Normalisation des Données Produit pour l'IA
Lors de l'utilisation d'agents IA, les réponses JSON brutes provenant des API nécessitent souvent un nettoyage et une restructuration avant de pouvoir être exploitées efficacement. L'objectif de cette étape est de prendre les données non traitées du nœud HTTP Rainforest, de les simplifier en un seul paquet de données adapté aux LLM, puis de les transmettre à l'agent IA sans rencontrer le problème redouté "[object Object]".
Vérification du retour réel du nœud HTTP
La requête HTTP Rainforest fournit déjà toutes les informations nécessaires pour créer un résumé produit pertinent :
- asin ;
- title ;
- brand ;
- categories ;
- rating et total_reviews ;
- images ;
- bullet points ;
- rank / BSR ;
- offers et buy box ;
- keyword list.
C'est largement suffisant pour une analyse par IA, il n'est donc pas nécessaire de faire une nouvelle requête. Vous allez donc travailler avec les données déjà disponibles.
Si vous faites glisser l'objet produit dans le champ context de l'agent IA, vous remarquerez que n8n affiche [object Object]. Cela se produit parce que le champ context attend du texte brut, et non un objet imbriqué. Même si les LLM peuvent lire du JSON, le champ n'accepte qu'une chaîne de caractères, il faut donc aplatir et convertir en chaîne les données au préalable.
Normalisation des données avec un nœud Code
Juste après la requête HTTP, ajoutez un nœud Code. Vous pouvez utiliser ChatGPT pour générer la logique de transformation, il suffit de partager la sortie de Rainforest et de demander :
Collez ce code dans le nœud, configurez-le pour s'exécuter une fois pour tous les éléments, puis exécutez. Vous devriez maintenant voir un objet propre avec toutes les données produit regroupées et prêtes à l'emploi.
Si l'Agent IA affiche toujours [object Object], cela signifie que la structure est correcte mais n'a pas encore été convertie en chaîne. Dans ce cas, mettez à jour votre nœud Code pour produire :
return [{ json: { data: JSON.stringify(items[0].json) } }];
ou utilisez un nœud Aggregate pour fusionner tous les éléments dans une seule liste avant de convertir en chaîne.
Vous ne codez pas réellement ici, vous testez simplement du code généré par un LLM. Si quelque chose échoue, copiez le message d'erreur exact dans ChatGPT et laissez-le le corriger pour vous.
Connexion à l'Agent IA
Une fois que la sortie est correcte, ajoutez votre nœud Agent IA (Gemini, OpenAI, etc.) et collez votre prompt système dans le champ Instruction. Par exemple :
Exécuter le workflow. Le modèle doit maintenant générer un résumé propre et structuré comprenant :
- Un aperçu concis du produit ;
- Les points forts (notes, contenu A+, badges) ;
- Les points faibles (peu d’images, mots-clés manquants) ;
- Corrections et suggestions de mots-clés.
Pour que le modèle pose des questions de clarification avant de répondre, ajoutez simplement cette ligne à votre prompt :
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Awesome!
Completion rate improved to 4.17Normalisation des Données Produit pour l'IA
Glissez pour afficher le menu
Lors de l'utilisation d'agents IA, les réponses JSON brutes provenant des API nécessitent souvent un nettoyage et une restructuration avant de pouvoir être exploitées efficacement. L'objectif de cette étape est de prendre les données non traitées du nœud HTTP Rainforest, de les simplifier en un seul paquet de données adapté aux LLM, puis de les transmettre à l'agent IA sans rencontrer le problème redouté "[object Object]".
Vérification du retour réel du nœud HTTP
La requête HTTP Rainforest fournit déjà toutes les informations nécessaires pour créer un résumé produit pertinent :
- asin ;
- title ;
- brand ;
- categories ;
- rating et total_reviews ;
- images ;
- bullet points ;
- rank / BSR ;
- offers et buy box ;
- keyword list.
C'est largement suffisant pour une analyse par IA, il n'est donc pas nécessaire de faire une nouvelle requête. Vous allez donc travailler avec les données déjà disponibles.
Si vous faites glisser l'objet produit dans le champ context de l'agent IA, vous remarquerez que n8n affiche [object Object]. Cela se produit parce que le champ context attend du texte brut, et non un objet imbriqué. Même si les LLM peuvent lire du JSON, le champ n'accepte qu'une chaîne de caractères, il faut donc aplatir et convertir en chaîne les données au préalable.
Normalisation des données avec un nœud Code
Juste après la requête HTTP, ajoutez un nœud Code. Vous pouvez utiliser ChatGPT pour générer la logique de transformation, il suffit de partager la sortie de Rainforest et de demander :
Collez ce code dans le nœud, configurez-le pour s'exécuter une fois pour tous les éléments, puis exécutez. Vous devriez maintenant voir un objet propre avec toutes les données produit regroupées et prêtes à l'emploi.
Si l'Agent IA affiche toujours [object Object], cela signifie que la structure est correcte mais n'a pas encore été convertie en chaîne. Dans ce cas, mettez à jour votre nœud Code pour produire :
return [{ json: { data: JSON.stringify(items[0].json) } }];
ou utilisez un nœud Aggregate pour fusionner tous les éléments dans une seule liste avant de convertir en chaîne.
Vous ne codez pas réellement ici, vous testez simplement du code généré par un LLM. Si quelque chose échoue, copiez le message d'erreur exact dans ChatGPT et laissez-le le corriger pour vous.
Connexion à l'Agent IA
Une fois que la sortie est correcte, ajoutez votre nœud Agent IA (Gemini, OpenAI, etc.) et collez votre prompt système dans le champ Instruction. Par exemple :
Exécuter le workflow. Le modèle doit maintenant générer un résumé propre et structuré comprenant :
- Un aperçu concis du produit ;
- Les points forts (notes, contenu A+, badges) ;
- Les points faibles (peu d’images, mots-clés manquants) ;
- Corrections et suggestions de mots-clés.
Pour que le modèle pose des questions de clarification avant de répondre, ajoutez simplement cette ligne à votre prompt :
Merci pour vos commentaires !
