Skip to main content

Welcome to a Grasp lesson

Create a free account to keep studying and create your own study path.

Lesson 28

Analyse de logs et diagnostic intelligent par IA

Recommended resources

Bonjour ! Dans la leçon précédente, nous avons franchi une étape décisive en transformant un workflow n8n en une API de refactoring de code. Vous avez vu comment un service bien conçu peut devenir une brique réutilisable, un "outil" dans l'arsenal d'un développeur. Aujourd'hui, nous allons construire un autre outil indispensable, cette fois-ci dédié à une tâche que tout ingénieur logiciel connaît bien : le débogage.

L'objectif de cette leçon est de construire un workflow qui analyse des logs d'erreur et propose un diagnostic en utilisant une IA. Au lieu de passer de longues minutes, voire des heures, à déchiffrer un message d'erreur cryptique, vous allez créer un système qui le fait pour vous, en vous fournissant une explication claire, une cause probable et des pistes de résolution. C'est une application directe de l'IA pour augmenter votre efficacité et réduire la frustration liée à la chasse aux bugs.

1. La Clé de Voûte : Le Déclencheur d'Erreur

Pour intercepter automatiquement les erreurs, n8n dispose d'un type de déclencheur spécial : le nœud Error Trigger. Contrairement aux autres déclencheurs (Manuel, Cron, Webhook), celui-ci ne s'active que lorsqu'un autre workflow de votre instance n8n échoue.

Lorsqu'il se déclenche, il ne se contente pas de lancer le workflow ; il capture un ensemble riche de métadonnées sur l'incident :

  • Le nom du workflow qui a échoué.
  • Le nœud spécifique qui a provoqué l'erreur.
  • Le message d'erreur et la pile d'appels (stack trace).
  • Les données qui circulaient dans le workflow au moment de l'échec.

Ces informations sont une mine d'or. Elles constituent le contexte exact dont une IA a besoin pour effectuer une analyse pertinente.


2. S'inspirer des Solutions Existantes

L'idée d'un "docteur IA" pour les workflows n'est pas nouvelle, et la communauté a déjà produit des solutions élégantes. Étudier ces modèles est un excellent moyen de comprendre l'architecture cible avant de construire la nôtre.

Je vous propose d'analyser un premier modèle très clair et direct, nommé "Flowatch".

🧠 Flowatch 👁️ analyze and diagnose n8n workflow errors ...

Cet article de la communauté n8n présente un workflow complet d'analyse d'erreurs.

Lisez attentivement les sections qui décrivent le problème et la solution. Concentrez-vous sur : "What problem does this solve?" : cette partie explique la proposition de valeur, qui est au cœur de notre leçon. "What this workflow does" : ceci détaille la séquence logique des actions, de la capture de l'erreur à l'envoi du rapport. "Setup" : cette liste vous donne un aperçu des étapes de configuration nécessaires.

Le résultat de ce workflow est un email de diagnostic clair et bien formaté, comme le montre l'image ci-dessous. C'est exactement ce que nous chercherons à produire.

Un exemple de rapport d'erreur envoyé par email. Il contient un diagnostic, la cause probable et une résolution suggérée, le tout généré par une IA.

Pour voir jusqu'où cette idée peut être poussée, examinons rapidement un autre modèle plus avancé.

Error monitor: AI-powered resolution [Context7, Supabase]

Ce second modèle va plus loin en intégrant une base de données et une recherche dans la documentation.

Parcourez les sections suivantes pour saisir les concepts avancés : "Why this works better" : notez comment l'IA est forcée de consulter la documentation avant de répondre pour éviter les "hallucinations". L'idée de stocker les erreurs dans une base de données (Supabase) pour suivre les tendances est également très puissante. "What happens" : cette liste détaille le type d'informations structurées que l'IA peut fournir, ce qui est une excellente source d'inspiration pour notre propre prompt.


3. Construction du Workflow de Diagnostic

Maintenant, à nous de jouer ! Nous allons créer une version fonctionnelle de ce système de diagnostic.

Étape 1 : Créer un workflow qui va échouer

Pour tester notre futur "docteur IA", nous avons besoin d'un "patient". Créez un nouveau workflow (nommez-le, par exemple, "Workflow Patient") qui est conçu pour échouer de manière prévisible. Un cas classique est d'essayer de manipuler une donnée qui n'existe pas.

  1. Ajoutez un nœud Manual Trigger.
  2. Ajoutez un nœud Set après le trigger.
  3. Dans le nœud Set, créez une nouvelle valeur. Nommez-la id. Pour son contenu, mettez une expression qui tente d'accéder à une propriété inexistante, par exemple : {{ $json.nonExistentProperty.id }}.
  4. Sauvegardez ce workflow. N'essayez pas de l'activer, nous l'exécuterons manuellement pour générer une erreur.

Étape 2 : Créer le Workflow de Diagnostic

Créez un second workflow, que vous nommerez "Diagnostic Erreurs IA".

  1. Le Déclencheur (Error Trigger)

    • Supprimez le trigger manuel et ajoutez un nœud Error Trigger.
    • Dans ses paramètres, vous pouvez choisir de surveiller tous les workflows ou seulement certains. Pour l'instant, laissez l'option par défaut (All Workflows).
  2. Le Cerveau (AI Model Node)

    • Ajoutez un nœud de modèle d'IA (ex: OpenAI Chat Model).
    • System Prompt : C'est ici que nous guidons l'IA. Le prompt doit être très directif pour obtenir un résultat structuré et utile.
    Tu es un ingénieur logiciel senior et un expert de la plateforme d'automatisation n8n. Ta mission est d'analyser les données d'erreur d'un workflow qui a échoué et de fournir un diagnostic clair et concis en français.
    
    Voici les données de l'erreur :
    - Nom du workflow : {{ $json.workflow.name }}
    - Nœud en erreur : {{ $json.execution.error.node.name }} (type: {{ $json.execution.error.node.type }})
    - Message d'erreur : {{ $json.execution.error.message }}
    - Pile d'appel : {{ $json.execution.error.stack }}
    
    Ton analyse doit être structurée en trois parties distinctes :
    1.  **Diagnostic** : Explique la nature de l'erreur en des termes simples.
    2.  **Cause Probable** : Identifie la raison la plus probable de l'échec en te basant sur le message et le contexte.
    3.  **Résolution Suggérée** : Propose une ou plusieurs actions concrètes que le développeur peut entreprendre pour corriger le problème.
    
    Réponds uniquement avec ces trois sections. N'ajoute aucune salutation ou phrase superflue.
    

    Notez comment nous injectons dynamiquement les données capturées par l' Error Trigger directement dans le prompt.

  3. La Notification (Email Node)

    • Ajoutez un nœud Send Email (ou SMTP si vous avez votre propre serveur).
    • Configurez vos identifiants.
    • To Address : Votre adresse email.
    • Subject : n8n Error: {{ $json.workflow.name }}
    • HTML : Pour un email bien formaté, cochez l'option "HTML". Dans le corps du message, insérez l'expression qui récupère la sortie de l'IA, en l'enveloppant de balises <pre> pour préserver le formatage.
      <h1>Rapport d'Erreur n8n</h1>
      <p>Une erreur est survenue dans le workflow <strong>{{ $json.workflow.name }}</strong>.</p>
      
      <h2>Analyse par l'IA :</h2>
      <pre>{{ $('OpenAI Chat Model').item.json.choices[0].message.content }}</pre>
      
      <hr>
      <p><strong>Détails bruts :</strong></p>
      <p><strong>Nœud :</strong> {{ $json.execution.error.node.name }}</p>
      <p><strong>Message :</strong> {{ $json.execution.error.message }}</p>
      

4. Activer et Tester le Système

Le moment de vérité est arrivé.

  1. Activez le workflow "Diagnostic Erreurs IA". Il est maintenant en attente, prêt à intercepter un échec.
  2. Dans les paramètres de votre instance n8n (Settings > Error Workflow), sélectionnez "Diagnostic Erreurs IA" dans la liste déroulante et sauvegardez. Votre instance n8n sait maintenant quel workflow appeler en cas de problème.
  3. Retournez au "Workflow Patient" que nous avons créé à l'étape 1.
  4. Cliquez sur Test workflow. Il va immédiatement échouer, car il tente d'accéder à une propriété inexistante.
  5. Consultez votre boîte de réception. Vous devriez recevoir un email formaté contenant une analyse détaillée de l'erreur, générée par l'IA !

L'IA devrait correctement identifier que l'erreur provient d'une tentative d'accès à une propriété id sur une valeur undefined et vous suggérer de vérifier que les données d'entrée du nœud Set contiennent bien la structure attendue.


Conclusion

Félicitations ! Vous venez de mettre en place un filet de sécurité intelligent pour vos automatisations. Ce n'est plus à vous de traquer l'origine des erreurs ; une IA le fait, vous libérant du temps pour des tâches à plus forte valeur ajoutée.

Les points clés de cette leçon :

  • Le nœud Error Trigger est le mécanisme central pour créer des workflows de gestion d'erreurs dans n8n.
  • En fournissant le contexte complet de l'erreur à une IA via un prompt structuré, on peut transformer un message d'erreur brut en un diagnostic actionnable.
  • Nous avons ajouté un nouvel "outil" de débogage à notre collection. Cet outil ne se contente pas de manipuler du code, il l'analyse et le "comprend" lorsqu'il ne fonctionne pas.

Dans la prochaine leçon, nous irons encore plus loin. Après avoir diagnostiqué une erreur, la prochaine étape logique est de la corriger. Vous apprendrez à construire un workflow qui, à partir d'un message d'erreur et du code source, ne se contentera pas de vous dire ce qui ne va pas, mais vous suggérera directement les lignes de code à modifier.