## 工作流概述
这个n8n工作流创建了一个完全可定制的AI聊天机器人，可以部署在任何支持webhook触发的平台上（网站、Slack、Teams等）。该聊天机器人访问存储在Supabase中的个性化知识库，除了简单对话外，还能执行发送电子邮件、安排约会或更新数据库等高级操作。
## 技术架构
### 核心组件
**Chat Trigger**
– 角色：所有用户交互的入口点
– 功能：通过webhook接收用户传入的消息，为每个用户查询启动对话流程，同时处理多个并发对话
– 配置：在聊天界面中设置webhook URL，确保公共访问的适当安全设置
**AI Agent**
– 角色：中央协调器和对话管理器
– 功能：协调所有系统组件生成响应，管理对话流程和上下文切换，决定何时使用知识库搜索等工具
– 关键成功因素：编写定义代理个性、专业知识和行为的全面系统提示
**Anthropic Chat Model**
– 角色：主要语言处理引擎
– 功能：生成具有高级推理能力的人类化响应，理解用户查询中的上下文和细微差别
– 优势：卓越的推理和分析能力，长对话中的优秀上下文保留
**Postgres Chat Memory**
– 角色：对话历史和上下文保留
– 功能：存储每个用户会话的对话历史，在多个交互中保持上下文
– 设置要求：配置PostgreSQL数据库连接，确保对话存储的适当表结构
**Supabase Vector Store**
– 角色：知识库和智能文档检索
– 功能：以可搜索的向量格式存储专有知识，执行语义搜索以查找相关信息
– 关键成功因素：策划全面准确的高质量源文档
**Embeddings OpenAI**
– 角色：知识搜索的文本向量化引擎
– 功能：将文本转换为用于语义搜索的数值向量，实现用户查询与知识库之间的相似性匹配
## 设置步骤
### 第1步：配置触发器
– 模板使用n8n的默认聊天触发器
– 对于外部平台：替换为webhook触发器并配置平台的webhook URL
– 支持平台：任何具有webhook功能的平台
### 第2步：设置知识库
– 观看Cole Medin关于文档向量化的教程
– 在Supabase上构建完整的知识库
– 包括文档处理、嵌入创建和数据库优化
### 第3步：配置AI代理
– 定义提示：自定义代理的个性和角色
– 选择语言模型：选择任何AI提供商
– 设置行为参数：定义响应风格、语气和限制
### 第4步：连接Supabase Vector Store
– 将”Supabase Vector Store”工具添加到代理
– 配置Supabase项目凭据
– 模式：设置为”retrieve-as-tool”以进行自动代理集成
### 第5步：设置对话内存（推荐）
– 使用”Postgres Chat Memory”和n8n的内置PostgreSQL凭据
– 配置表名：为聊天历史表选择名称
– 上下文窗口长度：默认设置为20条消息
## 使用案例
### 内部应用
– 开发人员文档：快速访问技术指南和API
– HR支持：员工手册和政策问题
– IT帮助台：故障排除指南和系统信息
– 培训助手：学习材料和程序指导
### 外部客户服务
– 电子商务支持：产品信息和订单协助
– 技术支持：用户手册和故障排除
– 销售协助：产品推荐和定价
– FAQ自动化：常见问题和即时响应
### 专业实施
– 潜在客户资格认证：收集客户信息并安排销售电话
– 预约安排：医疗保健、咨询或服务预约
– 订单处理：接受订单并更新库存系统
– 多语言支持：具有语言检测的全球客户服务
## 工作流限制
– 知识库依赖性：质量取决于源文档和嵌入设置
– 内存存储：需要活动的n8n PostgreSQL连接以进行对话历史
– 平台限制：某些平台可能有webhook限制
– 响应时间：向量搜索可能会增加响应延迟
– 令牌限制：大上下文窗口可能会增加API成本
– 嵌入成本：向量搜索功能需要OpenAI嵌入
评论(0)