N8N+Qwen3-Embedding：不写代码也能搭建95%准确率的个人AI知识库

阿里巴巴近期发布了千问3系列模型中的文本嵌入模型Qwen3-Embedding。

该系列模型包含 0.6B、4B 和 8B 三种参数规模的版本，同时提供 GGUF 格式的量化版本。这些模型继承了 Qwen 基础模型卓越的多语言处理能力和长文本理解能力。

本视频将详细演示如何利用 Qwen3-Embedding 系列模型的优势，结合 N8N 工作流框架，在 5 分钟内无需编写代码即可构建强大的个人 AI 知识库。

通过整合 Qwen3-Embedding 系列模型和 N8N 工作流平台的优势，即使没有任何编程基础的用户也能轻松创建高效准确的个人知识库。

首先，我们来看一下Qwen3-Embedding系列模型。该模型在MTEB多语言榜单中排名第一，其8B参数版本得分达到70.58分，检索准确率高达95%，显著优于同类产品。

该模型支持2560维高精度向量表示，并具备32K上下文窗口双块注意力机制。此外，它还具有强大的多语言处理能力，支持100多种语言及方言，将跨语言检索误差率降低至30%。

值得一提的是，该模型提供的三个参数版本均为完全开源免费。

同时，它采用了先进的技术架构。接下来，我们重点分析N8N工作流平台的核心优势。其首要优势在于支持零代码可视化开发。

我们只需通过拖拽组件的方式即可构建工作流，无需编程基础。

该系统支持条件分支、循环等复杂逻辑，例如使用的Loop Over Items组件可实现循环功能。同时提供实时调试和错误跟踪等实用功能。

最重要的是，它拥有丰富的集成生态，支持500多种服务，包括API接口和自定义HTTP请求。

部署方案非常灵活，支持本地部署、Docker容器部署以及NPM云端部署等多种方式。

最重要的是，Qwen3-Embedding模型采用免费开源策略。该模型在性能指标方面与Qwen3-Embedding-8B、BGE-M3和Gemini-Embedding等进行了对比分析，同时提供了市场影响力对比和适用场景说明。如需详细了解，可查阅相关文档。

接下来，我将演示如何在n8n工作流平台中调用Qwen3-Embedding-41模型作为嵌入模型，无需编写代码即可从零构建个人知识库。

首先，我们需要确保本地已安装Ollama环境。若尚未安装，可访问Ollama官网，根据操作系统下载对应版本进行安装。

同时，需确保电脑中已安装Node.js，如未安装，请前往Node.js官网下载对应安装包。

建议安装VR及以上版本。

接下来，我们需要将Qwen3-Embedding-4B模型下载到本地。我们选择的是经过量化的GGUF格式模型，直接点击下载即可将模型保存至本地。

下载完成后，需要将该模型导入系统。

在Ollama中导入模型后，我们才能在N8N中使用该模型。针对模型导入，需要使用两条简单命令。首先，需要确认模型的下载路径，例如我将其直接下载到D盘根目录下。

模型下载完成后，我们需要执行以下两条命令。

首先，创建一个简单的 Modelfile 文件，用于在Ollama中加载 Qwen3-Embedding-4B-Q4_K_M 嵌入模型。该文件内容非常简单，仅包含一条 FROM 指令，指定我们刚刚下载的量化模型文件路径（位于D盘）。

通过 echo 命令将这段内容写入 Modelfile 文件，随后即可在 Ollama 中使用该文件。

通过 create 命令创建 Qwen3-Embedding 模型。接下来可以打开 Ollama 查看，首先使用 Ollama list 命令，可以看到目前有两个模型：Qwen3-Embedding 和 Qwen3-Embedding-test。这两个模型都运行正常，用户可以自行导入。

需要注意的是路径设置问题。

为避免出现中文路径，建议将路径保存至D盘根目录。模型创建成功后，可通过命令进行测试。例如，使用CURL方式验证模型是否可用。

输出的内容包含向量化结果，可见最终的浮点数即为文本字符串转换后的向量。这表明嵌入模型能够正常使用。

在Windows系统的CMD中，输入内容时需注意：单引号无法被识别，必须使用双引号。若内容本身包含双引号，需使用反斜杠进行转义。

完成此步骤后，需确保已安装N8N工作流框架。N8N框架操作简便。

在安装 LODE GS 后，可直接使用 NPX 命令，后接 N8N 即可。该命令会自动下载 N8N 框架内容并启动服务。

若能看到指定地址，则表明 N8N 服务已成功启动。此时只需输入单个字母，即可在浏览器中打开对应链接。

接下来，我们将创建一个新的工作流。

首先，删除之前的工作流，然后点击右上角的 “Create” 按钮，选择 “Workflow” 以创建新的工作流。

在新工作流中，点击加号，在右侧添加触发器。

接下来，我们简要梳理工作流的逻辑。由于需要构建个人知识库，首先需明确文件存储位置。因此，需添加一个组件用于读取指定路径下的文件。

我们点击加号，搜索“file”以找到与文件相关的操作。这里有一个“Read/Write Files from Disk”选项，用于从硬盘读取或写入文件。由于我们正在构建AI知识库，只需进行读取操作即可。

在读取设置中，保持类型为“读取”，接下来需要设置“snap fails”。

这是我们的文件路径。在构建AI知识库时，需要明确其存储路径。接下来我们将进行路径选择。

实际上，我已在本地创建好相关文件结构：在D盘下建立了n8n文件夹，其中包含一个名为ig的子文件夹。在该子文件夹下，可以看到一个PDF文件夹。

当然，在实际应用中，文件数量可能不止一个，而是多个。因此，在设置路径时需注意不能指定单一文件，而应使用通配符表示当前路径下的所有文件。

随后点击返回按钮，执行操作以检查是否存在问题。此时系统报错，表明未能找到相应文件。

现在我们来设置一下。在Windows系统中，路径通常需要使用两个反斜杠。这样设置后，系统就能正确读取PDF文件的内容了。按照我们之前讲解的逻辑，读取文件内容后即可进行后续操作。

由于读取操作是按顺序逐个处理文件的，即读取一个文件后进行向量化嵌入（embedding），处理完毕后再读取下一个文件，因此此处存在循环逻辑。为此，我们需要添加一个循环遍历组件。

点击加号搜索 “Loop over items” 并添加该组件。参数无需修改，直接点击”Break”返回即可。

接下来，我们首先点击运行工作流，确认其执行状态。工作流执行成功，说明循环组件能够正确读取文件内容。

文件读取完成后，我们需要对其进行处理。在添加循环组件后，我们需要在中间环节加入向量数据库模块。请点击加号进行添加。

我们首先搜索 “vector”，系统提供了多种选择，例如 simple vector、pack1 credit 以及网络数据库等。为简化操作，我们直接选择 vector 数据库。

界面呈现四种选项，我们选用第二个 “add document to vector” 功能，其作用是将文档转化为向量形式。确认选择后，系统默认配置中包含 memory key 参数，该参数具有重要作用。

由于当前操作涉及数据存储，存储时需指定一个键（key），检索数据时同样需要该键。此处可自行设置，但建议使用默认配置。

返回上一步后，可见系统提示存在配置问题，具体表现为两个组件未完成设置：

1. Embedding模型：用于向量数据库的向量化处理。

接下来我们点击设置中的 Embedding 选项，可以看到有多种选择，例如OpenAI的Embedding和Google Gemini等。这里我们选择本地的Ollama。

在Ollama中，可以直接选择 Qwen3-Embedding 模型。如果是首次使用，需要先点击上方创建链接。创建链接时，若默认模型不可用，需手动配置。

将地址修改为 127.0.0.1 或您自己的 IP地址 后尝试连接即可。连接成功后，我们可以选择本地的 Ollama嵌入模型。

模型配置完成后，接下来需要处理第二个文档。由于文档内容较长，进行向量化处理时并非一次性存储整个文档，而是需要进行 分块处理。

关于分块的具体方法，首先需要加载相关模块。

一个名为 Deep Filter 的 Data Loader 加载器。在该加载器中，首先可以设置其类型为二进制。Model 参数保持默认不变。

接下来是 Data Format 设置，将其修改为 PDF 格式，用户可根据需求选择相应文件。

然后是 Pass Splitting 选项，默认采用 Simple 模式，同时也支持自定义设置。

接下来，界面下方会出现一个加号按钮，点击后选择”TextSplitter”。这是我们自定义的分割方式，可以根据文本块大小或语义进行分割。

我们选择第二种方式——语义分割。默认情况下，它按照1000个字符进行分割，我们可以设置200个字符的重叠区域。由于这是基于语义的分割，允许存在重叠部分。

至此，整个流程已经完成。

整个流程的实现步骤如下：首先从本地读取PDF文件，随后进入循环处理逻辑。在循环逻辑中，首先通过语义分割将PDF文件分割成若干小片段。这些片段再通过本地的Ollama Embedding模型转换为向量，并存储到SimpleVector向量数据库中。

接下来我们运行整个工作流进行验证。当前状态显示处理已完成，确认PDF文件已成功转换并存储到SimpleVector向量数据库中。由于PDF文件内容较多，向量化处理过程耗时较长。

这是使用N8N构建个人知识库的第一阶段。接下来我们将介绍第二阶段的内容。

第一阶段是将本地文件通过向量化处理后存储至向量数据库。第二阶段则是从知识库中进行向量检索。接下来，我们将创建详细的检索工作流。

首先，点击右上方的加号。接着，我们需要添加一个触发器。由于本次操作涉及对话，因此选择消息组件中的 “chat message”。确认选择该组件后，即可继续后续操作。

选择默认设置后，返回工作空间界面，点击加号按钮即可添加一个Agent。在Agent配置界面中，暂时无需进行其他操作。

返回后可以看到智能体配置包含三个主要模块：

• Chat Model（对话模型）
• Memory（记忆模块）
• Tools（工具集）

首先，我们来看第一个模块——对话模型，即语言模型。点击加号后，可以看到多种选项，包括DeepSeek、谷歌、Ollama以及本地OpenAI等。

如需使用本地模型，请选择Ollama，并注意选择对应的语言模型。需要特别强调的是，务必选择对话型语言模型，而非销量模型。

需要说明的是，由于本地模型对电脑配置要求较高且效果有限，因此不建议选择本地Ollama模型。

由于参数限制较高，我选择使用在线的 DeepSeek模型。该模型可以直接选用，因为我已经配置好了 API Key。如果尚未配置，可以点击”Create”创建新连接，并将API Key复制到相应位置。

我已建立连接，因此直接使用DeepSeek模型。关于记忆功能暂时不需要使用，可以忽略。在工具部分，我们需要…

添加一个与向量相关的工具。在此处，我们需要选择 “Simple Vector” 选项。

需要注意的是，向量数据库的使用流程应为先添加工具，再配置向量数据库。因此，我们需要重新搜索 “Vector” 进行工具选择。

在工具中，有一个名为“Description of Data”的功能模块。其作用是为AI提供提示信息，明确该工具的具体用途。

例如，我们可以输入提示：“使用此工具执行基于向量的相关文档检索”。此外，该工具还支持设置返回结果数量，如限定返回四条记录。

返回后可以看到该方法会使用向量数据库。此时添加Sample Vector时，参数K需要与创建向量数据库时的设置保持一致。完成后还需选择语言模型，这里选用DeepSeek模型即可。

还需要选择一个嵌入模型，我们选择本地的Ollama和Qwen3-Embedding进行测试并返回结果。至此，整个流程已完成。以下是整体逻辑结构：

1.用户发送消息

2.AI系统接收消息后，由DeepSeek模型进行思考

3.DeepSeek会分析如何解决用户的问题

有一个工具用于执行向量检索。它会调用向量数据库，将用户的问题转换为向量并进行查询。查询完成后，将相关文档片段与用户问题一并发送给模型。这是其核心原理。

对于AI而言，关键在于如何识别并使用该工具。

他可能不了解这一工具。我们可以返回AI界面，点击“Open”打开，然后添加一个“Adaptation”选项，并设置系统提示信息。例如：“你需要调用Vector Store、SQL以及相关工具来检索用户的提问。”

一个提示池的设计使得系统能够明确如何调用相关工具。目前，我们已完成两个流程：

·上方流程实现了本地文档的规范化转换。

·下方流程则处理用户检索的具体逻辑。

接下来，我们将通过执行对应操作来验证效果。首先，让我们查看文档内容。

这是一个简单的小说PDF文件。在文件中，某些内容出现的频率较低，例如角色的名字“恶哥”，仅出现一两次。我们可以在浏览器中返回模型界面，测试千文山最强的235B模型是否能回答相关问题。

对于无法回答的问题，我们可以采用相同的方法处理。在工作流中，直接打开 OpenChat 进行对话。例如，输入问题“韩立的二哥叫什么名字”，然后执行检索操作。

接下来，我们将测试并观察查询结果，检查系统是否能检索到相关片段。

执行成功后，结果显示韩尼的二哥名为韩柱，这表明检索过程非常精准。

通过这种方式，我们成功构建了一个用于检索的N8N工作流。在使用N8N时，可以选择阿里的Qwen3-Embedding模型，无需编写代码即可构建个人知识库。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！