Assistants de workflow

Les assistants de workflow sont une forme avancée d’assistants IA dans AI-School. Au lieu d’une conversation libre sans structure fixe, l’utilisateur suit une série d’étapes définies — pilotées par l’IA. Cela permet d’automatiser des processus complexes à plusieurs étapes, comme un cours complet du début à la fin.

Qu’est-ce qu’un assistant de workflow ?

Un assistant de workflow se compose d’un workflow visuel de nœuds (nodes) reliés par des flèches (edges). Chaque nœud exécute une tâche spécifique, comme :

• Début / Fin — le point de départ et d’arrivée du workflow
• Évaluer — analyse le contexte et enregistre des informations structurées dans la mémoire
• Condition — évalue une expression et dirige le flux dans la bonne direction
• LLM — appelle un modèle de langage pour une tâche spécifique (optionnel : attend une saisie utilisateur)
• Approbation — pose une question oui/non et dirige le flux selon la réponse
• Relier — relie des routes sans tâche IA ni sortie visible, pratique pour garder un workflow clair
• Sous-agent - exécute la même tâche en parallèle pour plusieurs éléments, par exemple un élève par cycle de correction

Le workflow enregistre automatiquement son état après chaque étape. Lorsque l’utilisateur fournit une entrée, le workflow reprend exactement là où il s’était arrêté.

Créer un assistant de workflow

Ouvrez Assistants et choisissez l’onglet Assistants de workflow. Dans la carte en haut, cliquez sur Nouveau workflow et choisissez Créer ou modifier un workflow avec l’IA, Workflow vide, Workflow n8n ou l’un des presets. Sous Démarrage rapide, vous pouvez lancer un preset directement ou choisir Utiliser comme modèle.

Vous pouvez également convertir votre propre assistant : dans le menu de la carte de l’assistant, choisissez Ouvrir comme workflow. Vous obtiendrez un nouveau brouillon non partagé ; l’assistant d’origine reste existant. Vérifiez et testez les étapes proposées avant de publier.

Comme les assistants classiques, les assistants de workflow peuvent être partagés avec des groupes et des collègues, y compris depuis l’éditeur via le bouton Partager dans la barre d’outils. Lors d’un partage avec des collègues, AI-School peut envoyer automatiquement une notification par e-mail afin que les destinataires sachent que l’assistant de workflow est disponible.

Démarrer un workflow n8n

En plus des assistants de workflow pilotés par l’IA, AI-School peut aussi démarrer un workflow n8n via un webhook. Un workflow n8n n’ouvre pas de chat : sans champs, le webhook est appelé directement ; avec des champs, un formulaire s’ouvre d’abord. Les administrateurs le créent via Assistants → Assistants de workflow → Nouveau workflow → Workflow n8n.

Lisez l’explication complète sur la page workflows n8n.

Paramètres généraux

Lors de la création ou de la modification d’un workflow, vous configurez les paramètres généraux via le panneau de paramètres. Ces paramètres s’appliquent à l’ensemble du workflow :

• Modèle : le modèle IA utilisé par toutes les étapes. Vous choisissez un seul modèle pour tout le workflow.
• Outils : quels outils sont disponibles dans le workflow (par ex. Vastlegging, SLO zoeken, Internet zoeken). Les outils activés sont disponibles pour toutes les étapes LLM, sauf si vous les désactivez par étape.
• Serveurs MCP : connexions externes disponibles dans le workflow.
• Documents : fichiers que les étapes LLM peuvent consulter.
• Images : images que les étapes LLM peuvent utiliser.

Vous pouvez aussi définir si l’utilisateur peut ajouter lui-même des fichiers ou des images pendant le chat.

Fichiers dans les formulaires de workflow

Un workflow peut demander à l’utilisateur de fournir des fichiers, par exemple un test, un modèle de correction ou un travail d’élève remis. Lors d’une telle demande de fichier, l’utilisateur peut :

• téléverser un nouveau fichier
• choisir un fichier existant dans la gestion des fichiers
• déterminer, pour chaque question, quel fichier correspond à quel élément

Les nouveaux fichiers sont d’abord traités. Le workflow ne peut continuer de manière fiable qu’une fois le traitement terminé. Si une demande de fichier obligatoire est encore en cours ou a échoué, l’utilisateur doit attendre ou rechoisir/re-téléverser le fichier.

Les fichiers ajoutés via le formulaire de workflow deviennent disponibles comme fichiers d’assistant pour ce chat. Ils ne sont pas automatiquement sélectionnés comme fichiers de chat ordinaires.

Paramètres par étape

Dans chaque étape LLM, vous pouvez désactiver les outils, fichiers et images activés globalement pour cette étape spécifique. Cela vous donne un contrôle précis sur les outils disponibles à chaque étape. Vous ne pouvez ajouter au niveau de l’étape rien qui ne soit pas déjà activé globalement.

Utiliser un preset

Pour la plupart des utilisateurs, un preset est le meilleur point de départ. Vous pouvez ensuite l’adapter à vos besoins.

Exemple : l’assistant de cours

L’assistant de cours est un preset prêt à l’emploi spécialement conçu pour l’enseignement. Il accompagne l’utilisateur du début à la fin d’un cours complet : de la définition du sujet et du niveau, via les objectifs d’apprentissage et les explications, jusqu’aux exercices et à un résumé final.

Vue d’ensemble du workflow

L’assistant de cours se compose des étapes (nœuds) suivantes, dans l’ordre :

Explication étape par étape

1. Début

Le workflow démarre dès que l’utilisateur ouvre le chat et envoie son premier message.

---

2. Triage : Sujet du cours (nœud d’évaluation)

Que fait-il ? L’IA analyse le message de l’utilisateur et tente de déterminer :

• Sujet — de quoi parle le cours ? (p. ex. « loi du levier »)
• Niveau — débutant, intermédiaire ou avancé ?
• Assez d’informations ? — y a-t-il assez de contexte pour formuler directement les objectifs d’apprentissage ?

Ce résultat est enregistré dans la mémoire du workflow.

---

3. Assez d’informations ? (nœud de condition)

S’il y a suffisamment d’informations (voldoende_info = true), le workflow passe directement à Formuler les objectifs d’apprentissage.

Si les informations manquent, le workflow passe à Collecter des informations.

---

4. Collecter des informations (nœud LLM, en attente d’entrée)

Que fait-il ? L’IA pose des questions ciblées à l’utilisateur pour identifier le sujet et le niveau souhaité. Dès que l’utilisateur a répondu, le flux revient à Triage : Sujet du cours pour réévaluer.

Exemple de conversation :

🤖 « Ravi de vous accueillir ! Pour bien vous aider, quelques questions rapides : 1. Quel sujet souhaitez-vous pour le cours ? 2. À quel niveau vous situez-vous ? (débutant / intermédiaire / avancé) »

👤 « seconde, physique, loi du levier »

Après cette réponse, le triage réévalue et détermine : voldoende_info = true.

---

5. Formuler les objectifs d’apprentissage (nœud LLM)

Que fait-il ? L’IA rédige une liste numérotée de 4 à 5 objectifs d’apprentissage concrets et mesurables pour le sujet et le niveau donnés.

Exemple de sortie :

Objectifs d’apprentissage pour Loi du levier – seconde (intermédiaire) :

1. Vous pouvez formuler la loi du levier et expliquer la formule F₁ × r₁ = F₂ × r₂.
2. Vous pouvez effectuer des calculs pour déterminer des forces inconnues ou des longueurs de bras.
3. Vous pouvez appliquer la loi du levier à des exemples pratiques (ciseaux, brouette, balançoire).
4. Vous pouvez expliquer la différence entre un levier du premier, du deuxième et du troisième genre.

---

6. Valider les objectifs d’apprentissage (nœud d’approbation)

Que fait-il ? L’IA demande à l’utilisateur si les objectifs d’apprentissage proposés sont corrects et si le cours peut commencer.

• Oui → continuer vers le cours
• Non → revenir à Formuler les objectifs d’apprentissage pour reformuler les objectifs

L’utilisateur peut consulter les objectifs d’apprentissage via le menu déroulant dans le chat.

---

7. Triage : Objectifs d’apprentissage (nœud d’évaluation)

Que fait-il ? Après chaque cycle de cours, l’IA vérifie si l’utilisateur maîtrise tous les objectifs d’apprentissage. Il s’agit d’une évaluation stricte : l’utilisateur doit comprendre chaque objectif de manière démontrable.

---

8. Tous les objectifs d’apprentissage compris ? (nœud de condition)

• Oui → continuer vers Agent exercices
• Non → continuer vers Agent cours pour l’objectif suivant

---

9. Agent cours (nœud LLM, en attente d’entrée)

Que fait-il ? L’IA enseigne le sujet, étape par étape, sur la base des objectifs d’apprentissage définis. Après chaque partie, l’IA pose une question de compréhension. Ce n’est que lorsque l’utilisateur démontre qu’il comprend l’objectif que le cours continue.

Après la saisie de l’utilisateur, le flux revient à Triage : Objectifs d’apprentissage pour évaluer les progrès.

Exemple :

🤖 « Nous commençons par l’objectif d’apprentissage 1 : la loi du levier. Un levier est une barre rigide qui pivote autour d’un point d’appui. La force nécessaire dépend de la distance au point d’appui. La formule est :

F₁ × r₁ = F₂ × r₂

Peux-tu expliquer ce que signifient r₁ et r₂ dans cette formule ? »

---

10. Agent exercices (nœud LLM, en attente d’entrée)

Que fait-il ? L’IA pose au moins une question d’exercice par objectif d’apprentissage. L’utilisateur répond aux questions, puis le flux passe à Agent feedback.

---

11. Agent feedback (nœud LLM, en attente d’entrée)

Que fait-il ? L’IA fournit un feedback détaillé et personnalisé sur les exercices réalisés. Pour chaque objectif d’apprentissage, elle indique ce qui a bien fonctionné et ce qui peut être amélioré. Le ton est honnête mais encourageant.

---

12. Terminer ? (nœud d’approbation)

L’IA demande si l’utilisateur veut terminer ou s’il souhaite encore s’exercer.

• Oui → aller à Récapitulatif
• Non → retourner à Agent exercices pour un nouveau tour

---

13. Récapitulatif (nœud LLM)

Que fait-il ? L’IA fournit un résumé clair de l’ensemble de la matière abordée, suivi d’un feedback personnel et motivant sur les performances.

---

14. Fin

Le workflow se termine par un message de clôture encourageant.

« Bon travail pendant ce cours et à la prochaine ! »

---

Conversation d’exemple complète

Ci-dessous, une conversation d’exemple abrégée avec l’assistant de cours sur la loi du levier, seconde :

Qui	Message
👤 Utilisateur	salut
🤖 Assistant de cours	Ravi de vous accueillir ! Quel sujet voulez-vous pour le cours, et à quel niveau ?
👤 Utilisateur	seconde physique, loi du levier
🤖 Assistant de cours	Parfait ! J’ai établi 4 objectifs d’apprentissage. Voulez-vous commencer le cours avec ces objectifs ?
👤 Utilisateur	oui
🤖 Assistant de cours	Nous commençons par l’objectif d’apprentissage 1 : la loi du levier. (explication + question de compréhension)
👤 Utilisateur	(réponse à la question de compréhension)
🤖 Assistant de cours	(suite du cours pour les objectifs 2, 3, 4 ...)
🤖 Assistant de cours	Vous avez parcouru tous les objectifs d’apprentissage ! Place aux exercices...
👤 Utilisateur	(réponses aux questions d’exercice)
🤖 Assistant de cours	(feedback personnel) Voulez-vous terminer ou vous exercer encore un peu ?
👤 Utilisateur	terminer
🤖 Assistant de cours	(résumé + conclusion motivante)

Voir la progression

Lorsque vous échangez avec un assistant de workflow, vous pouvez voir la progression via le bouton Workflow à droite du champ de saisie du chat. En cliquant sur ce bouton, un panneau s’ouvre avec :

• Toutes les étapes du workflow (les nœuds de condition et de note ne sont pas affichés)
• L’état de chaque étape :
  • ⬜ Attente : pas encore atteint
  • 🔄 Actif : en cours d’exécution
  • ✅ Terminé : terminé avec succès
  • ⏸️ En attente d’entrée : attend une réponse de l’utilisateur
  • ⏭️ Ignoré : non exécuté (par ex. à cause d’une condition)
  • ❌ Erreur : une erreur s’est produite

Créer un nœud de triage

Un nœud d’évaluation (nœud de triage) extrait des informations de la conversation et les enregistre dans la mémoire du workflow. Les nœuds de condition peuvent ensuite lire ces valeurs pour orienter le flux dans la bonne direction.

Configuration

1. Ajoutez un nœud Évaluer au workflow.
2. Rédigez un prompt système qui décrit ce que l’IA doit analyser et quelles conclusions elle doit tirer.
3. Définissez le schéma de sortie avec les champs :
   • Nom du champ : la clé avec laquelle vous récupérez la valeur plus tard (par ex. voldoende_info, niveau, route).
   • Type : string (texte), number (nombre), boolean (oui/non), ou enum (choix parmi des valeurs fixes). Pour enum, indiquez les valeurs autorisées séparées par des virgules.
4. Définissez le nombre max. d’itérations pour éviter que le nœud tourne indéfiniment.

Valeurs de mémoire

Les valeurs enregistrées sont accessibles via le préfixe state. dans les nœuds de condition, par exemple state.voldoende_info ou state.niveau.

Configurer un nœud de condition

Un nœud de condition évalue des expressions basées sur la mémoire du workflow et dirige le flux vers l’étape suivante appropriée.

Branches

Un nœud de condition possède une ou plusieurs branches :

• Si (if) : la première condition évaluée.
• Sinon si (else-if) : conditions supplémentaires facultatives.
• Sinon (else) : la route par défaut si aucune condition ne correspond.

Rédiger des expressions

Les expressions sont rédigées en CEL (Common Expression Language) :

Comportement souhaité	Expression
Le champ est true	state.voldoende_info == true
Le champ a une valeur fixe	state.niveau == "gevorderd"
Comparaison numérique	state.score > 7
Plusieurs conditions	state.niveau == "basis" && state.score < 5

Configurer les connexions

Tracez depuis le nœud de condition des connexions distinctes pour chaque branche vers le nœud suivant approprié. L’éditeur affiche une sortie propre à chaque branche sur le nœud.

Utiliser un nœud de relais

Un nœud de relais n’exécute aucune tâche IA. Il transmet simplement le workflow vers l’étape suivante. Utilisez ce nœud lorsque vous souhaitez regrouper clairement plusieurs routes ou lorsque vous avez besoin d’une étape technique intermédiaire dans le schéma.

Exemples pratiques :

• relier un chemin qui saute des scripts à l’étape où les images sont choisies
• faire converger plusieurs routes d’approbation vers la même étape suivante
• rendre un workflow long plus lisible sans utiliser un nœud de note comme point de jonction

Un nœud de relais doit avoir au moins une connexion entrante et une connexion sortante. Le nœud n’est pas affiché comme une étape de contenu distincte dans la progression du workflow.

Utiliser un nœud sous-agent

Un nœud sous-agent est destiné aux tâches qui doivent être exécutées plusieurs fois de la même manière. Le nœud reçoit une liste d’éléments depuis la mémoire du workflow et lance pour chaque élément une exécution distincte avec un contexte isolé.

Applications pratiques :

• corriger un test pour chaque élève
• analyser chaque document
• résumer chaque formulaire rempli
• consigner un rapport propre pour chaque élément

Configuration

1. Assurez-vous qu’un nœud d’évaluation précédent enregistre une liste d’éléments dans la mémoire du workflow, par exemple leerlingen_json.
2. Ajoutez un nœud Sous-agent.
3. Définissez la source des éléments.
4. Définissez éventuellement un champ d’étiquette afin que la progression soit identifiable.
5. Définissez le nombre maximum d’exécutions parallèles.
6. Indiquez sous quelle clé de mémoire les résultats doivent être enregistrés.

Le contexte du sous-agent ne contient à chaque fois que l’élément en cours de traitement. Faites donc explicitement référence à l’élément actuel dans le prompt et évitez que l’IA traite plusieurs éléments en même temps.

Enregistrement dans les workflows

L’outil Vastlegging est particulièrement utile dans les workflows. Il permet à l’IA d’enregistrer automatiquement des résultats intermédiaires ou finaux sous forme de documents modifiables dans le panneau latéral.

Configuration

1. Activez l’outil Vastlegging dans les paramètres généraux du workflow.
2. Ajoutez dans le prompt système de l’étape LLM souhaitée une instruction pour enregistrer un certain contenu. Activez l’outil pour cette étape (ou laissez-le activé globalement).

Exemple

Dans une étape d’objectifs d’apprentissage, vous pouvez écrire dans le prompt système :

« Formule des objectifs d’apprentissage pour le sujet et le niveau indiqués. Enregistre ensuite immédiatement les objectifs avec l’outil Vastlegging, avec le titre “Objectifs d’apprentissage”. »

L’utilisateur peut consulter les documents enregistrés via le bouton Vastlegging (📄) dans la barre d’outils du chat.

Restaurer une conversation

Si vous êtes au milieu d’un cours et que vous souhaitez revenir à un point antérieur de la conversation, vous pouvez le faire via le bouton de restauration (l’icône d’historique) situé à côté d’un message précédent. Cela supprime tous les messages après ce point et reprend le workflow à partir de cet instant exact.

Attention

La restauration est définitive — les messages supprimés ne seront plus disponibles.

Modifier un workflow

En tant qu’administrateur, vous pouvez ouvrir un workflow existant et le modifier dans l’éditeur de workflow. Cliquez sur un nœud pour modifier sa configuration, ajoutez de nouveaux nœuds via le menu contextuel ou faites glisser des connexions vers d’autres nœuds.

Pour un workflow entièrement nouveau, vous pouvez commencer avec un canevas vide ou un autre preset.

Créer ou modifier un workflow avec l’IA

Discutez de votre workflow avec l’IA. Les modifications valides apparaissent dans l’éditeur. Vérifiez et testez le résultat avant de l’enregistrer ou de le publier.