我准备了一份详细指南，解释如何设置和实现这个场景，使您能够使用n8n与存储在Supabase中的文档进行对话。
YouTube链接
这个工作流适合谁？
这个工作流非常适合研究人员、分析师、企业主或任何管理大量文档集合的人。对于那些需要从存储在Supabase中的文本密集型文件中快速检索上下文信息，而不需要额外服务（如Google Drive）的人来说特别有益。
这个工作流解决了什么问题？
从大型文档存储库中手动检索和分析特定信息既耗时又低效。这个工作流通过向量化文档和启用AI驱动的交互来自动化这个过程，使得从上传的文件中查询和检索基于上下文的信息变得容易。
这个工作流做什么
该工作流将Supabase与AI驱动的聊天机器人集成，以处理、存储和查询文本和PDF文件。步骤包括：
获取和比较文件以避免重复处理。
处理文件下载并根据文件类型提取内容。
将文档转换为向量化数据以进行上下文信息检索。
从Supabase向量存储中存储和查询向量化数据。
文件提取和处理：自动化处理多种文件格式（如PDF、文本文件），并提取文档内容。
向量化嵌入创建：为处理的数据生成嵌入，以启用AI驱动的交互。
动态数据查询：允许用户使用聊天机器人以对话方式查询其文档存储库。
设置
N8N工作流
从Supabase获取文件列表：
使用Supabase从指定存储桶中检索存储的文件列表。
添加逻辑来管理Supabase返回的空文件夹占位符，避免错误处理。
比较和过滤文件：
聚合从存储中检索的文件，并将其与Supabase文件表中的现有列表进行比较。
排除重复项并跳过占位符文件，确保仅处理未处理的文件。
处理文件下载：
使用详细的公共/私有访问存储配置下载新文件。
调整存储设置和GET请求以匹配您的Supabase设置。
文件类型处理：
使用Switch节点来定位特定的文件类型（如PDF或文本文件）。
使用相关工具处理内容：
对于PDF，提取嵌入内容。
对于文本文件，直接处理文本数据。
内容分块：
使用Text Splitter节点将大型文本数据分解为较小的块。
定义块大小（默认：500个标记）和重叠以在各块之间保留必要的上下文。
向量嵌入创建：
使用OpenAI的嵌入工具为处理的内容生成向量化嵌入。
确保包含元数据，如文件ID，以便于数据检索。
存储向量化数据：
将向量化信息保存到专用的Supabase向量存储中。
使用Supabase提供的默认模式和表进行无缝设置。
AI聊天机器人集成：
添加聊天机器人节点来处理用户输入并检索相关文档块。
使用元数据（如文件ID）进行有针对性的查询，特别是在涉及多个文档时。
测试
将示例文件上传到您的Supabase存储桶。
验证文件是否成功处理并存储在向量存储中。
使用聊天机器人询问关于您的文档的简单对话问题（例如，“第1章关于罗马帝国说了什么？”）。
测试检索结果的准确性和上下文相关性。
评论(0)