Construire des workflows n8n avec Claude et MCP : trois niveaux en aperçu

Qui travaille régulièrement avec des outils d’automatisation comme n8n connaît la partie fastidieuse : assembler les nœuds à la souris, vérifier le JSON à la main, copier des workflows depuis des modèles. Une vidéo YouTube de Mark Kashef montre une autre voie. Avec le modèle de langage Claude et ce que l’on appelle des serveurs MCP, il devient possible de générer des workflows n8n à partir d’une description en langage naturel, de les valider et, dans le meilleur des cas, de les écrire directement dans son propre compte n8n.

Nous résumons sobrement les trois niveaux présentés, situons l’effort nécessaire et nommons les limites. L’objectif : une estimation réaliste de l’intérêt de cette approche pour votre entreprise.

Ce que font réellement les serveurs MCP

MCP signifie Model Context Protocol. Dans la vidéo, il est décrit comme un wrapper autour d’une API ou du service backend d’une application, qui simplifie la communication dans les deux sens. L’analogie parlante : autrefois, chaque fonction d’une application correspondait à une porte distincte, et pour chaque requête il fallait créer la clé correspondante séparément. Un serveur MCP regroupe tout cela. Une seule clé ouvre plusieurs portes à la fois.

Concrètement : au lieu de câbler en dur chaque fonction séparément, un unique serveur fournit une multitude de fonctions. Dans l’exemple, le serveur n8n-MCP central met à disposition 38 fonctions différentes, dont la recherche de nœuds, le chargement de la documentation et la création de workflows complets.

Les quatre composants

• Documentation n8n : Comme n8n est largement open source, un serveur MCP peut lire la documentation publique et reconnaître ainsi quels nœuds sont pertinents et quand.
• Bibliothèque de workflows : Des dépôts optionnels contenant des milliers de workflows d’exemple augmentent le taux de réussite et réduisent les hallucinations ou les nœuds erronés.
• Exemples d’agents : Qui veut des agents IA plutôt que de simples workflows de A à B devrait le demander dans le prompt ou fournir des exemples d’agents. En arrière-plan, les structures d’agents reposent sur des nœuds LangChain.
• Accès à l’API n8n : Ce n’est qu’avec une clé API et une URL renseignées que Claude peut réellement écrire des workflows dans le compte.

Niveau 1 : Claude Desktop plus serveur MCP

La variante d’entrée se passe de Docker et convient, selon la vidéo, à tous les niveaux de connaissances. Dans Claude Desktop, le chemin passe par Paramètres, Développeur, Modifier la configuration. Le bloc JSON des serveurs MCP souhaités est inséré dans le fichier de configuration, puis le programme est entièrement quitté et redémarré.

Dans la vidéo, trois dépôts GitHub sont combinés : une collection de milliers de workflows n8n, le service Context7 pour une documentation toujours à jour, ainsi que le serveur n8n-MCP proprement dit. Le code JSON adéquat est fourni par l’outil gitmcp.io, qui permet de générer à partir d’un dépôt GitHub un petit serveur MCP accompagné d’un extrait de configuration prêt à l’emploi. Les extraits peuvent ensuite être fusionnés par Claude lui-même en un seul fichier de configuration.

Limite de ce niveau : sans Docker, l’accès à l’API manque. Le serveur n8n-MCP n’offre ici que quatre fonctions au lieu de 38. Claude peut donc générer des workflows sous forme de JSON, que l’on importe manuellement dans n8n, mais pas les écrire automatiquement. Dans la démonstration, Claude parcourt la bibliothèque de workflows à la recherche d’un exemple Telegram, apprend de sa structure et en tire un brouillon importable. Avec le complément Context7, le même workflow peut être affiné à l’aide de la documentation actuelle.

Niveau 2 : Docker en plus, pour l’import direct

Le deuxième niveau ajoute Docker. Décrit dans la vidéo comme une plateforme de conteneurs qui exécute des applications isolées localement sur son propre matériel. L’avantage : le serveur n8n-MCP tourne en local, ce qui est favorable du point de vue de la sécurité, et peut, avec une clé API renseignée, écrire des workflows dans le compte n8n par programmation.

Pour l’installation, il existe deux voies. Soit le téléchargement manuel de Docker Desktop pour Windows ou Mac, soit le terminal assisté par IA Warp, auquel on donne des instructions en langage naturel comme « Lade Docker für mich herunter ». En cas d’erreur, Warp propose l’étape suivante, que l’on peut reprendre avec la touche de tabulation. Le démarrage effectif du serveur se fait avec une seule ligne sur le modèle docker pull accompagnée du lien vers le serveur MCP.

À quoi faire attention

• Le conteneur doit tourner (symbole vert) et Docker Desktop ne doit pas être fermé, sinon la connexion à Claude s’interrompt et les outils disparaissent.
• Pour l’accès à l’API, il faut l’URL de l’instance n8n (la partie avant la barre oblique) ainsi qu’une clé API, générée dans les paramètres n8n sous « n8n API ».
• Les deux sont inscrits dans le bloc JSON. Ensuite, 38 fonctions au lieu de quatre deviennent visibles, dont la fonction centrale n8n_create_workflow ainsi que la lecture et la modification de workflows existants.

Niveau 3 : Cursor comme réservoir de connaissances

Le troisième niveau combine Claude Desktop, Docker et l’éditeur de code Cursor. La raison tient à une limite pratique de Claude : lors de la génération de fichiers JSON, la fenêtre de contexte se remplit vite, et les conversations longues atteignent des limites. Cursor est conçu pour écrire et parcourir de grandes quantités de code et peut référencer des dossiers entiers contenant des milliers de fichiers de workflow, sans tout charger dans le contexte de Claude.

Les serveurs MCP utilisés dans la vidéo (n8n-MCP et Context7) se configurent dans Cursor avec exactement le même JSON que dans Claude Desktop. Pratique : on peut ajouter des dossiers par glisser-déposer, par exemple une collection d’outils d’agents ou des workflows d’agents d’exemple, et y renvoyer précisément dans le prompt.

Un autre point est le choix du modèle. Cursor donne accès à différents modèles Claude et à leur variante Max, ainsi qu’à d’autres modèles de langage en alternative. Si l’on atteint une limite, on peut changer de modèle. La vidéo ajoute que l’éditeur Windsurf n’a pas été utilisé, parce qu’il a été racheté par OpenAI et que Claude y aurait mis fin à l’accès natif aux modèles les plus récents.

Le passage entièrement automatique

Dans la démonstration, Claude planifie d’abord, en mode « Ask », un workflow d’agent pour une société immobilière avec des outils comme GoHighLevel, Gmail, Google Sheets et Slack. Pour l’exécution, on bascule en mode « Agent », afin que les serveurs MCP soient effectivement appelés. Ensuite, le déroulement suivant se fait largement sans intervention :

• lire la documentation et lister les nœuds pertinents
• vérifier la structure et la disponibilité des nœuds (y compris une requête de health check contre le compte n8n)
• créer le workflow, le valider et détecter les erreurs
• si besoin, simplifier et réparer par mise à jour partielle plutôt que réécrire entièrement
• validation finale et écriture dans le compte n8n, avec l’ID du workflow

L’ensemble du parcours a duré, dans cet exemple, environ dix minutes et s’est terminé par un workflow d’agent fonctionnel dans le compte n8n, contenant un déclencheur de chat, une mémoire et un modèle de langage.

Les trois niveaux comparés

• Niveau 1 (Claude Desktop plus MCP) : effort faible, pas de Docker, pas d’import direct. Le résultat est du JSON importable. Bon pour essayer.
• Niveau 2 (plus Docker) : effort moyen, installation de Docker une seule fois. Accès en écriture direct au compte n8n via une clé API.
• Niveau 3 (plus Cursor) : effort plus élevé, mais pas de limite de contexte, accès à de grandes bibliothèques, changement de modèle et parcours de bout en bout entièrement automatique pour des workflows d’agents plus complexes.

Ce que cela vaut en pratique

L’approche décharge du travail répétitif et fournit des points de départ utilisables. Ce qui reste important, c’est l’attente réaliste, également mentionnée dans la vidéo : d’un prompt vague naît un brouillon simple, qui couvre environ 70 à 80 pour cent. Plus la description de vos propres processus, points de friction et outils existants est précise, plus le résultat est ajusté.

Du point de vue du conseil, cela signifie : les workflows générés sont un point de départ, pas un produit fini. Les identifiants, la protection des données, la gestion des erreurs et la logique métier doivent toujours être vérifiés et complétés. L’aspect sécurité du serveur exécuté localement (niveau 2) est un argument, mais ne remplace pas une gouvernance propre dans l’attribution des clés API.

Conclusion

La combinaison de Claude et des serveurs MCP abaisse sensiblement la barrière d’entrée pour n8n. Qui veut seulement tester atteint son but avec le niveau 1, sans obstacle technique. L’import direct (niveau 2) et la construction entièrement automatique de workflows d’agents complexes (niveau 3) demandent un peu plus d’installation, mais offrent en échange un déroulement qui épargne l’essentiel du travail de clics manuels. Ce qui reste décisif, c’est la qualité du prompt et une vérification critique des résultats. Comme outil d’accélération, l’approche est utile ; il ne faut pas y voir un dispositif qui tourne tout seul.

Source : Mark Kashef, How to Use Claude & MCPs to INSTANTLY Build n8n AI Agents (MASTERCLASS)