Comment j’ai configuré Claude Code pour orchestrer 3 IA (Claude, Codex CLI, Gemini CLI) en parallèle. Mémoire hybride, MCP servers, spec-driven development et retour d’expérience sur 3 projets.
Temps de lecture : 15 minutes | Niveau : Intermédiaire à avancé
Il y a quelques mois, créer un workflow N8N de 31 nœuds me prenait plusieurs jours. Aujourd’hui, je confie la mission à Claude Code, et le workflow est créé, testé et déployé en une seule session — sans que j’aie besoin d’intervenir. Voici comment j’ai mis en place ce système, et pourquoi il change radicalement ma manière de travailler avec l’automatisation.
La question revient souvent : pourquoi ne pas simplement demander à ChatGPT de générer un workflow N8N ? Ou utiliser Cursor qui est aussi excellent pour coder ?
La réponse tient en un mot : l’agenticité.
Claude Code n’est pas un simple chatbot qui génère du texte. C’est un agent CLI autonome qui peut :
Concrètement, quand je demande à Claude Code de créer un workflow N8N, il ne se contente pas de me donner un JSON à copier-coller. Il se connecte directement à mon instance N8N, crée les nœuds, configure les connexions, valide le résultat, et corrige lui-même les erreurs qu’il détecte. Tout ça dans le terminal, sans interface graphique, sans intervention manuelle.
C’est cette capacité à agir, pas seulement conseiller, qui fait toute la différence.
| Critère | ChatGPT | Cursor/Copilot | Claude Code |
|---|---|---|---|
| Génère du JSON N8N | Oui | Oui | Oui |
| Déploie directement sur N8N | Non | Non | Oui (via MCP) |
| Valide le workflow | Non | Non | Oui (validation intégrée) |
| Corrige automatiquement | Non | Partiel | Oui (boucle itérative) |
| Mémoire inter-sessions | Limité | Non | Oui (fichiers mémoire) |
| Accès à la doc à jour | Non (cutoff) | Non | Oui (Context7 + NotebookLM) |
| Exécution shell | Non | Partiel | Oui (natif) |
Mon setup utilise Claude Opus 4.6, le modèle le plus puissant de la famille Claude. Ce n’est pas un choix anodin : la création de workflows N8N complexes exige un niveau de raisonnement que les modèles plus légers ne peuvent pas fournir.
Un workflow N8N de 30+ nœuds implique de :
updateNode dans l’API N8N remplace tous les paramètres, pas seulement ceux qu’on envoieOpus 4.6 excelle dans ce type de raisonnement en chaîne. C’est un investissement en tokens qui se rentabilise largement par le temps gagné et la qualité du résultat.
En pratique : J’utilise Opus pour la création et le debugging de workflows complexes. Pour des modifications simples (changer un texte, ajuster un paramètre), Sonnet 4.6 suffit amplement et coûte bien moins cher.
Le Model Context Protocol (MCP) est la pièce maîtresse de ce setup. C’est un standard ouvert qui permet à Claude Code de se connecter à des services externes via des « serveurs MCP ». Pensez-y comme des plugins qui donnent à l’IA des super-pouvoirs spécialisés.
Mon installation repose sur 4 serveurs MCP qui, ensemble, couvrent 100% de mes besoins :
C’est le serveur le plus important. Il permet à Claude Code d’interagir directement avec mon instance N8N hébergée sur un VPS Hostinger via Docker.
Ce qu’il peut faire :
search_nodes) — pour trouver le bon nœud parmi les centaines disponiblesget_node) — pour connaître tous ses paramètres, versions et optionsvalidate_workflow) — vérifier la structure, les connexions et les expressions avant de déployern8n_test_workflow) — déclencher un workflow et analyser le résultatn8n_autofix_workflow) — résoudre les problèmes courants de format d’expression ou de version de nœudsC’est comme avoir un développeur N8N disponible 24h/24 qui peut non seulement concevoir, mais aussi exécuter et corriger en temps réel.
Un des plus gros problèmes avec les LLM, c’est la date de coupure des connaissances. Claude connaît N8N, mais pas forcément la dernière version du nœud OpenAI (v2.1) ou les changements récents d’API.
Context7 résout ce problème en donnant à Claude un accès en temps réel à la documentation officielle de N8N. Concrètement :
/n8n-io/n8n-docsAvant de configurer un nœud, Claude consulte automatiquement Context7 pour vérifier la syntaxe, les paramètres disponibles et les breaking changes récents. C’est ce qui lui permet de produire des configurations valides du premier coup, même sur des nœuds récemment mis à jour.
Google NotebookLM est utilisé comme une base de connaissances interrogeable par l’IA. J’ai créé un notebook dédié contenant toute ma documentation N8N enrichie : patterns d’agents IA, architecture Docker, expressions avancées, cas d’usage concrets. Claude le consulte avant chaque décision architecturale importante.
Mon instance N8N tourne dans un container Docker sur un VPS Hostinger. Le MCP Hostinger permet à Claude Code de :
Ça signifie que si un workflow échoue à cause d’un problème d’infrastructure, Claude peut diagnostiquer et résoudre le problème sans que j’intervienne — de l’analyse des logs au redémarrage du service.
La vraie puissance vient de la combinaison. Voici le flux typique quand je demande à Claude de créer un workflow :
1. Context7 → Consulte la doc N8N à jour
2. NotebookLM → Vérifie les patterns et conventions du projet
3. N8N MCP → Recherche les nœuds, inspecte leurs paramètres
4. N8N MCP → Crée le workflow, le valide, le teste
5. Hostinger → Si erreur infrastructure, consulte les logs et corrige
6. N8N MCP → Corrige et redéploie jusqu'à succèsCe pipeline est codifié dans mon fichier CLAUDE.md (j’en parle plus bas), ce qui signifie que Claude le suit automatiquement à chaque mission.
C’est probablement l’aspect le plus original de mon setup. J’utilise Google NotebookLM comme un système RAG (Retrieval-Augmented Generation) pour Claude Code.
Un RAG classique nécessite une base vectorielle, un pipeline d’indexation, du chunking… C’est complexe à mettre en place et à maintenir. NotebookLM offre tout ça gratuitement et sans code, avec en bonus le moteur de raisonnement de Gemini pour synthétiser les réponses.
Mon notebook N8N (ID : n8n-base-de-connaissances-comp) contient :
Grâce au MCP NotebookLM, Claude peut interroger ce notebook en langage naturel pendant qu’il travaille :
ask_question(
notebook_id: "n8n-base-de-connaissances-comp",
question: "Quel pattern d'agent utiliser pour une recherche parallèle
suivie d'une fusion de résultats ?"
)NotebookLM renvoie une réponse sourcée, que Claude intègre directement dans sa réflexion pour concevoir le workflow.
Le MCP NotebookLM supporte les sessions conversationnelles. Ça signifie que Claude peut poser plusieurs questions successives dans la même session, chaque réponse bénéficiant du contexte des questions précédentes :
Session 1: "Quels sont les patterns d'agent disponibles ?"
→ Vue d'ensemble des 5 patterns
Session 1: "Lequel est le plus adapté pour de la recherche multi-source ?"
→ Réponse ciblée avec contexte de la question 1
Session 1: "Montre-moi un exemple de Parallelization avec Perplexity"
→ Exemple concret construit sur les 2 réponses précédentesC’est exactement le comportement d’un RAG, mais sans infrastructure à gérer.
| Critère | RAG classique (Pinecone, Weaviate…) | NotebookLM via MCP |
|---|---|---|
| Setup | Complexe (vectorDB, embeddings, chunking) | Upload de documents, c’est tout |
| Coût | $$$ (hébergement + embeddings) | Gratuit (100 notebooks) |
| Maintenance | Re-indexation, monitoring | Zéro |
| Qualité des réponses | Dépend du chunking | Gemini synthétise intelligemment |
| Mise à jour | Pipeline de réindexation | Ajouter/modifier une source |
C’est une approche pragmatique qui convient parfaitement pour un usage individuel ou en petite équipe. Pour du scaling entreprise avec des millions de documents, un RAG dédié restera nécessaire.
Si les MCPs sont les bras de Claude Code, la documentation est son cerveau à long terme. Sans elle, chaque session repart de zéro. Avec elle, Claude sait exactement comment travailler sur mon projet.
À la racine de mon projet, un fichier CLAUDE.md est automatiquement chargé à chaque session. C’est le « brief permanent » que Claude suit systématiquement. Voici ce qu’il contient :
# Projet N8N - Directives Claude Code
## MCP disponibles
- Description de chaque MCP et de son rôle
- Règles d'utilisation (ex: "Toujours appeler get_node
avec detail='standard' avant de configurer un nœud")
## Workflow de création d'un flow N8N
1. Consulter Context7 pour la doc N8N à jour
2. Consulter le notebook N8N dans NotebookLM
3. Rechercher les nœuds avec search_nodes
4. Configurer avec get_node (detail='standard')
5. Valider avec validate_workflow
6. Créer/déployer avec n8n_create_workflow
## Langue
Toujours répondre en français.Ce fichier est la pièce la plus importante du setup. Il transforme Claude d’un assistant généraliste en un spécialiste N8N qui connaît mes conventions, mes outils et ma méthodologie.
Au-delà du CLAUDE.md, Claude Code dispose d’un répertoire de mémoire persistante qu’il met à jour lui-même au fil des sessions. C’est un mécanisme natif de Claude Code qui permet à l’IA de :
Exemple concret de ce que Claude a retenu de lui-même :
# Problèmes résolus (mars 2026)
### Messages OpenAI vidés par updateNode (CRITIQUE)
- Cause : updateNode REMPLACE tout 'parameters'.
Mettre juste modelId → wipe les messages
- Fix : Toujours inclure TOUS les paramètres
dans chaque updateNode
### responses.values vs messages.values (CRITIQUE)
- OpenAI node v2.1 a DEUX modes :
- Chat Completions API → utilise messages.values
- Responses API (DÉFAUT v2.1) → utilise responses.values
- PIÈGE : Par défaut → Responses APICe mécanisme de mémoire fait que Claude ne commet jamais la même erreur deux fois. Quand il a découvert que l’API updateNode de N8N efface tous les paramètres non spécifiés (un bug qui m’aurait pris des heures à identifier manuellement), il l’a documenté. À la session suivante, il savait déjà comment l’éviter.
Pour les sujets complexes, Claude crée des fichiers de mémoire dédiés. Par exemple, tnm-workflow-optimizations.md contient tous les détails techniques du workflow newsletter : IDs des nœuds, problèmes rencontrés, patterns de référence croisée entre nœuds. Ce fichier fait office de documentation technique vivante du workflow.
C’est là que la magie opère. Voici comment se passe concrètement une mission « création de workflow » :
Un brief en langage naturel. Pas de JSON, pas de spécification technique, pas de schéma. Exemple réel :
« Crée un workflow N8N qui automatise ma newsletter The Next Mind Tricks. Il doit chercher les actus IA de la semaine via Perplexity et GPT avec web search, faire une sélection éditoriale, générer le contenu section par section, assembler le tout en Markdown et sauvegarder le fichier. Utilise les prompts qui sont dans le dossier Perso_Hostinger/Newsletter TNM/. »
Phase 1 — Recherche et compréhension
Phase 2 — Conception
search_nodesget_node(detail='standard')Phase 3 — Création
validate_workflowPhase 4 — Itération
Un workflow de 31 nœuds répartis en 7 phases, fonctionnel, validé, avec une documentation technique complète. Le tout créé en quelques heures de travail autonome.
C’est l’aspect qui impressionne le plus quand on le voit en action. Claude Code ne s’arrête pas à la première version : il boucle jusqu’à ce que ça marche.
Créer/Modifier → Valider → Erreur détectée ?
↑ ↓
└──── Corriger ←──── Analyser l'erreurCe cycle se répète automatiquement. Voici des exemples réels de bugs que Claude a détectés et corrigés seul :
Symptôme : La section « Tricks de la semaine » ne parlait pas du sujet sélectionné.
Diagnostic de Claude : Le nœud de recherche Perplexity recevait le texte complet de la sélection éditoriale au lieu du sujet Tricks spécifique.
Correction : Remplacement de $json.selectionText par $json.tricksSubject dans la référence du nœud, plus ajout d’une instruction de fallback.
Symptôme : Après une modification d’un nœud OpenAI, GPT répondait « Hello! How can I assist you? » — les prompts avaient disparu.
Diagnostic de Claude : L’API updateNode de N8N remplace tous les paramètres, pas seulement ceux envoyés. En ne spécifiant que le modèle, les messages étaient écrasés.
Correction : Inclusion systématique de tous les paramètres dans chaque appel updateNode. Et surtout : documentation dans la mémoire persistante pour ne plus jamais retomber dans ce piège.
Symptôme : Les nœuds OpenAI renvoyaient des réponses vides ou génériques.
Diagnostic de Claude : Le nœud OpenAI v2.1 de N8N utilise par défaut la Responses API (nouveau) au lieu de la Chat Completions API. Les messages étaient configurés en messages.values alors qu’il fallait responses.values.
Correction : Migration vers le bon format de paramètres. Un piège que même un développeur N8N expérimenté aurait pu mettre du temps à identifier.
Cette capacité d’itération repose sur trois piliers :
C’est un système qui s’améliore dans le temps. Plus Claude travaille sur le projet, plus sa base de connaissances s’enrichit, et moins il commet d’erreurs.
Pour rendre tout ça concret, voici le workflow que Claude a créé et optimisé pour ma newsletter hebdomadaire sur l’IA, « The Next Mind Tricks ».
Générer automatiquement une newsletter de veille IA chaque semaine : 5 actus, 5 outils, 5 tendances, et un article « Tricks » approfondi de 600 mots. Le tout au format Markdown, prêt à être mis en page.
PHASE 1 — Déclencheur
Chat Trigger → Init Variables
PHASE 2 — Double recherche parallèle (6 nœuds)
Perplexity sonar-pro ←→ OpenAI GPT web search
(Actus | Outils | Tendances) × 2 sources
PHASE 3 — Fusion et sélection éditoriale
Merge & Validate → Sélection IA (GPT, reasoning: high)
PHASE 4 — Génération de contenu (5 nœuds)
Actus → Outils → Tendances → Recherche Tricks → Rédaction Tricks
PHASE 5 — Assemblage et contrôle qualité
Assemble Markdown → QA automatique (GPT)
PHASE 6 — Sauvegarde fichiers
PHASE 7 — Notification (Chat + Telegram)reasoning_effort: "high" sélectionne les meilleurs sujets parmi tous les résultats fusionnés, en appliquant des critères métier (impact business, accessibilité, pertinence France/Europe).Ce setup n’est pas parfait. Voici les limites que j’ai rencontrées et les leçons tirées.
validate_workflow avant chaque déploiement, c’est non négociable. Ça évite les erreurs en production.Vous voulez reproduire ce setup ? Voici le chemin le plus court.
npm install -g @anthropic-ai/claude-codeLancez-le dans votre répertoire projet avec claude.
Dans votre fichier de configuration MCP Claude Code, ajoutez le serveur N8N. Vous aurez besoin de l’URL de votre instance et d’une clé API N8N.
Ajoutez le serveur MCP Context7 pour l’accès à la documentation. C’est un service gratuit qui indexe la documentation des bibliothèques open source.
C’est l’étape la plus importante. Créez un fichier CLAUDE.md à la racine de votre projet avec :
# Mon Projet N8N - Directives Claude Code
## MCP disponibles
[Liste de vos MCPs avec leur rôle]
## Workflow de création
1. Consulter Context7 pour la doc à jour
2. Consulter NotebookLM pour les conventions
3. Rechercher les nœuds avec search_nodes
4. Configurer avec get_node (detail='standard')
5. Valider avec validate_workflow
6. Créer/déployer
## Conventions
[Vos règles spécifiques]
## Langue
[Votre langue préférée]Commencez par quelque chose de simple :
« Crée un workflow N8N avec un webhook trigger qui reçoit un JSON, le transforme avec un nœud Code, et envoie le résultat sur Telegram. »
Observez comment Claude consulte la doc, recherche les nœuds, crée le workflow et le valide. C’est la boucle fondamentale sur laquelle tout le reste se construit.
Ce que j’ai construit, c’est en quelque sorte l’automatisation de l’automatisation. Au lieu de passer des heures dans l’interface N8N à glisser-déposer des nœuds, je décris ce que je veux en langage naturel et Claude Code s’occupe du reste.
Les ingrédients clés :
Le résultat ? Un workflow de newsletter de 31 nœuds, créé, testé et optimisé — avec une IA qui apprend de ses erreurs et ne les refait jamais. Ce n’est pas de la science-fiction, c’est mon quotidien depuis plusieurs mois.
Et le plus beau dans tout ça : pendant que Claude itère sur le workflow, je peux faire autre chose. L’IA travaille, je supervise. C’est un changement de paradigme dans la manière d’aborder l’automatisation.
Cet article vous a été utile ? Partagez-le avec quelqu’un qui s’intéresse à l’automatisation IA. Et si vous avez des questions sur le setup, n’hésitez pas à me contacter.
Les contenus visuels sont importants pour capter l’attention et renforcer les messages et l’intelligence artificielle (IA), elle, ne cesse de repousser les limites de la créativité numérique. Les entreprises, les créateurs de contenu et les développeurs cherchent constamment des solutions… Lire la suite »GPT-Image-1 : L’évolution ultime de la génération d’images par l’IA selon OpenAI
Vibe-coding : un miroir aux alouettes pour la qualité du code ? La programmation assistée par IA – ce que Andrej Karpathy a popularisé sous le nom de vibe-coding – séduit par sa promesse : « décrire ce qu’on veut, et laisser l’IA coder… Lire la suite »De l’ère du vibe-coding à l’artisanat logiciel : le développeur face à la révolution de l’IA
Les modèles de génération de texte ont révolutionné le domaine de l’intelligence artificielle, mais ils sont souvent confrontés à un problème récurrent : les hallucinations, c’est-à-dire la production d’informations incorrectes ou non fondées. La méthode RAG (Retrieval-Augmented Generation) est apparue… Lire la suite »La Fabrication d’un Système RAG (Retrieval-Augmented Generation) : Un Guide Pratique pour Minimiser les Hallucinations des Modèles LLM
Découvrez Apple Intelligence: la révolution de l’intelligence personnelle pour iPhone, iPad et Mac, promettant confidentialité et intégration sans précédent.
OpenAI dévoile son Model Spec, un document ambitieux définissant le comportement éthique souhaité pour ses futurs modèles d’IA. Spécifiant des objectifs clés comme assister les humains et promouvoir le bien-être, il jette les bases d’une IA digne de confiance et alignée sur les valeurs humaines.
Découvrez le pouvoir du Retrieval Augmented Generation (RAG) pour surmonter les défis des modèles linguistiques, offrant des réponses précises et actualisées.
Découvrez comment l’IA devient éco-responsable, entre fusion de modèles pré-entraînés et nouveaux GPU Nvidia, pour un futur durable.
Les chiffres sont alarmants : selon la dernière édition du rapport AXA sur la santé mentale, 39% des salariés français déclarent vivre au moins cinq difficultés au travail, allant de la fatigue aux troubles du sommeil en passant par le… Lire la suite »L’IA et l’Automatisation au Secours du Bien-Être au Travail