IA Open Source : 3 Workflows Deployables pour Equipes Non-Techniques (Whisper, LangChain, RAG)

Trois workflows IA opérationnels que vous pouvez déployer cette semaine — sans abonnement API, sans dépendance à un fournisseur cloud, sans que vos données ne quittent votre machine. Chaque workflow utilise une stack open-source différente pour couvrir les trois demandes IA les plus fréquentes des équipes non-techniques : synthétiser les réunions, automatiser les réponses FAQ, et interroger les documents internes.

Ces tutoriels utilisent Whisper (le modèle de transcription vocale open-source d’OpenAI) pour la transcription, LangChain + Ollama pour le bot FAQ (Python, prêt à copier), et ChromaDB pour la recherche dans les PDFs. Ils complètent — sans les répéter — les approches n8n JSON et BART couvertes dans notre guide précédent.

Workflow 1 — Transcription de réunions avec Whisper + n8n

Cas d’usage : Votre équipe enregistre les stand-ups, les réunions clients ou les sessions de formation. Vous voulez des transcriptions automatiques et un résumé en un paragraphe envoyé aux participants — sans uploader l’audio sur Otter.ai ou Zoom AI (qui envoient les données vers des serveurs américains).

Stack : Whisper (serveur HTTP local via whisper.cpp ou le package Python) + n8n pour l’orchestration + Ollama pour l’étape de synthèse.

Temps de déploiement : 25 minutes.

Étape 1 Démarrer un serveur Whisper HTTP local

L’approche la plus rapide est le serveur officiel whisper.cpp, qui expose un endpoint REST compatible avec le format OpenAI Audio API :

# Installer whisper.cpp (Mac/Linux)
brew install whisper-cpp          # Mac avec Homebrew
# OU sur Linux :
git clone https://github.com/ggerganov/whisper.cpp
cd whisper.cpp && make

# Télécharger le modèle 'base' (~142 Mo, rapide sur CPU)
./models/download-ggml-model.sh base

# Démarrer le serveur HTTP sur le port 8080
./whisper-server -m models/ggml-base.bin --host 0.0.0.0 --port 8080

# Tester (uploader un fichier .wav ou .mp3)
curl http://localhost:8080/inference \
  -F file="@reunion.mp3" \
  -F temperature="0" \
  -F response_format="json"

Sortie attendue : un objet JSON avec un champ text contenant la transcription complète. Une réunion de 30 minutes avec un audio clair prend environ 90 secondes sur CPU (modèle base).

Étape 2 Construire le workflow n8n

Dans n8n, créez un workflow avec quatre nœuds. Importez le JSON ci-dessous via “Importer depuis JSON” dans le menu du canvas n8n :

{
  "name": "Transcripteur + Synthèse de Réunions",
  "nodes": [
    {
      "name": "Surveiller Dossier",
      "type": "n8n-nodes-base.localFileTrigger",
      "parameters": {
        "path": "/home/utilisateur/reunions",
        "events": ["add"],
        "filter": "*.mp3,*.wav,*.m4a"
      }
    },
    {
      "name": "Transcrire avec Whisper",
      "type": "n8n-nodes-base.httpRequest",
      "parameters": {
        "method": "POST",
        "url": "http://localhost:8080/inference",
        "sendBody": true,
        "contentType": "multipart-form-data",
        "bodyParameters": {
          "parameters": [
            { "name": "file", "value": "={{ $binary.data }}", "parameterType": "formBinaryData" },
            { "name": "response_format", "value": "json" },
            { "name": "temperature", "value": "0" }
          ]
        }
      }
    },
    {
      "name": "Synthèse avec Ollama",
      "type": "n8n-nodes-base.httpRequest",
      "parameters": {
        "method": "POST",
        "url": "http://localhost:11434/api/generate",
        "sendBody": true,
        "specifyBody": "json",
        "jsonBody": "={\"model\": \"mistral:7b\", \"prompt\": \"Résume cette transcription de réunion en 3 points clés, puis liste les actions à suivre avec le nom du responsable :\\n\\n{{ $json.text }}\", \"stream\": false}"
      }
    },
    {
      "name": "Envoyer Email de Synthèse",
      "type": "n8n-nodes-base.emailSend",
      "parameters": {
        "toEmail": "equipe@votreentreprise.com",
        "subject": "=Synthèse de réunion — {{ $now.format('DD/MM/YYYY') }}",
        "text": "={{ $json.response }}"
      }
    }
  ]
}

Étape 3 Tester avec un vrai enregistrement

Déposez n’importe quel fichier .mp3 ou .wav dans le dossier surveillé. En moins de 2 minutes (pour un enregistrement de 30 minutes), vous recevez un email avec un résumé en 3 points et une liste numérotée des actions à suivre. Précision sur un audio clair : 96 à 98%. Pour les accents prononcés (français d’Afrique de l’Ouest, arabe maghrébin), passez au modèle ggml-medium.bin — téléchargement ~1,5 Go, gain de précision ~12%.

Workflow 2 — Bot FAQ avec LangChain + Ollama (script Python de 50 lignes)

Cas d’usage : Votre équipe support répond aux mêmes 40 questions chaque semaine. Vous voulez un chatbot qui lit vos documents de politique interne et répond avec précision — sans halluciner des réponses non documentées.

Stack : Ollama (llama3.1:8b) + LangChain LCEL + ChromaDB (en mémoire pour les petites bases FAQ). Cette approche diffère de la configuration JSON n8n en vous donnant un contrôle total sur le template de prompt et le comportement de repli “je ne sais pas”.

Étape 1 Installer les dépendances et télécharger le modèle

# Créer un environnement virtuel
python3 -m venv faq-env && source faq-env/bin/activate

# Installer LangChain + intégration Ollama
pip install langchain-ollama langchain-chroma langchain-community

# Télécharger le modèle (4,7 Go, une seule fois)
ollama pull llama3.1:8b

# Vérifier qu'Ollama tourne
curl http://localhost:11434/api/tags

Étape 2 Préparer votre document FAQ

Créez un fichier texte brut faq.txt avec vos paires Q&R. Le format n’a pas d’importance — LangChain le découpera et l’encodera automatiquement :

Q: Quelle est votre politique de retour ?
R: Nous acceptons les retours dans les 30 jours suivant l'achat. Les articles doivent être non utilisés et dans leur emballage d'origine. Contactez support@entreprise.com avec votre numéro de commande pour initier un retour.

Q: Livrez-vous en Afrique de l'Ouest ?
R: Oui. Nous livrons au Sénégal, en Côte d'Ivoire, au Ghana, au Nigeria et au Cameroun. La livraison prend 7 à 14 jours ouvrables. Les frais de douane sont à la charge de l'acheteur.

Q: Quels modes de paiement acceptez-vous ?
R: Nous acceptons Visa, Mastercard, Orange Money, Wave et virement bancaire (SEPA pour les clients UE). PayPal n'est pas disponible dans notre région.

Étape 3 Le script complet du bot FAQ

# bot_faq.py — copiez et lancez : python bot_faq.py

from langchain_ollama import OllamaLLM, OllamaEmbeddings
from langchain_chroma import Chroma
from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

# 1. Charger et découper le document FAQ
loader = TextLoader("faq.txt", encoding="utf-8")
docs = loader.load()
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = splitter.split_documents(docs)

# 2. Créer un index vectoriel en mémoire avec les embeddings Ollama
embeddings = OllamaEmbeddings(model="nomic-embed-text")
vectorstore = Chroma.from_documents(chunks, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

# 3. Définir le prompt — critique : inclure l'instruction de repli
PROMPT = ChatPromptTemplate.from_template("""
Vous êtes un assistant support utile. Répondez à la question du client
EN UTILISANT UNIQUEMENT les informations ci-dessous. Si la réponse
n'est pas dans le contexte, répondez exactement :
"Je n'ai pas cette information. Veuillez contacter support@entreprise.com."

Contexte :
{context}

Question : {question}
Réponse :""")

# 4. Construire la chaîne LCEL
llm = OllamaLLM(model="llama3.1:8b", temperature=0)

chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | PROMPT
    | llm
    | StrOutputParser()
)

# 5. Boucle interactive
print("Bot FAQ prêt. Tapez 'quitter' pour arrêter.\n")
while True:
    question = input("Client : ").strip()
    if question.lower() == "quitter":
        break
    response = chain.invoke(question)
    print(f"Bot : {response}\n")

Exemple de sortie

Client : Livrez-vous à Abidjan ?
Bot : Oui. Nous livrons en Côte d'Ivoire. La livraison prend 7 à 14 jours ouvrables.
      Les frais de douane sont à la charge de l'acheteur.

Client : Puis-je payer en crypto-monnaie ?
Bot : Je n'ai pas cette information. Veuillez contacter support@entreprise.com.

Workflow 3 — Assistant de connaissance PDF avec RAG

Cas d’usage : Votre équipe dispose de 30+ PDFs — contrats, procédures, spécifications techniques, politiques RH. Vous voulez poser des questions en langage naturel et obtenir des réponses avec les références de pages. Plus besoin de relire des documents entiers.

Stack : PyMuPDF (extraction de texte PDF) + LangChain + ChromaDB (persistant, survit aux redémarrages) + Ollama.

Étape 1 Installer et indexer vos PDFs

pip install pymupdf langchain-ollama langchain-chroma langchain-community

# indexer_pdfs.py — à lancer UNE SEULE FOIS pour construire la base de connaissance
import os
from langchain_community.document_loaders import PyMuPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_ollama import OllamaEmbeddings
from langchain_chroma import Chroma

DOSSIER_PDF = "./documents"   # Placez vos PDFs ici
CHEMIN_DB   = "./chroma_db"   # Index vectoriel persistant

# Charger tous les PDFs du dossier
docs = []
for filename in os.listdir(DOSSIER_PDF):
    if filename.endswith(".pdf"):
        loader = PyMuPDFLoader(os.path.join(DOSSIER_PDF, filename))
        docs.extend(loader.load())

print(f"Chargé {len(docs)} pages depuis {DOSSIER_PDF}")

# Découper avec chevauchement pour préserver le contexte entre les pages
splitter = RecursiveCharacterTextSplitter(chunk_size=600, chunk_overlap=80)
chunks = splitter.split_documents(docs)
print(f"Découpé en {len(chunks)} chunks")

# Encoder et persister (2 à 5 min pour 30 PDFs sur CPU)
embeddings = OllamaEmbeddings(model="nomic-embed-text")
vectorstore = Chroma.from_documents(
    chunks,
    embeddings,
    persist_directory=CHEMIN_DB,
    collection_name="docs_entreprise"
)
print(f"Indexé {len(chunks)} chunks dans {CHEMIN_DB}")

Étape 2 Interroger la base de connaissance

# interroger_docs.py — à lancer pour poser des questions
from langchain_ollama import OllamaLLM, OllamaEmbeddings
from langchain_chroma import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

CHEMIN_DB = "./chroma_db"

# Charger l'index persisté (pas de ré-indexation nécessaire)
embeddings = OllamaEmbeddings(model="nomic-embed-text")
vectorstore = Chroma(
    persist_directory=CHEMIN_DB,
    embedding_function=embeddings,
    collection_name="docs_entreprise"
)

# Retourner 4 chunks avec leur fichier source et numéro de page
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

def formater_docs(docs):
    parties = []
    for d in docs:
        source = d.metadata.get("source", "inconnu")
        page   = d.metadata.get("page", "?")
        parties.append(f"[Source : {source}, Page {page}]\n{d.page_content}")
    return "\n\n".join(parties)

PROMPT = ChatPromptTemplate.from_template("""
Vous êtes un assistant documentaire précis. Utilisez UNIQUEMENT les extraits
ci-dessous pour répondre. Citez toujours le fichier source et le numéro de page.
Si la réponse n'est pas dans les extraits, dites "Non trouvé dans les documents indexés."

Extraits :
{context}

Question : {question}
Réponse (avec citations des sources) :""")

llm = OllamaLLM(model="llama3.1:8b", temperature=0)

chain = (
    {"context": retriever | formater_docs, "question": RunnablePassthrough()}
    | PROMPT
    | llm
    | StrOutputParser()
)

print("Assistant de connaissance prêt. Tapez 'quitter' pour arrêter.\n")
while True:
    question = input("Vous : ").strip()
    if question.lower() == "quitter":
        break
    print(f"\nAssistant : {chain.invoke(question)}\n")

Exemple de sortie

Vous : Quel est le délai de préavis pour la résiliation de contrat ?

Assistant : Le délai de préavis pour la résiliation de contrat est de
            30 jours calendaires pour les personnels de catégorie A à C
            et de 60 jours pour la catégorie D et au-dessus.
            [Source : politique-rh-2026.pdf, Page 14]

            Si l'une des parties ne respecte pas le préavis, une indemnité
            compensatrice égale au salaire de base pour la durée du préavis
            est due.
            [Source : politique-rh-2026.pdf, Page 15]

Vous : Quelles sont les exigences de sécurité informatique pour le télétravail ?
Assistant : Les employés en télétravail doivent utiliser le VPN de l'entreprise
            à tout moment pour accéder aux systèmes internes. L'authentification
            à deux facteurs est obligatoire. Les appareils personnels nécessitent
            une inscription MDM avant d'accéder à la messagerie professionnelle.
            [Source : politique-securite-it.pdf, Page 3]

Dépannage : 5 erreurs fréquentes et leurs solutions

1. Ollama retourne "connection refused"

Ollama ne tourne pas. Démarrez-le avec ollama serve dans un terminal (Mac/Linux) ou via l’icône dans la barre des tâches (Windows). Sur les serveurs Linux, activez le service systemd : sudo systemctl enable --now ollama.

2. Serveur Whisper : "model file not found"

Vous avez démarré le serveur en pointant vers un mauvais chemin de modèle. Le modèle doit se trouver dans le répertoire whisper.cpp/models/. Vérifiez avec : ls whisper.cpp/models/*.bin. Si vide, relancez le script de téléchargement : ./models/download-ggml-model.sh base.

3. ChromaDB "Embedding dimension mismatch"

Vous avez changé de modèle d’embedding après avoir créé l’index. Les vecteurs stockés ne correspondent plus aux dimensions du nouveau modèle. Solution : supprimez le dossier ./chroma_db et relancez indexer_pdfs.py avec le nouveau modèle.

4. LangChain retourne des réponses hallucinées absentes de vos documents

Le template de prompt manque de l’instruction de contrainte. Assurez-vous que votre prompt dit explicitement “Utilisez UNIQUEMENT les informations ci-dessous” et inclut l’instruction de repli. Vérifiez également que temperature=0 est défini sur le LLM — même des valeurs faibles (0,3) causent des dérives factuelles.

5. Le workflow n8n s’arrête après le nœud Whisper

Le fichier audio est envoyé comme URL au lieu de données binaires. Dans le nœud HTTP Request, activez “Envoyer des données binaires” et mappez le nom de la propriété binaire sur la sortie du nœud de déclenchement de fichier (par défaut : data). Consultez le journal d’exécution n8n pour l’erreur exacte — il affiche généralement la réponse HTTP 400 du serveur Whisper.

FAQ