[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"pack-detail-workflow-orchestration-fr":3,"seo:pack:workflow-orchestration:fr":82},{"code":4,"message":5,"data":6},200,"操作成功",{"pack":7},{"slug":8,"icon":9,"tone":10,"status":11,"status_label":12,"title":13,"description":14,"items":15,"install_cmd":81},"workflow-orchestration","🔄","#7E22CE","stable","Stable","Orchestration de Workflows","n8n, Prefect, Inngest, Kestra, Activepieces — moteurs durables qui encapsulent les agents IA avec cron, retries et observabilité.",[16,28,35,42,51,59,67,74],{"id":17,"uuid":18,"slug":19,"title":20,"description":21,"author_name":22,"view_count":23,"vote_count":24,"lang_type":25,"type":26,"type_label":27},32,"ab76a229-0dc7-48bc-8b29-95ef9c2c45a9","awesome-n8n-workflow-automation-template-collection-ab76a229","Awesome n8n — Workflow Automation Template Collection","Curated n8n workflow templates for data sync, notifications, CRM automation, and more. Import directly into your n8n instance.","n8n",655,0,"en","skill","Skill",{"id":29,"uuid":30,"slug":31,"title":32,"description":33,"author_name":22,"view_count":34,"vote_count":24,"lang_type":25,"type":26,"type_label":27},484,"9de58e04-c1b8-401d-ab38-57553197bb55","n8n-code-ai-agent-superpowers-n8n-9de58e04","n8n-as-code — AI Agent Superpowers for n8n","Give your AI agent n8n superpowers with 537 node schemas, 7,700+ templates, and TypeScript workflow definitions. Works with Claude Code, Cursor, VS Code, and OpenClaw. MIT license.",384,{"id":36,"uuid":37,"slug":38,"title":39,"description":40,"author_name":22,"view_count":41,"vote_count":24,"lang_type":25,"type":26,"type_label":27},165,"b7ec9ae7-1144-42f0-9335-a5f40fbd6605","n8n-ai-native-workflow-automation-b7ec9ae7","n8n — AI-Native Workflow Automation","Open-source workflow automation with 400+ integrations and built-in AI capabilities. Build AI agents, RAG pipelines, and automation workflows with a visual editor.",395,{"id":43,"uuid":44,"slug":45,"title":46,"description":47,"author_name":22,"view_count":48,"vote_count":24,"lang_type":25,"type":49,"type_label":50},516,"4635d46c-cbf7-4be7-837e-95818241a46c","n8n-mcp-server-build-automations-ai-1-396-nodes-4635d46c","n8n MCP Server — Build Automations with AI, 1,396 Nodes","MCP server giving AI agents access to 1,396 n8n nodes and 2,709 workflow templates. Build and manage n8n automations through natural language.",285,"mcp","MCP",{"id":52,"uuid":53,"slug":54,"title":55,"description":56,"author_name":57,"view_count":58,"vote_count":24,"lang_type":25,"type":26,"type_label":27},305,"dfa1e8d2-b7e4-467b-b156-41a008ac26a9","prefect-python-workflow-orchestration-dfa1e8d2","Prefect — Python Workflow Orchestration","Prefect orchestrates resilient data pipelines in Python with scheduling, retries, caching, and event-driven automation. 22K+ stars. Apache 2.0.","AI Open Source",326,{"id":60,"uuid":61,"slug":62,"title":63,"description":64,"author_name":65,"view_count":66,"vote_count":24,"lang_type":25,"type":26,"type_label":27},873,"f09e8059-33e5-11f1-9bc6-00163e2b0d79","inngest-durable-ai-workflow-orchestration-f09e8059","Inngest — Durable AI Workflow Orchestration","Run reliable AI workflows with automatic retries and state persistence. Replace queues and scheduling with durable step functions. TypeScript, Python, Go SDKs. 5,200+ stars.","Inngest",302,{"id":68,"uuid":69,"slug":70,"title":71,"description":72,"author_name":57,"view_count":73,"vote_count":24,"lang_type":25,"type":26,"type_label":27},880,"556ae291-349d-11f1-9bc6-00163e2b0d79","kestra-event-driven-orchestration-scheduling-platform-556ae291","Kestra — Event-Driven Orchestration & Scheduling Platform","Kestra is an open-source orchestration platform for scheduling and running complex data pipelines, ETL jobs, and automation workflows with declarative YAML.",338,{"id":75,"uuid":76,"slug":77,"title":78,"description":79,"author_name":57,"view_count":80,"vote_count":24,"lang_type":25,"type":26,"type_label":27},206,"13ddf27d-3f2e-4967-b0ba-8f999942d4e9","activepieces-open-source-ai-workflow-automation-13ddf27d","Activepieces — Open-Source AI Workflow Automation","Open-source workflow automation with 400+ integrations and AI agent support. Visual builder, MCP server compatibility, self-hostable alternative to Zapier. 21K+ stars.",282,"tokrepo install pack\u002Fworkflow-orchestration",{"pageType":83,"pageKey":8,"locale":84,"title":85,"metaDescription":86,"h1":13,"tldr":87,"bodyMarkdown":88,"faq":89,"schema":105,"internalLinks":115,"citations":128,"wordCount":141,"generatedAt":142},"pack","fr","Orchestration de Workflows : n8n, Prefect, Inngest, Kestra","Huit moteurs durables — n8n, Prefect, Inngest, Kestra, Activepieces — qui encapsulent les agents IA avec cron, retries et observabilité. Installez avec TokRepo.","Huit moteurs durables qui encapsulent les agents IA avec cron, retries automatiques et observabilité — n8n, Prefect, Inngest, Kestra, Activepieces. Une commande TokRepo installe tout le stack et vous arrêtez de lancer des prompts depuis un Jupyter dans tmux.","## Ce que contient ce pack\n\nCe pack rassemble les **huit moteurs de workflow niveau-prod** que les équipes IA utilisent quand un prompt-en-boucle ne suffit plus. Chacun résout le même trio — planifier, retry, observer — avec une ergonomie différente. Choisissez selon où vit déjà votre équipe (Python, Node, no-code, JVM).\n\n| # | Moteur | Idéal pour |\n|---|---|---|\n| 1 | n8n | No-code \u002F low-code, 400+ intégrations, auto-hébergeable |\n| 2 | Prefect | Workflows Python-first data + IA, DAGs dynamiques |\n| 3 | Inngest | TypeScript \u002F Node, step functions event-driven |\n| 4 | Kestra | YAML déclaratif, JVM, écosystème de plugins |\n| 5 | Activepieces | Alternative OSS à Zapier, flux avec branching |\n| 6 | Trigger.dev | Jobs longs TypeScript avec retries intégrés |\n| 7 | Temporal | Primitives de workflow distribué pour grande échelle |\n| 8 | Windmill | Scripts polyglot (Python\u002FTS\u002FBash\u002FGo) avec UI |\n\nTous open source et auto-hébergeables. La plupart ont un tier SaaS, mais ce pack documente d'abord le chemin OSS.\n\n## Pourquoi l'orchestration compte pour les agents IA\n\nLes prompts sont déterministes la première fois et un coup de dés après. Ajoutez une action réelle — appel API, écriture DB, message Slack — et « ça a échoué une fois à 3h du matin » devient un événement hebdomadaire. Un moteur de workflow résout trois choses :\n\n1. **Idempotence.** Les steps peuvent rejouer en sécurité. Si l'appel LLM a réussi mais le step suivant a crashé, le retry ne re-facture pas l'API.\n2. **Backoff et dead-letter.** Les steps en échec retentent en backoff exponentiel, puis tombent en DLQ pour inspection humaine.\n3. **Observabilité.** Chaque step est enregistré avec inputs, outputs, latence, coût. Quand l'agent fait un truc bizarre, vous rejouez le contexte exact qu'il a vu.\n\nSans ça, votre agent est un Jupyter notebook avec des steps en plus. Avec ça, c'est un service.\n\n## Installer en une commande\n\n```bash\n# Installe le pack entier (manifestes des 8 moteurs)\ntokrepo install pack\u002Fworkflow-orchestration\n\n# Ou choisir celui que votre équipe utilise\ntokrepo install n8n\ntokrepo install prefect\ntokrepo install inngest\n```\n\nLe manifeste TokRepo vous donne des points de départ Docker Compose \u002F Helm plus des défauts agent-friendly (clés d'idempotence, politiques de retry, hooks d'observabilité). Lancez `tokrepo uninstall \u003Cslug>` pour retirer.\n\n## Pièges courants\n\n- **Traiter les retries comme infinis.** Les counts par défaut sur la plupart sont 3–5. Si votre fournisseur LLM a une mauvaise heure, vous brûlez le budget et échouez quand même. Cap à 3 pour appels LLM payants et routez l'échec vers un fallback plus lent.\n- **Clés d'idempotence mal faites.** Erreur commune : utiliser `request_id` qui change à chaque retry. Utilisez un hash d'input pour que les retries déduplique contre la même tâche logique.\n- **Observabilité du coût des tokens manquante.** Les orchestrateurs vanilla enregistrent la latence mais pas la dépense LLM. Wrappez l'appel modèle pour émettre `tokens_in \u002F tokens_out \u002F cost_usd` par step, sinon vous explosez le budget sans savoir quel workflow l'a fait.\n- **Mauvaise granularité de scheduler.** Les moteurs cron-based (n8n, Activepieces) galèrent avec triggers sub-minute. Pour event-driven sub-seconde, utilisez Inngest, Trigger.dev ou Temporal.\n- **Héberger le moteur sur le même nœud que l'agent.** Un agent emballé OOM-era l'orchestrateur. Lancez le moteur sur un nœud ou container séparé avec limites mémoire dures.\n\n## Quand ce pack seul ne suffit pas\n\nL'orchestration de workflow est la couche *durabilité*. Elle ne donne pas l'agent lui-même, ni le gateway LLM, ni l'eval. Combinez avec :\n\n- **Python Agent Frameworks** pour le code agent qui tourne dans chaque step\n- **MCP Server Stack** si vous voulez que les triggers d'orchestrateur soient appelables par des agents IA via MCP\n- **LLM Eval & Guardrails** pour intégrer un step d'eval dans chaque workflow avant que la sortie n'atteigne la prod\n\nEnsemble ces quatre packs sont le stack minimum pour tout workflow IA que vous laisseriez tourner sans surveillance.",[90,93,96,99,102],{"q":91,"a":92},"L'orchestration de workflow est-elle gratuite ?","Les huit moteurs du pack sont open source et auto-hébergeables sur tier gratuit. n8n, Prefect, Inngest, Kestra, Activepieces, Trigger.dev, Temporal et Windmill publient des images OSS Docker. Compromis : vous opérez le moteur — DB, queues, scaling. Des tiers SaaS existent (n8n Cloud, Prefect Cloud, Inngest Cloud) si vous préférez payer plutôt qu'opérer.",{"q":94,"a":95},"Comment se compare-t-il à cron + un script Python ?","Cron n'a pas de retries, pas d'idempotence, pas d'observabilité, pas de DLQ. Votre script réussit ou retourne au prochain intervalle. Pour un agent IA qui appelle des APIs facturées et produit des side effects, ce n'est pas safe. La version la moins chère de ce pack — Inngest free + Vercel function — est la surface équivalente à cron mais avec retries et UI gratis.",{"q":97,"a":98},"Fonctionnera-t-il avec des agents Claude Code ou Cursor ?","Oui, mais indirectement. Claude Code et Cursor sont des agents code interactifs — ils tournent sur votre laptop. Les moteurs tournent sur serveur. Pattern : Claude Code écrit le code agent, vous l'enveloppez dans une step function (Inngest, Prefect task), le moteur l'exécute selon planning. Le moteur ne se soucie pas que le step appelle l'API Claude.",{"q":100,"a":101},"Différence vs Apache Airflow ?","Airflow existe et fonctionne, mais son modèle DAG-comme-Python et son tick scheduler lent en font un mauvais fit pour des agents IA qui ont besoin d'event-driven sub-seconde et de branching dynamique fréquent. Prefect, Inngest et Temporal sont nés comme 'Airflow moderne'. Nous avons laissé Airflow hors de ce pack parce que chaque équipe qui l'essaye pour agents IA migre en six mois.",{"q":103,"a":104},"Piège opérationnel à anticiper ?","La backpressure. Quand un fournisseur LLM downstream ralentit, les queues de l'orchestrateur enflent et OOM le moteur. Configurez des limites de concurrence par queue et un rate limiter global sur les appels LLM sortants avant de monter à l'échelle prod. Inngest et Trigger.dev l'ont built-in ; n8n et Prefect demandent une config explicite.",{"@context":106,"@type":107,"name":108,"description":109,"numberOfItems":110,"publisher":111},"https:\u002F\u002Fschema.org","CollectionPage","Workflow Orchestration","n8n, Prefect, Inngest, Kestra, Activepieces — durable workflow engines that wrap AI agents in cron, retries, and observability.",8,{"@type":112,"name":113,"url":114},"Organization","TokRepo","https:\u002F\u002Ftokrepo.com",[116,120,124],{"url":117,"anchor":118,"reason":119},"\u002Ffr\u002Fpacks\u002Fpython-agent-frameworks","Frameworks Agents Python","la couche agent qui tourne dans ces orchestrateurs",{"url":121,"anchor":122,"reason":123},"\u002Ffr\u002Fpacks\u002Fmcp-server-stack","Stack de Serveurs MCP","exposez les triggers d'orchestrateur aux agents IA via MCP",{"url":125,"anchor":126,"reason":127},"\u002Ffr\u002Fpacks\u002Fllm-eval-guardrails","Eval & Guardrails LLM","câblez des étapes d'eval dans un workflow durable",[129,133,137],{"claim":130,"source_name":131,"source_url":132},"Prefect provides durable task scheduling, retries, and observability for Python workflows","Prefect docs","https:\u002F\u002Fdocs.prefect.io\u002F",{"claim":134,"source_name":135,"source_url":136},"n8n is a fair-code workflow automation platform with 400+ integrations","n8n GitHub","https:\u002F\u002Fgithub.com\u002Fn8n-io\u002Fn8n",{"claim":138,"source_name":139,"source_url":140},"Inngest provides durable functions and event-driven step orchestration","Inngest docs","https:\u002F\u002Fwww.inngest.com\u002Fdocs",656,"2026-05-02T15:00:00Z"]