Vue d’ensemble du workflow

Il s’agit d’un workflow automatisé N8n nommé « Weekly Shopify Sales Summary » (Résumé hebdomadaire des ventes Shopify), conçu pour traiter et analyser les données de vente Shopify. Ce workflow combine la technologie RAG (Retrieval-Augmented Generation), une base de données vectorielle et un modèle de chat IA afin d’offrir des fonctionnalités intelligentes de traitement et de synthèse des données de vente.

Architecture du workflow

Mécanisme de déclenchement

• Déclencheur Webhook : Le workflow est lancé via une requête POST sur le chemin /weekly-shopify-sales-summary.
• Permet à des systèmes externes ou à des tâches planifiées de démarrer le processus de traitement des données via une requête HTTP.

Processus principal

1. Phase de prétraitement des données

Séparateur de texte (Text Splitter)

• Divise les données reçues en blocs textuels plus petits.
• Taille des blocs (Chunk Size) : 400 caractères
• Chevauchement des blocs (Chunk Overlap) : 40 caractères
• Objectif : Optimiser le traitement vectoriel ultérieur et l’efficacité de la récupération.

2. Vectorisation et stockage

Modèle d’embedding (Embeddings)

• Utilise le modèle embed-english-v3.0 de Cohere.
• Convertit les données textuelles en représentations vectorielles.
• Se connecte à l’API Cohere pour effectuer les embeddings.

Base de données vectorielle Pinecone

• Mode insertion (Pinecone Insert) : Stocke les données vectorisées dans un index nommé weekly_shopify_sales_summary.
• Mode interrogation (Pinecone Query) : Récupère les vecteurs pertinents depuis le même index.
• Permet un stockage persistant des données et une recherche sémantique.

3. Couche de traitement intelligent par IA

Agent RAG (RAG Agent)

• Invite système : « You are an assistant for Weekly Shopify Sales Summary ».
• Intègre plusieurs composants IA qui travaillent de concert :

Modèle de chat (Chat Model)

• Utilise le modèle IA Claude d’Anthropic.
• Génère des réponses intelligentes et effectue l’analyse des données.

Outil vectoriel (Vector Tool)

• Nom : « Pinecone »
• Description : « Vector context »
• Fournit à l’agent RAG la capacité de récupérer du contexte vectoriel.

Mémoire fenêtrée (Window Memory)

• Conserve l’historique des conversations.
• Garantit la cohérence du contexte conversationnel.

4. Sortie et surveillance

Intégration Google Sheets (Append Sheet)

• Type d’opération : Ajout de données
• Document cible : Tableur Google avec l’ID SHEET_ID
• Feuille cible : Feuille nommée « Log »
• Enregistre l’état et les résultats du traitement.

Gestion des erreurs (Alerte Slack)

• Canal de surveillance : #alerts
• En cas d’erreur dans le workflow, un message d’erreur est automatiquement envoyé sur Slack.
• Format du message : Weekly Shopify Sales Summary error: {détails de l’erreur}

Intégration de la pile technologique

Identifiants API requis

1. API Cohere : Pour les embeddings textuels
2. API Pinecone : Pour le stockage dans la base de données vectorielle
3. API Anthropic : Pour le modèle IA Claude
4. OAuth2 Google Sheets : Pour l’enregistrement des données
5. API Slack : Pour les notifications d’erreur

Topologie des connexions

Webhook → Text Splitter → Embeddings → Pinecone Insert
                                    ↓
                               Pinecone Query → Vector Tool
                                                      ↓
Window Memory ←────────────────────────────→ RAG Agent → Append Sheet
                                                      ↓
Chat Model ──────────────────────────────────┘   (Error) → Slack Alert

Caractéristiques du workflow

Avantages

1. Traitement intelligent : Combine la technologie RAG et les grands modèles linguistiques pour une analyse intelligente des données.
2. Extensibilité : La base de données vectorielle permet le stockage de grandes quantités de données et une récupération rapide.
3. Mécanisme de tolérance aux pannes : Système complet de gestion des erreurs et d’alertes.
4. Persistance des données : L’enregistrement dans Google Sheets garantit la traçabilité.
5. Sensibilité au contexte : La mémoire fenêtrée assure la cohérence des échanges conversationnels.

Cas d’utilisation

• Synthèse automatisée des données de vente
• Analyse périodique des tendances de vente
• Système de questions-réponses intelligentes (sur les données de vente)
• Génération automatique de rapports de vente

Statistiques des nœuds

• Nombre total de nœuds : 12
• Nœuds déclencheurs : 1 (Webhook)
• Nœuds IA/ML : 7 (Text Splitter, Embeddings, 2 Pinecone, Vector Tool, Memory, Chat Model)
• Nœuds d’intégration : 2 (Google Sheets, Slack)
• Autres nœuds : 2 (Sticky Note, RAG Agent)

Paramètres d’exécution

• Version de l’ordre d’exécution : v1
• Nombre de déclencheurs : 1