Dify et n8n : orchestrer des workflows IA open source, cas d’usage ops

Workflows IA open source avec Dify et n8n : triage d’alertes, runbooks, post-mortems, différences, déploiement Docker, modèle local et supervision.
Dify et n8n : orchestrer des workflows IA open source, cas d'usage ops

Dify et n8n sont deux réponses open source à la même envie : enchaîner des appels à un LLM, des outils et des systèmes existants sans écrire une application complète à chaque fois. Pour une équipe ops, l’intérêt est immédiat : trier une alerte, résumer un incident, interroger des runbooks ou préparer un brouillon de post-mortem peuvent devenir des workflows IA open source, visuels et auto-hébergés, que l’on versionne et que l’on supervise.

Les deux outils se ressemblent à l’écran (des nœuds reliés sur un canevas) mais ne partent pas du même endroit. Dify est une plateforme de développement d’applications LLM : prompts, bases de connaissances, agents et workflows sont ses objets centraux. n8n est un outil d’automatisation de workflows généraliste, riche en connecteurs, auquel se sont ajoutés des nœuds IA.

Cet article compare leurs approches, propose des cas d’usage ops concrets et montre comment les déployer et les observer. Il fait partie de notre panorama de la stack IA open source auto-hébergée.

Dify et n8n : deux philosophies de workflows IA

Dify : l’application LLM d’abord

Dify, développé par LangGenius, propose plusieurs types d’applications : chatbots, agents, chatflows (conversations multi-tours orchestrées) et workflows (traitements déclenchés par une entrée). On y retrouve un éditeur de prompts, une base de connaissances intégrée pour le RAG, la gestion de plusieurs fournisseurs de modèles (dont des modèles locaux via Ollama ou un serveur compatible OpenAI) et une API pour chaque application publiée.

Point d’attention : la licence de Dify est une version modifiée d’Apache 2.0, avec des conditions supplémentaires (notamment sur l’exploitation multi-tenant et la conservation du logo dans l’interface). Lisez-la avant un usage commercial.

n8n : l’automatisation d’abord

n8n est un moteur de workflows qui relie des centaines de services (messagerie, ticketing, bases de données, API HTTP) via des déclencheurs, des webhooks et des nœuds. Ses nœuds IA, dont un nœud AI Agent et des nœuds de modèles de chat (y compris Ollama), s’appuient sur LangChain. n8n est distribué sous un modèle dit « fair-code » : le code est ouvert et l’auto-hébergement est permis, mais la licence pose des restrictions d’usage commercial. Là encore, vérifiez-la.

Lequel choisir ?

  • Le cœur du besoin est une application conversationnelle ou un RAG (assistant runbooks, FAQ interne) : Dify est plus direct.
  • Le cœur du besoin est l’intégration (recevoir une alerte, enrichir, créer un ticket, notifier) avec une étape IA au milieu : n8n est plus naturel.
  • Les deux se combinent bien : n8n orchestre le flux et appelle l’API d’une application Dify pour la partie LLM.

Quels cas d’usage ops pour des workflows IA open source ?

  • Triage d’alertes : un webhook reçoit une alerte, le workflow récupère le contexte (derniers déploiements, logs associés), demande au LLM un résumé et une hypothèse, puis poste le tout dans le canal d’astreinte.
  • Assistant runbooks : une application Dify avec une base de connaissances alimentée par vos procédures répond aux questions et cite ses sources.
  • Brouillon de post-mortem : à la clôture d’un incident, le workflow rassemble chronologie, messages et tickets, et produit une première version structurée à relire.
  • Classification de tickets : catégorisation et routage des demandes entrantes vers la bonne équipe.
  • Revue de changements : résumé d’une demande de changement et liste des risques à vérifier avant validation.

Dans tous ces cas, l’IA prépare, l’humain décide. Évitez les workflows qui exécutent des actions de production sur la seule foi d’une réponse de LLM.

En pratique : déployer Dify et n8n pour un workflow de triage

Étape 1 — Déployer Dify avec Docker Compose

Le dépôt de Dify fournit un fichier Docker Compose. La documentation indique un minimum de 2 cœurs et 4 Go de RAM.

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d
# puis ouvrir http://localhost/install pour créer le compte administrateur

Avant la production, relisez le fichier .env : clés secrètes, stockage, base de données et exposition réseau.

Étape 2 — Déployer n8n

La documentation de n8n propose une commande Docker de démarrage rapide ; en voici la forme simplifiée (le port 5678 est celui de l’interface) :

docker volume create n8n_data
docker run -it --rm --name n8n -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

Pour un usage durable, préférez la configuration avec PostgreSQL décrite dans la documentation d’hébergement de n8n, et placez l’instance derrière un reverse proxy TLS.

Étape 3 — Brancher un modèle local

Dans Dify, ajoutez un fournisseur de modèles (Ollama, ou tout serveur compatible OpenAI comme vLLM) depuis les paramètres de l’espace de travail. Dans n8n, utilisez le nœud de modèle de chat Ollama ou un nœud compatible OpenAI pointé vers votre serveur interne. Attention aux conteneurs : localhost désigne le conteneur lui-même, pas l’hôte.

Étape 4 — Construire le workflow de triage

  1. Dans Dify, créez un workflow « résumé d’alerte » : entrée (texte de l’alerte et contexte), nœud LLM avec un prompt structuré (impact, hypothèse, prochaines vérifications), sortie JSON. Publiez-le et récupérez sa clé d’API.
  2. Dans n8n, créez un workflow : nœud Webhook qui reçoit l’alerte, nœud HTTP Request qui récupère le contexte, nœud HTTP Request qui appelle l’API du workflow Dify, puis nœud de messagerie qui publie le résumé.
  3. Ajoutez un lien vers l’alerte d’origine dans le message : l’ingénieur d’astreinte doit pouvoir vérifier.

L’appel à Dify ressemble à ceci (adaptez l’URL et le format à la documentation de l’API affichée dans votre instance) :

curl -X POST "https://dify.interne/v1/workflows/run" \
  -H "Authorization: Bearer $DIFY_APP_KEY" \
  -H "Content-Type: application/json" \
  -d '{"inputs": {"alerte": "CPU 95 % sur api-prod"},
       "response_mode": "blocking", "user": "n8n-triage"}'

Étape 5 — Observer les workflows

Un workflow IA est un service comme un autre : il doit être supervisé. Côté n8n, la documentation décrit les points de terminaison /healthz et /metrics (format Prometheus, activé par la variable N8N_METRICS), ainsi qu’un traçage des exécutions via OpenTelemetry, en préversion au moment où nous écrivons. Côté Dify, la section Monitoring propose des journaux d’exécution et des intégrations de traçage vers des outils comme Langfuse, LangSmith, Opik ou Arize Phoenix ; voir notre article Langfuse et OpenLLMetry.

Suivez au minimum : nombre d’exécutions et taux d’échec par workflow, latence de bout en bout et de l’étape LLM, tokens consommés, et volume d’appels entrants. Les principes d’alerting restent les mêmes que pour vos autres services, comme décrit dans profils d’alerte et intégrations de notification.

Bonnes pratiques

  • Versionnez les workflows : export JSON de n8n, export DSL des applications Dify, stockés dans Git.
  • Gardez les secrets dans les gestionnaires d’identifiants des outils, jamais en clair dans les nœuds.
  • Masquez les données sensibles avant l’étape LLM, surtout si un fournisseur externe est utilisé.
  • Prévoyez un chemin de repli : si le LLM ne répond pas, l’alerte brute doit tout de même arriver.
  • Exigez une sortie structurée (JSON) et validez-la avant de l’utiliser dans les nœuds suivants.
  • Limitez les droits des comptes techniques utilisés par les workflows au strict nécessaire.

Questions fréquentes

Dify vs n8n : faut-il choisir ?

Non. Dify excelle sur les applications LLM (prompts, RAG, agents), n8n sur l’intégration entre systèmes. Beaucoup d’équipes utilisent n8n comme chef d’orchestre et Dify comme moteur IA.

Dify et n8n fonctionnent-ils sans accès à Internet ?

Ils peuvent être auto-hébergés et utiliser un modèle local. Certaines fonctions (marketplace de plugins, connecteurs cloud) supposent un accès réseau : vérifiez ce dont vous avez besoin dans la documentation.

Peut-on exposer un workflow comme outil pour un agent ?

Oui, via les API des deux outils, et Dify documente aussi la publication d’une application comme serveur MCP. Le Model Context Protocol est expliqué dans notre article dédié.

Conclusion

Dify et n8n permettent de transformer des idées d’automatisation IA en workflows auto-hébergés en quelques heures. Leur valeur pour une équipe ops dépend moins de l’outil que de la rigueur d’exploitation : versionnement, secrets, sorties structurées, chemins de repli et supervision. Traitez chaque workflow comme un service de production, et il le deviendra.

span.observer est un blog indépendant de la communauté, non affilié à Dynatrace LLC ni aux projets cités. Les marques citées appartiennent à leurs propriétaires. Les outils évoluent vite : vérifiez les commandes et options dans leur documentation officielle.

Total
0
Shares
1 comment
Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Previous Post
LlamaIndex RAG : un assistant sur votre documentation interne, et comment mesurer sa qualité

LlamaIndex RAG : un assistant sur votre documentation interne, et comment mesurer sa qualité

Next Post
Langfuse et OpenLLMetry : l'observabilité LLM de vos applications avec OpenTelemetry

Langfuse et OpenLLMetry : l’observabilité LLM de vos applications avec OpenTelemetry

Related Posts