1 : Le Nœud Webhook
- Créez un nouveau workflow et ajoutez un nœud
Webhook. - Dans les paramètres du
Webhook, pour l'option Respond, sélectionnez When webhook is called. Cela nous permettra de construire la réponse nous-mêmes plus tard dans le workflow. - Copiez l'URL de test du webhook. Nous l'utiliserons pour envoyer notre requête JSON.
Étape 2 : Le Nœud OpenAI Chat Model
C'est ici que la magie opère. La qualité de notre résultat dépend entièrement de la qualité de nos instructions.
- Ajoutez un nœud
OpenAI Chat Modelaprès leWebhook. - Connectez vos credentials OpenAI.
- La clé du succès réside dans la séparation entre les instructions générales (le rôle de l'IA) et la tâche spécifique (la fonction à générer).
-
System Prompt: C'est ici que nous donnons son rôle à l'IA. Utilisez un prompt très directif pour forcer le format de sortie désiré.
Tu es un assistant expert en génération de code. Ta seule tâche est d'écrire une fonction propre et efficace basée sur les spécifications fournies. N'ajoute aucune explication, aucun texte d'introduction, et surtout, aucune délimitation de bloc de code (comme ```javascript). Ton unique sortie doit être le code brut de la fonction.Cette instruction est cruciale pour obtenir une réponse directement utilisable par un autre programme.
-
User Message: C'est ici que nous allons dynamiquement insérer la spécification reçue par le webhook. Passez en mode Expression et construisez le message suivant :
Génère une fonction en {{ $json.body.language }} avec les spécifications suivantes : - Nom de la fonction : {{ $json.body.functionName }} - Description de la logique : {{ $json.body.description }} - Paramètres : {{ JSON.stringify($json.body.parameters) }} - Valeur de retour : {{ JSON.stringify($json.body.returnValue) }}Notez l'utilisation de
JSON.stringify(). C'est une excellente pratique pour injecter des objets ou des tableaux JSON de manière propre et lisible dans un prompt textuel.
-

Étape 3 : Le Nœud Respond to Webhook
La dernière étape consiste à renvoyer le résultat au client qui a appelé le webhook.
- Ajoutez un nœud
Respond to Webhooket connectez-le à la sortie du nœudOpenAI Chat Model. - Dans le champ Response Body, utilisez une expression pour extraire uniquement le contenu de la réponse de l'IA :
{{ $('OpenAI Chat Model').item.json.choices[0].message.content }} - Pour une intégration parfaite, il est bon de spécifier le type de contenu. Allez dans l'onglet Options et ajoutez un Header :
- Name:
Content-Type - Value:
application/javascript(outext/plain)
- Name:
Votre workflow est prêt !
4. Tester le Générateur de Fonctions
Pour tester, vous pouvez utiliser un outil comme curl ou Postman. Voici un exemple avec curl en ligne de commande. Remplacez YOUR_WEBHOOK_URL par l'URL de test de votre nœud Webhook.
curl -X POST \
-H "Content-Type: application/json" \
-d '{
"language": "javascript",
"functionName": "calculateSimpleInterest",
"parameters": [
{ "name": "principal", "type": "number", "description": "Le montant initial du capital" },
{ "name": "rate", "type": "number", "description": "Le taux d''intérêt annuel (ex: 0.05 pour 5%)" },
{ "name": "years", "type": "number", "description": "La durée de l''investissement en années" }
],
"returnValue": {
"type": "number",
"description": "Le montant total des intérêts simples générés"
},
"description": "Calcule les intérêts simples pour un investissement. La formule est I = P * r * t."
}' \
YOUR_WEBHOOK_URL
Après avoir exécuté cette commande (et exécuté votre workflow dans n8n), la réponse devrait être le code brut de la fonction, quelque chose comme :
function calculateSimpleInterest(principal, rate, years) {
return principal * rate * years;
}
Aucun texte superflu, juste le code, prêt à être sauvegardé dans un fichier ou intégré dans une application.
Conclusion
Félicitations ! Vous avez construit un microservice IA hautement spécialisé, capable de traduire des spécifications en code fonctionnel. Cette leçon met en évidence deux principes fondamentaux du "prompt engineering" pour des applications logicielles :
- L'importance d'une entrée structurée : En définissant un contrat JSON clair, vous guidez l'IA de manière beaucoup plus précise qu'avec du texte libre.
- Le pouvoir du System Prompt : En donnant des instructions fermes sur le rôle et le format de sortie de l'IA, vous vous assurez que la réponse est propre, prévisible et directement exploitable.
Ces compétences sont la base de l'automatisation de tâches de développement plus complexes.
Dans la prochaine leçon, nous allons pousser le concept plus loin. Au lieu de générer du code à partir de zéro, nous apprendrons à construire un workflow capable de prendre du code existant et de le refactoriser pour en améliorer la qualité, la lisibilité ou la performance.