基于n8n和Pinecone向量数据库的RAG聊天机器人

我们的设置包含两个主要部分：

**数据加载到RAG** – 文档（公司政策）从Google Drive摄取，经过处理、嵌入并存储在Pinecone中。
**使用RAG进行数据检索** – 用户查询通过AI代理路由，该代理使用Pinecone检索相关信息并生成精确答案。

## 1. 数据加载到RAG

此工作流部分处理文档摄取。每当有新策略文件上传到Google Drive时，它会自动处理并索引到Pinecone中。

涉及的节点：

– **Google Drive Trigger**
监视Google Drive中的特定文件夹。任何新文件或更新文件都会触发工作流。

– **Google Drive (Download)**
从Google Drive获取文件（例如PDF策略文档）进行处理。

– **Recursive Character Text Splitter**
将长文档分割成较小的块（具有定义的重叠）。这确保嵌入保持上下文丰富且检索有效。

– **Default Data Loader**
读取二进制文档（此设置中的PDF）并提取文本。

– **OpenAI Embeddings**
使用OpenAI的嵌入模型为每个文本块生成高维向量表示。

– **Pinecone Vector Store (Insert Mode)**
将嵌入存储到Pinecone索引（n8ntest）中，在选定的命名空间下。此步骤使策略数据可通过语义相似性进行搜索。

👉 示例流程：当HR将新的在家工作策略PDF上传到Google Drive时，它会自动分割、嵌入并索引到Pinecone中。

## 2. 使用RAG进行数据检索

一旦文档加载到Pinecone中，聊天机器人就可以处理用户查询。工作流的此部分连接聊天界面、AI代理和检索管道。

涉及的节点：

– **When Chat Message Received**
当用户向聊天机器人发送问题时，充当webhook入口点。

– **AI Agent**
核心推理引擎。配置有系统消息，指示其在回答时仅使用Pinecone支持的知识。

– **Simple Memory**
跟踪对话上下文，以便机器人可以处理多轮查询。

– **Vector Store QnA Tool**
查询Pinecone以获取与用户问题最相关的块。在此工作流中，配置为获取公司策略文档。

– **Pinecone Vector Store (Query Mode)**
充当与Pinecone的连接，获取与查询最匹配的嵌入。

– **OpenAI Chat Model**
将检索到的块提炼为自然简洁的答案。模型确保答案基于源材料。

– **Calculator Tool**
如果查询涉及数值推理（例如休假计算或福利金额），则为可选助手。

👉 示例流程：用户询问“每月允许多少天在家工作？”。AI代理通过Vector Store QnA工具查询Pinecone，检索HR策略的相关部分，并返回基于实际文档的简洁答案。

## 总结

通过结合n8n自动化、Pinecone用于向量存储以及OpenAI用于嵌入+LLM推理，我们创建了一个自我更新的RAG聊天机器人。

– 数据加载管道确保上传到Google Drive的每个新公司策略文档立即可用于语义搜索。
– 数据检索管道允许员工提出自然语言问题并获得基于文档的答案。

此设置可以轻松适应其他领域 – 合规手册、税务法规、法律合同，甚至产品文档。