【n8n教程】：用RAG让AIAgent掌握你的知识库

【n8n教程】：用RAG让AI Agent掌握你的知识库

你是否曾想让AI能够理解和引用你的专有文档？RAG（检索增强生成） 技术可以做到这一点。通过RAG，AI不再依赖训练数据中的知识，而是可以实时从你的知识库中检索信息。

点击获取最新AI资讯、n8n工作流、开发经验分享

什么是RAG？

核心概念

RAG（Retrieval-Augmented Generation） 是一种让AI更聪明的技术：

• 🔍 检索（Retrieval）：从你的文档库中找到相关信息
• 📚 增强（Augmented）：将找到的信息提供给AI
• ✍️ 生成（Generation）：AI基于这些信息生成更准确的答案

RAG解决的问题

传统AI的问题	RAG如何解决
知识过时（基于旧的训练数据）	实时从最新文档检索信息
无法访问专有知识（公司内部信息）	可以访问你的私有文档库
容易产生幻觉（编造信息）	基于真实文档生成，减少幻觉
无法解释答案来源	返回引用的源文档

---

什么是向量存储（Vector Store）？

简单理解

向量存储是一个特殊的数据库，它做三件事：

1. 将文本转换为数字（嵌入）：每句话都变成一个向量（一列数字）
2. 存储这些数字：像档案库一样整理存储
3. 快速检索相似内容：根据语义相似性（而非关键词）找到相关信息

工作原理示例

你的文档：
"公司提供健康保险"
"员工享受年假"

向量化后（简化示例）：
向量1: [0.12, 0.85, 0.33, ...]
向量2: [0.14, 0.82, 0.35, ...]

用户问题："假期政策是什么？"
问题向量: [0.15, 0.83, 0.34, ...]  ← 与向量2最相似！
↓ 检索出 → "员工享受年假"

为什么向量存储比关键词搜索更聪明

• 🔍 关键词搜索：只能找到包含相同单词的内容
• 🧠 向量搜索：理解语义意思，即使措辞不同也能找到

例子：

• 关键词搜索：“假期” → 无结果（因为文档说"年假"）
• 向量搜索：“假期” → 找到"年假"（因为语义相似）

---

n8n中实现RAG的5个关键步骤

步骤1️⃣：连接数据源

在n8n中，首先需要连接你的知识源：

支持的数据源：

• 📄 本地文件：PDF、TXT、DOCX等
• 🗂️ Google Drive：云端文档
• 💾 数据库：MySQL、PostgreSQL等
• 🌐 API：从任何服务获取数据

n8n节点选择：

文件上传 → Google Drive → 数据库查询 → HTTP请求

步骤2️⃣：分割文本（Text Splitting）

大文档需要分割成小块。n8n提供三种方式：

方式	特点	适用场景
字符分割	按固定字符数分割	结构简单的纯文本
递归分割✅	按Markdown/代码块/HTML结构分割	📌 推荐：适合大多数文档
Token分割	按Token数分割	精确控制API成本

最佳实践：

• 块大小：200-500 tokens（约750-2000字符）
• 块重叠：100 tokens（确保上下文连贯性）
• 推荐组合：递归分割 + 500 tokens + 100重叠

步骤3️⃣：生成嵌入（Embeddings）

将文本转换为计算机能理解的向量。选择合适的模型是关键：

模型	维度	速度	成本	最适用
text-embedding-ada-002	1536	⚡⚡⚡ 最快	💰 最便宜	简短文本、原型、成本敏感
text-embedding-3-large	3072	⚡ 较慢	💰💰 较贵	长文档、复杂主题、高精度需求
开源模型（如all-MiniLM-L6-v2）	384	⚡⚡⚡ 很快	💰 免费	本地部署、无成本

如何选择：

项目规模 → 文档类型 → 预算
  ↓         ↓         ↓
 小规模  + 短文本  + 有限 → ada-002
 大规模  + 长文本  + 充足 → 3-large
 本地    + 任何   + 无成本 → 开源模型

步骤4️⃣：存储到向量库

选择合适的向量存储解决方案：

存储方案	特点	成本	最适用
Simple Vector Store	内存存储，快速原型，n8n内置	🆓 免费	学习、小规模演示
Pinecone	托管云服务，完全可扩展，持久化	💰 按使用量计费	生产环境、企业应用
Qdrant	开源、功能完整、可自建	🆓 开源免费	隐私敏感、自主控制
Milvus	开源向量数据库，高性能	🆓 开源免费	大规模数据、学术研究

步骤5️⃣：查询和生成答案

用户提问时的完整流程：

1. 用户输入问题 → “我如何请假？”
2. 问题转换为向量 → 生成问题的嵌入
3. 向量库相似性搜索 → 找到最相关的5条文档
4. 准备上下文 → 将检索结果组织成提示词
5. LLM生成答案 → “根据公司政策，年假为…”
6. 返回答案 → 可选：附带源文档

---

实践案例：构建你的第一个RAG系统

工作流架构概览

┌─────────────┐
│  文档上传   │
│ (PDF/TXT)   │
└──────┬──────┘
       ↓
┌──────────────────┐
│  文本分割        │
│(递归分割: 500t)  │
└──────┬───────────┘
       ↓
┌──────────────────┐
│  生成嵌入        │
│ (OpenAI API)     │
└──────┬───────────┘
       ↓
┌──────────────────┐      用户问题
│  向量存储        │        ↓
│(Simple/Pinecone)│  ┌─────────────┐
└──────┬───────────┘  │ 问题向量化  │
       │              └─────┬───────┘
       └──────→  搜索  ←────┘
               ↓
        ┌──────────────┐
        │ 相似性搜索   │
        │ (返回Top 5)  │
        └──────┬───────┘
               ↓
        ┌──────────────────┐
        │ LLM生成答案      │
        │ (基于检索结果)   │
        └──────┬───────────┘
               ↓
        ┌──────────────────┐
        │  返回结果        │
        │ (答案+源文档)    │
        └──────────────────┘

实际操作：5分钟快速开始

第1分钟：新建工作流

1. 打开n8n → 点击 + 新建 → 工作流
2. 命名为"我的RAG助手"

第2分钟：添加触发器

1. 在canvas上搜索 Webhook 节点
2. 配置：
   • 方法：POST
   • 路径：rag

第3分钟：添加向量存储

1. 添加 Simple Ve