【n8n教程】：掌握LangChain，构建你的AI智能工作流_n8n 的 qdrant vector store → get many 根本不做相似度过滤!它只会-优快云博客

【n8n教程】：掌握LangChain，构建你的AI智能工作流

什么是LangChain？

LangChain 是一个强大的框架，用于开发由大语言模型（LLM）驱动的应用程序。它解决了以下核心问题：

单个LLM的局限性：LLM可能会产生幻觉，知识过时，缺乏实时信息
复杂推理任务：需要多步骤任务链式执行，而不是单次调用
数据集成：如何让LLM访问你的私有数据和外部工具

在n8n中，LangChain不是一个单独的节点，而是一套完整的可视化组件集合，让你无需编写复杂代码就能构建AI应用。

LangChain在n8n中的核心概念

1. 三大核心模块

模块	功能	在n8n中的表现
Chain（链）	将多个LLM和工具串联执行	通过节点连接实现任务链
Agent（智能体）	LLM决定使用哪些工具	动态工具调用，自主决策
Memory（记忆）	保留对话历史和上下文	多轮对话的连贯性

2. 数据流动方向

用户输入 → 触发器 → 数据处理 → LLM推理 → 工具调用 → 结果输出

在n8n中：

触发器节点：接收用户的文本输入或文件上传
处理节点：清洗、格式化数据
LangChain节点：调用LLM或向量数据库
输出节点：返回最终结果给用户

核心节点详解

📌 1. Language Models（语言模型）

作用：调用大语言模型进行文本生成和推理

常见模型：

OpenAI Chat Model（GPT-4, GPT-3.5）
Google Gemini Chat Model
Anthropic Claude
本地模型（Ollama）

基础配置：

// 伪代码示例
配置 → 选择模型类型
输入 → 问题/提示词
输出 → LLM的文本响应

实战建议：

初学者推荐用OpenAI或Google Gemini（API成本较低）
设置合适的 temperature（0-1）：低值=确定性，高值=创意性

🔍 2. Vector Stores（向量存储）

作用：存储文档的语义向量，进行相似度搜索（RAG核心）

工作流：

文档 → Embeddings（转向量） → Vector Store（存储） → Query（查询）

n8n支持的向量库：

Simple Vector Store：内存存储，快速上手
Pinecone：云端向量数据库，适合生产环境
Qdrant：开源向量库，自托管
Supabase：整合PostgreSQL+向量扩展
PGVector：PostgreSQL向量插件

初学者选择：

快速测试 → Simple Vector Store
小规模应用 → Supabase
生产部署 → Pinecone / Qdrant

📄 3. Document Loaders（文档加载器）

作用：将各种格式的文件转换为可处理的文档对象

支持格式：

PDF、CSV、TXT文本
网页内容（URL）
数据库记录

示例：

用户上传PDF → Document Loader解析 → 分割成小段 → 向量化 → 存储

🧠 4. Memory（记忆模块）

作用：保存对话历史，让LLM理解前后文

常见类型：

Buffer Memory：保存最近N条消息
Summary Memory：总结对话要点
Entity Memory：记住提到的人物、地点等

使用场景：

多轮对话客服
持久化的聊天机器人
上下文相关的Q&A

🛠️ 5. Output Parsers（输出解析器）

作用：将LLM的文本输出格式化为你需要的结构

常见类型：

List Parser：输出列表
JSON Parser：输出JSON对象
Enum Parser：输出特定分类

示例：

LLM输出：
"用户的问题属于 sales 部门，紧急度为 high"

↓ Output Parser

{
  "department": "sales",
  "priority": "high"
}

⚙️ 6. Chains（链）

作用：预定义的多步骤工作流模板

常见链类型：

LLMChain：问题 → LLM → 答案
RetrievalQAChain：问题 → 检索相关文档 → LLM → 答案
RouterChain：根据输入类型路由到不同的处理流程

🤖 7. Agents（智能体）

作用：让LLM动态决定使用哪些工具

工作原理：

1. 用户提问
2. Agent分析问题
3. 决定需要哪些工具
4. 调用工具
5. 整合结果
6. 生成回答

示例：
用户问：“今年的股票表现如何？”

Agent决定：需要调用"获取实时股票数据"工具
获取数据后再用LLM分析生成人类可读的报告

实战案例：构建个人知识库QA系统

📋 项目目标

构建一个能够：

✅ 接收用户上传的文档（PDF/TXT）
✅ 自动生成向量嵌入并存储
✅ 根据用户提问进行相似度搜索
✅ 使用LLM生成基于文档的答案

🎯 工作流架构

┌─────────────┐
│ 用户上传文件 │ (Form Trigger)
└──────┬──────┘
       │
       ▼
┌──────────────────────┐
│ 文档加载与预处理     │ (Document Loader)
│ - 解析PDF/TXT       │
│ - 分割成段落        │
└──────┬───────────────┘
       │
       ▼
┌──────────────────────┐
│ 生成向量嵌入        │ (Embeddings)
│ - 调用OpenAI/Gemini  │
│ - 生成语义向量      │
└──────┬───────────────┘
       │
       ▼
┌──────────────────────┐
│ 向量存储           │ (Vector Store)
│ - 存入内存/Pinecone │
│ - 保存元数据       │
└──────┬───────────────┘
       │
       ├─ 用户提问 (Chat Trigger)
       │
       ▼
┌──────────────────────┐
│ 相似度检索          │ (Retriever)
│ - 查询向量库        │
│ - 返回Top-K结果     │
└──────┬───────────────┘
       │
       ▼
┌──────────────────────┐
│ LLM生成答案         │ (LLM Chain)
│ - 结合检索结果      │
│ - 生成自然语言回答  │
└──────┬───────────────┘
       │
       ▼
┌─────────────┐
│ 返回结果给用户 │
└─────────────┘

💻 完整可执行工作流代码

这是一个完整的n8n工作流JSON配置，可直接导入n8n使用：

{
   
   
  "name": "Personal Knowledge Base QA System",
  "nodes": [
    {
   
   
      "parameters": {
   
   
        "triggerType": "typeForm"
      },
      "name": "Form Trigger",