Étude de cas

Étude de cas : PrediBot

Voir comment un système multi-agents a été branché sur l'API FoodEatUp, et ce qu'il faut en retenir.

Mise à jour : 2026-09-09

Étude de cas — non supportée par FoodEatUp

Exemple non supporté

PrediBot est un travail de recherche mené au-dessus de FoodEatUp. Les serveurs n8n décrits ici ne sont pas des services FoodEatUp, ne sont pas supportés, et leurs adresses sont fictives. Pour reproduire, hébergez votre propre console n8n.

PrediBot est un assistant WhatsApp pour restaurateurs : on lui écrit en langage naturel, il lit et écrit dans FoodEatUp via l'API, et il pousse des alertes. L'architecture repose sur un orchestrateur et six sous-agents, chacun exposé comme un serveur MCP indépendant dans n8n.

Le parcours d'un message

  1. Le restaurateur écrit sur WhatsApp ; un webhook n8n reçoit le message.
  2. Un accusé de réception immédiat est renvoyé pendant que le traitement démarre.
  3. Le numéro est validé contre une liste blanche, ce qui détermine l'établissement.
  4. Une base vectorielle et l'historique de conversation fournissent le contexte.
  5. L'agent choisit un ou plusieurs outils parmi les six serveurs MCP.
  6. L'outil appelle l'API FoodEatUp, authentifié pour cet établissement.
  7. La réponse est nettoyée puis renvoyée sur WhatsApp.
Workflow n8n : réception WhatsApp, validation, base vectorielle, agent IA relié à six serveurs MCP, envoi de la réponse.
Le flux complet d'un message : réception, validation de l'expéditeur, contexte, choix d'outil, réponse.

Six sous-agents, six serveurs MCP

Sous-agentDomaine
Général / configurationétablissement, paramètres, informations générales
HACCPrelevés, températures, traçabilité
Fournisseurscommandes, réceptions, contacts
RHsalariés, plannings, heures
Stockingrédients, inventaires, seuils
Productionprévisions et plan de production
Six panneaux de serveurs MCP n8n, chacun listant ses propres outils.
Un serveur MCP par domaine plutôt qu'un seul serveur géant : l'agent choisit mieux quand la liste d'outils est courte.

Un pipeline d'export dédié

Les demandes de rapport ne passent pas par l'agent conversationnel : un workflow séparé interroge les différentes familles de données, convertit chaque jeu en CSV, fusionne le tout et produit le document renvoyé à l'utilisateur.

Workflow n8n d'export : plusieurs branches d'appel API, conversion CSV, fusion et génération du rapport.
Séparer l'export du dialogue évite de faire transiter de gros volumes par l'agent.

Ce qu'on en retient pour sa propre intégration

  • Découpez par domaine : un agent qui voit 193 outils choisit moins bien qu'un agent qui en voit vingt.
  • Validez l'expéditeur avant tout appel : le canal détermine l'établissement.
  • Accusez réception tout de suite : un appel d'outil peut prendre plusieurs secondes.
  • Sortez les exports du fil de conversation.

Le détail scientifique du système