Le problème
Sur une plateforme de services d'ingénierie et de consulting, les demandes de contact arrivent avec des niveaux de maturité très disparates — du simple curieux au projet entreprise à fort budget. Traiter chaque soumission manuellement prenait plusieurs heures et risquait de faire passer à côté d'opportunités prioritaires.
Il fallait un système autonome capable de recevoir, enrichir, scorer et répondre aux prospects en moins de 30 secondes sans dégrader la pertinence du premier contact.
Réponse instantanée
Email qualifié et personnalisé envoyé automatiquement au prospect en moins de 30 secondes après soumission du formulaire.
Priorisation automatique
Score de 1 à 10 calculé sur budget, besoin, urgence et légitimité de l'entreprise — enrichie en temps réel via le web.
Architecture du workflow
Le workflow n8n Lead Qualification Agent s'articule autour de 13 nœuds organisés en 5 groupes :
Form Submission → Normalize Payload → Lead Qualification Agent
│
┌─────────────────────┴──────────────────────┐
│ Tools │
│ • OpenRouter Model (DeepSeek v4 Flash) │
│ • Lead Memory (Redis Chat Memory) │
│ • Knowledge Base (catalogue services) │
│ • CRM - Get Lead │
│ • Web Search (Tavily) │
│ • Qualification Output Parser (strict) │
└─────────────────────────────────────────────┘
│
┌─────────────────┴────────────────┐
Success Error
│ │
CRM - Save Lead Log Agent Failure
(node déterministe) (erreur dans Data Table)
│
Format Notification
│
Send Qualification Email5 groupes fonctionnels :
- Data Normalization : Webhook trigger → validation du payload
- AI Agent & Tools : Agent principal + 6 sous-nœuds (modèle, mémoire, outils)
- CRM Persistence : Save Lead (déterministe, post-agent)
- Output & Notification : Formatage email → envoi Gmail
- Error Handling : Fallback sur Data Table en cas d'échec
Sécurité webhook : La route /api/contact de Next.js transfère la soumission vers n8n avec une credential Header Auth (n8n-webhook-secret). Le nœud webhook valide ce secret via credential linkée + filtrage IP (64.29.17.65, 216.198.79.65) + ignoreBots: true. Aucune exécution ne démarre sans authentification.
Mémoire Redis : Le contexte conversationnel est persisté en Redis (memoryRedisChat) — l'agent conserve l'historique des interactions entre sessions, permettant un scoring plus affiné sur les contacts récurrents.
Knowledge Base comme outil agent : Le catalogue complet des services (ingénierie logicielle, architecture cloud, automatisation IA) est injecté comme outil de l'agent. Cela lui permet de matcher précisément le besoin exprimé avec les offres disponibles et de calibrer la réponse en conséquence.
Enrichissement Tavily : L'agent déclenche une recherche web sur le nom de l'entreprise du prospect pour valider son secteur, sa taille et ses réalisations avant d'émettre un score. Les appels Tavily et Gmail ont un retryOnFail avec 3 tentatives.
CRM Save Lead déterministe : Contrairement aux outils de l'agent (qui s'exécutent de manière non-déterministe), le nœud CRM - Save Lead est un nœud classique dans le flux principal. Il s'exécute à chaque exécution, garantit la persistance des données dans la Data Table CRM, et échoue de manière observable (pas de perte silencieuse).
Pipeline de notification : En cas de succès, la sortie JSON de l'agent passe dans Format Notification qui structure l'email avec les données passées par l'agent (leadName, leadEmail, leadCompany), puis Send Qualification Email l'envoie en moins de 30 secondes. En cas d'échec, Log Agent Failure enregistre l'erreur dans la Data Table CRM sans perdre les données de contact.
Ce que j'ai construit
Orchestration via OpenRouter : L'agent tourne sur DeepSeek v4 Flash via OpenRouter — ce qui permet de switcher de modèle (Mistral, GPT-4o, Gemini) sans modifier l'agent, juste en changeant l'identifiant de modèle.
Structured Output Parser strict avec auto-fix : La sortie de l'agent est contrainte à un schéma JSON strict avec enum pour les choix discrets (budget, fit, urgence), minimum/maximum pour le score 1-10, et required sur tous les champs critiques. L'option autoFix: true avec un sous-nœud modèle (OpenRouter + DeepSeek v4 Flash) corrige automatiquement les schémas invalides. L'agent est forcé de passer-through les métadonnées du lead (leadName, leadEmail, leadCompany) dans sa sortie, assurant la traçabilité complète du contact.
CRM Data Table persistante : Les leads sont persistés dans une Data Table n8n native — les données survivent aux redémarrages, sont interrogeables via l'API n8n, et n'exigent pas de base externe. Le nœud Get Lead permet la dédoublonnage par email avant scoring.
Branchement MCP : Le workflow est exposé comme outil MCP interrogeable depuis l'IDE (opencode) pour analyser les leads en langage naturel, sans ouvrir n8n.
Impact
< 30 secondes
De la soumission du formulaire à l'email de réponse qualifié et personnalisé, entièrement automatisé.
100% des leads enrichis
Chaque prospect reçoit une fiche entreprise enrichie et un score de maturité avant le moindre suivi humain.
Deux workflows, un seul pipeline
Le Lead Qualification Agent ne fonctionne pas isolé. Il fait partie d'un système de gestion de leads à deux volets qui partagent la même Data Table CRM :
┌─────────────────────────────────────────────────────────────────┐
│ PIPELINE COMPLET │
│ │
│ ┌──────────────────────┐ ┌──────────────────────────┐ │
│ │ Lead Qualification │ │ WhatsApp CRM Assistant │ │
│ │ Agent │ │ │ │
│ │ │ │ WhatsApp Trigger │ │
│ │ Form → Agent → CRM │ │ ↓ │ │
│ │ ↓ │ │ Agent → CRM (lecture) │ │
│ │ Save Lead (écriture) │ │ ↓ │ │
│ │ ↓ │ │ Reply WhatsApp │ │
│ │ Email notification │ │ + envoi email pro │ │
│ └──────────┬────────────┘ └──────────┬───────────────┘ │
│ │ │ │
│ └─────────────┬───────────────────┘ │
│ ▼ │
│ ┌──────────────────────┐ │
│ │ Data Table CRM │ │
│ │ (leads_crm) │ │
│ │ ─────────────────── │ │
│ │ email, leadName, │ │
│ │ company, score, │ │
│ │ qualification, │ │
│ │ matchedService, │ │
│ │ status, notes │ │
│ └──────────────────────┘ │
└─────────────────────────────────────────────────────────────────┘Le Lead Qualification Agent intercepte le formulaire, enrichit le lead via Tavily, le score, et écrit dans la CRM Data Table (upsert par email — dédoublonnage automatique).
Le WhatsApp CRM Assistant permet de lire et interroger cette même CRM en langage naturel depuis WhatsApp — consulter les leads récents, chercher par email, mettre à jour un statut, ou même envoyer un email professionnel directement depuis la conversation.
Le tout est mémoire Redis persistante : le contexte conversationnel est conservé entre sessions pour les deux agents.