Skip to main content

Welcome to a Grasp lesson

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

Lesson 29

"Débogage Assisté par IA : Messages d'erreur et Code Source"

Bonjour ! Dans la leçon précédente, nous avons créé un "docteur IA" capable de diagnostiquer les erreurs survenant dans vos workflows n8n. C'était une première étape cruciale pour automatiser la surveillance de vos systèmes. Aujourd'hui, nous allons faire un pas de géant : nous ne voulons plus seulement un diagnostic, mais une solution.

L'objectif de cette leçon est de construire un workflow qui suggère des corrections pour un bug à partir d'un message d'erreur et du code source correspondant. Nous passons d'une IA "analyste" à une IA "co-pilote", un assistant capable non seulement de pointer du doigt le problème, mais aussi de vous proposer directement le code pour le résoudre. C'est une application directe de l'IA pour accélérer l'un des aspects les plus chronophages du développement : le débogage.

1. Du Diagnostic à la Correction : L'Importance du Contexte

Dans notre précédent workflow, le contexte fourni à l'IA était les métadonnées de l'erreur n8n (nom du workflow, nœud, message d'erreur). Pour suggérer une correction de code, ce n'est plus suffisant. L'IA a besoin de l'élément central : le code source lui-même.

Un modèle de langage, aussi puissant soit-il, ne peut pas deviner le code qui a généré une erreur. Notre tâche est donc de lui fournir un dossier complet contenant :

  1. Le code source qui pose problème.
  2. Le message d'erreur ou la pile d'appels (stack trace) qui en résulte.
  3. Le langage de programmation utilisé, pour que l'analyse soit correcte.

Avec ces trois éléments, nous pouvons demander à l'IA de se comporter comme un pair développeur qui relit notre code pour y trouver la faute et la corriger.


2. Construction du Workflow "Auto-Fix"

Créons ensemble ce nouvel outil. Pour cette leçon, nous allons le concevoir comme un utilitaire que vous pouvez appeler manuellement lorsque vous êtes bloqué sur un bug.

Créez un nouveau workflow dans n8n et nommez-le "Correcteur de Bug IA".

Étape 1 : Le Déclencheur Manuel avec Entrées

Pour simuler l'action d'un développeur qui soumet un problème, nous allons utiliser un Manual Trigger mais en le configurant pour accepter des données en entrée.

  1. Ajoutez un nœud Manual Trigger.
  2. Dans le panneau des paramètres, cliquez sur Add Field pour ajouter trois champs :
    • code : changez son type en Multi-line String. C'est ici que vous collerez le code source. Mettez une description comme Le bloc de code à analyser.
    • error_message : laissez le type en String. Description : Le message d'erreur produit par le code.
    • language : laissez le type en String. Description : Le langage de programmation (ex: JavaScript).

Votre déclencheur est maintenant un formulaire prêt à recevoir toutes les informations nécessaires.

Étape 2 : Le Cerveau IA et son Prompt

C'est ici que la magie opère. Le prompt doit être extrêmement précis pour obtenir le résultat escompté : du code, et rien d'autre.

  1. Ajoutez un nœud de modèle d'IA (par exemple, OpenAI Chat Model ou Anthropic Chat Model).

  2. Connectez-le au nœud Manual Trigger.

  3. Dans le champ System Prompt, collez le texte suivant. Ce prompt est conçu pour être directif et cadrer la réponse de l'IA.

    Tu es un ingénieur logiciel senior, expert en débogage dans de multiples langages de programmation.
    Ta mission est d'analyser un bloc de code et le message d'erreur associé, puis de fournir une version corrigée du code.
    
    Voici le contexte :
    - Langage : {{ $json.language }}
    - Code source :
    

    {{ $json.code }}

    - Message d'erreur :
    

    {{ $json.error_message }}

    
    Analyse le problème et réécris le bloc de code complet pour qu'il ne produise plus cette erreur.
    Ta réponse doit contenir UNIQUEMENT le bloc de code corrigé, dans le même langage. N'ajoute aucune explication, salutation ou phrase d'introduction. Formate ta réponse comme un bloc de code.
    

Ce prompt est structuré pour :

  • Définir un rôle clair (ingénieur expert).
  • Injecter dynamiquement les données du trigger (language, code, error_message). L'utilisation des blocs ``` aide l'IA à bien délimiter chaque partie de l'information.
  • Donner un ordre impératif sur le format de sortie (UNIQUEMENT le bloc de code corrigé). C'est essentiel pour que la sortie de ce workflow soit directement utilisable, par exemple pour remplacer le code dans un IDE.

3. Testons avec un Bug Classique

Mettons notre correcteur à l'épreuve avec un bug courant en JavaScript, que vous avez sans doute déjà rencontré.

  1. Cliquez sur Test workflow dans l'éditeur n8n. Le formulaire du Manual Trigger apparaît.

  2. Remplissez les champs comme suit :

    • language: JavaScript
    • code (copiez-collez ce bloc) :
      function calculateTotalPrice(items) {
        let total = 0;
        for (let i = 0; i < items.length; i++) {
          total += items[i].price;
        }
        return total;
      }
      
      const cart = [{ name: 'Apple', price: 1.2 }, { name: 'Banana' }];
      const totalPrice = calculateTotalPrice(cart);
      console.log(totalPrice);
      
    • error_message:
      TypeError: Cannot read properties of undefined (reading 'price')
      
  3. Cliquez sur Execute. Le workflow se lance.

  4. Sélectionnez le nœud du modèle IA et allez dans l'onglet Output.

Vous devriez voir que l'IA a retourné un bloc de code. Une solution probable qu'elle pourrait proposer serait d'ajouter une vérification pour s'assurer que items[i] et items[i].price existent avant de faire l'addition, comme ceci :

function calculateTotalPrice(items) {
  let total = 0;
  for (let i = 0; i < items.length; i++) {
    if (items[i] && items[i].price) {
      total += items[i].price;
    }
  }
  return total;
}

const cart = [{ name: 'Apple', price: 1.2 }, { name: 'Banana' }];
const totalPrice = calculateTotalPrice(cart);
console.log(totalPrice);

L'IA a correctement identifié que le second objet du tableau cart n'avait pas de propriété price, ce qui causait l'erreur lors de l'accès à items[1].price. Sa correction rend le code plus robuste.


4. Vers une Intégration dans le Cycle de Développement

Cet outil, bien qu'utile manuellement, révèle tout son potentiel lorsqu'il est intégré dans un flux de travail de développement continu (CI/CD). Imaginez ce workflow déclenché non pas manuellement, mais automatiquement par un webhook depuis votre système de gestion de version (comme GitHub, GitLab, etc.) chaque fois qu'une pull request est créée ou qu'un test échoue.

Le workflow pourrait :

  1. Recevoir les détails de la pull request et le diff des modifications.
  2. Extraire les portions de code modifiées.
  3. Les analyser avec une IA (comme nous venons de le faire) pour y déceler des bugs potentiels avant même la revue par un humain.
  4. Poster un commentaire directement sur la pull request avec les suggestions de correction.

L'image ci-dessous illustre un tel système, où un workflow n8n est déclenché par GitLab, analyse les changements et interagit avec une IA pour finalement poster un résultat (par exemple sur Slack ou en retour sur GitLab).

Exemple d'un workflow n8n plus complexe qui s'intègre à GitLab pour automatiser les revues de code. Le principe reste le même : récupérer du code, l'analyser via une IA et effectuer une action.

C'est exactement ce que nous explorerons dans le module 7, mais vous en comprenez déjà le cœur technique.


Conclusion

Vous avez franchi une nouvelle étape significative. Votre assistant IA n'est plus un simple observateur, il est devenu un contributeur actif qui vous aide à écrire du code plus robuste et à résoudre les bugs plus rapidement.

Les points clés à retenir :

  • Pour qu'une IA corrige du code, il est impératif de lui fournir le code source, le message d'erreur et le langage.
  • Un prompt directif est essentiel pour forcer l'IA à retourner une sortie dans un format précis et directement utilisable (uniquement du code).
  • Ce type de workflow peut être un outil manuel puissant pour un développeur ou le cœur d'un système d'automatisation CI/CD beaucoup plus avancé.

Dans la prochaine leçon, nous allons passer du mode réactif (corriger les erreurs existantes) au mode proactif. Vous apprendrez à construire un workflow qui analyse un bloc de code pour y identifier les bugs potentiels et les mauvaises pratiques, avant même qu'une erreur ne se produise. C'est le domaine de l'analyse statique et de la revue de code assistées par IA.