手把手教小白搭建本地 n8n 知识库，实用又简单，大模型入门到精通，收藏这篇就足够了！

本地搭建n8n知识库教程

原创于 2025-10-23 11:30:57 发布 · 512 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #智能体 #embedding #python #LLM #本地化部署 #大模型开发

估计大家都想过，干活的时候如果能有多个分身就好了。一个能了解我们所有文档、笔记，能直接按照我们自己的写作风格来写作的AI助手。

听起来是不是很科幻，而且觉得实现起来一定又贵又复杂？

今天，我将带你亲手打破这个不可能！

不需要昂贵的费用，也不需要复杂的部署。我将介绍一个简单又可靠的方案：利用免费开源的 n8n 和 pgvector，在本地电脑上搭建一个永久属于你、完全私有、且无限强大的本地知识库。

✨知识库能帮你做什么？

成为你的个人写作助手

个人写作助手：将自己过去写过的所有文章都存入知识库，这个AI就成了你的写作助理。只要提出需求，它就能帮你快速，生和你风格一致的内容。

构建你的专属领域专家

AI客服：将公司所有的手册、文档等全部导入。当新员工有任何问题时，这个 AI 能提供基于官方资料的准确回答，节省大量人工培训的时间。
法律助手：导入海量的法律条文、判例等。当你需要快速查找相关资料时，它能帮你从众多文献中迅速定位、提炼出关键信息。

拥有一个超级大脑

把所有的读书笔记、会议纪要、一闪而过的灵感等，所有信息碎片都扔给它。让大脑只负责思考和创造，而它负责记忆一切。需要什么，只需要问它，就能给出回答。

最关键的是，这一切都运行在你的本地设备上，数据 100% 私有，存储完全免费！这就是这套 n8n + pgvector 方案的真正魅力所在。现在，让我们一起动手，把这个强大的 AI 大脑变为现实！

这篇文章花了比较长的时间整理，因为我尝试了多种方式，最终找到了一种简单且实用的方法，在 n8n 中调用知识库。本文聚焦免费开源方案，收费节点虽多，但不在本文讨论范围内，我们要的就是免费。

首先，n8n 默认自带的 VectorStore 并不能持久化存储。

在尝试过程中，我也测试过 Qdrant（对新手不太友好）、Supabase Vector（免费额度可能不够长期使用）、FastGPT、Dify、RagFlow 等方案。后面这三种虽然可以通过 Docker 安装，但安装与配置过程中问题较多，对新手不太友好。如果大家需要，后续可以单独出一期教程。

本文讲解如何使用本地部署的 pgvector 来存储知识库。

先看效果：

搭建一个 n8n 工作流，该工作流能够接收用户问题，从本地的 pgvector 数据库中检索相关的知识片段，并利用大语言模型（LLM）生成精准、忠于原文的回答。

总览图：

第一步：环境搭建 (Docker Compose)

docker-compose.yaml文件：

services:  n8n:    image:n8nio/n8n    container_name:n8n    restart:always    ports:      -"5678:5678"# 外部访问端口映射    environment:      -GENERIC_TIMEZONE=Asia/Shanghai# 设置时区      -TZ=Asia/Shanghai                # 设置时区      -N8N_DEFAULT_LOCALE=zh-CN        # 设置语言      -N8N_HOST=你的域名                # aaa.com      -N8N_PORT=5678      -WEBHOOK_URL=https://你的域名/    # https://aaa.com/    volumes:      -./n8n_data:/home/node/.n8n   # 持久化数据      # 要想中文生效，需配置下面这个语言包（路径使用自己的）      #- D:\n8n-i18n-chinese-n8n-1.111.1\editor-ui-dist:/usr/local/lib/node_modules/n8n/node_modules/n8n-editor-ui/dist cloudflared:    image:cloudflare/cloudflared:latest    container_name:cloudflared    restart:always    command:tunnelrun    environment:      -TUNNEL_TOKEN=粘贴你刚刚从Cloudflare复制的TOKENpostgres:    image:ankane/pgvector:latest    container_name:pgvector    restart:always    environment:      POSTGRES_DB:n8ndb      POSTGRES_USER:testuser      POSTGRES_PASSWORD:testpwd    ports:      -"5432:5432"    volumes:      -pgdata:/var/lib/postgresql/data# 持久化存储pgadmin:#数据库的可视化界面（非必需,可以查看数据库中的数据）    image:dpage/pgadmin4:latest    container_name:pgadmin    restart:always    environment:      PGADMIN_DEFAULT_EMAIL:admin@example.com      PGADMIN_DEFAULT_PASSWORD:admin1234    ports:      -"8080:80"    depends_on:      -postgresvolumes:pgdata:    name:pgdata   # 显式命名，防止重复创建

powershell中启动容器：

首次启动要拉取 pgvector 和 pgadmin 的镜像，所以会比较慢。

docker compose up -d

第二步：在 n8n 中配置凭证 (Credentials)

服务启动后，我们需要在 n8n 中设置凭证，以便工作流可以连接到数据库和 AI 模型服务。

1. n8n中创建postgre的授权：

2. 配置硅基流动 (Silicon Flow) 凭证

2.1 创建硅基流动的密钥

打开硅基流动：https://cloud.siliconflow.cn/i/eFZEVvvs

2.2 在 n8n 中创建凭证(使用OpenAI节点):

第三步：构建 n8n 知识库工作流

文章太长了，就不挨个节点截图了，直接复制粘贴下面的文件内容。

工作流文件：

{  "name":"知识库","nodes":[    {      "parameters":{        "mode":"insert",        "options":{}      },      "type":"@n8n/n8n-nodes-langchain.vectorStorePGVector",      "typeVersion":1.3,      "position":[        -608,        -176      ],      "id":"4bb199dc-d05a-4e81-b259-9031684b2215",      "name":"Postgres PGVector Store",      "credentials":{        "postgres":{          "id":"wmKaO3JW6iGFflPY",          "name":"Postgres account"        }      }    },    {      "parameters":{        "model":"Qwen/Qwen3-Embedding-8B",        "options":{}      },      "type":"@n8n/n8n-nodes-langchain.embeddingsOpenAi",      "typeVersion":1.2,      "position":[        -592,        304      ],      "id":"f4506794-101a-45db-aa85-a4b0d97c5156",      "name":"Embeddings OpenAI",      "credentials":{        "openAiApi":{          "id":"xUeThZ76LLk7Z9WB",          "name":"OpenAi account"        }      }    },    {      "parameters":{        "dataType":"binary",        "textSplittingMode":"custom",        "options":{}      },      "type":"@n8n/n8n-nodes-langchain.documentDefaultDataLoader",      "typeVersion":1.1,      "position":[        -432,        -48      ],      "id":"84b22437-d16f-4d92-8763-0903aa66eb97",      "name":"Default Data Loader"    },    {      "parameters":{        "chunkOverlap":50,        "options":{}      },      "type":"@n8n/n8n-nodes-langchain.textSplitterRecursiveCharacterTextSplitter",      "typeVersion":1,      "position":[        -432,        96      ],      "id":"35cb8b94-1d3d-48fe-b47d-b20f58b5b64e",      "name":"Recursive Character Text Splitter"    },    {      "parameters":{        "public":true,        "mode":"webhook",        "options":{}      },      "id":"3cada43d-bf31-4c84-b992-161156681a30",      "name":"When chat message received",      "type":"@n8n/n8n-nodes-langchain.chatTrigger",      "position":[        0,        -192      ],      "webhookId":"dec328cc-f47e-4727-b1c5-7370be86a958",      "typeVersion":1.1    },    {      "parameters":{        "options":{          "systemMessage":"=# 概述\n你是一个 AI 代理，严格使用 pgvector 向量库中存储的文档嵌入信息进行响应。\n\n## 上下文\n- 该代理旨在提供准确的、基于文档的答案。\n- 必须避免使用外部知识或假设。\n\n## 说明\n1. 分析用户的问题。\n2. 使用 pgvector 从文档嵌入中检索相关内容。\n3. 仅根据匹配的文档块构建响应。\n\n## 工具\n- 包含嵌入文档的向量库pgvector store\n- Embeddings OpenAI\n\n## SOP（标准操作程序）\n1. 接收用户查询。\n2. 在向量库中搜索相关的文档块。\n3. 仅使用该内容提取并合成答案。\n4. 如果没有匹配项，则提示找不到。\n\n## 最后说明\n- 不要依赖先前的训练或外部事实。\n- 答复必须严格以向量库的文档为依据。"        }      },      "id":"a33071a4-a989-4fe0-b5c3-2e17d4a4c522",      "name":"Question & Answer Retrieve",      "type":"@n8n/n8n-nodes-langchain.agent",      "position":[        320,        -192      ],      "typeVersion":1.8    },    {      "parameters":{        "model":{          "__rl":true,          "value":"Qwen/Qwen3-32B",          "mode":"list",          "cachedResultName":"Qwen/Qwen3-32B"        },        "options":{}      },      "id":"90b5bcc0-6dc6-4102-a3f7-93783ebbb53d",      "name":"OpenAI Chat Modell",      "type":"@n8n/n8n-nodes-langchain.lmChatOpenAi",      "position":[        208,        64      ],      "typeVersion":1.2,      "credentials":{        "openAiApi":{          "id":"xUeThZ76LLk7Z9WB",          "name":"OpenAi account"        }      }    },    {      "parameters":{        "mode":"retrieve-as-tool",        "toolDescription":"work with documents data in pgvector store",        "includeDocumentMetadata":false,        "options":{}      },      "type":"@n8n/n8n-nodes-langchain.vectorStorePGVector",      "typeVersion":1.3,      "position":[        544,        80      ],      "id":"4e1dd572-53e9-4a27-826c-6fec07085029",      "name":"Postgres PGVector Store1",      "notesInFlow":false,      "credentials":{        "postgres":{          "id":"wmKaO3JW6iGFflPY",          "name":"Postgres account"        }      }    },    {      "parameters":{        "formTitle":"上传文件",        "formFields":{          "values":[            {              "fieldLabel":"文件",              "fieldType":"file"            }          ]        },        "options":{}      },      "type":"n8n-nodes-base.formTrigger",      "typeVersion":2.3,      "position":[        -816,        -176      ],      "id":"e91f5702-5d0f-4402-af82-c12388243eea",      "name":"上传文件",      "webhookId":"1139a278-0e52-4c1d-8ef2-b3e8133c3476"    },    {      "parameters":{        "content":"## 上传文档，存储到知识库\n",        "height":752,        "width":768      },      "type":"n8n-nodes-base.stickyNote",      "position":[        -880,        -304      ],      "typeVersion":1,      "id":"d156174d-c2b4-4b52-9714-80b550899171",      "name":"Sticky Note"    },    {      "parameters":{        "content":"## 知识库使用 \n",        "height":752,        "width":896,        "color":4      },      "type":"n8n-nodes-base.stickyNote",      "position":[        -64,        -304      ],      "typeVersion":1,      "id":"b14b5eef-d145-43f3-af88-06f1f414491d",      "name":"Sticky Note1"    }],"pinData":{},"connections":{    "Embeddings OpenAI":{      "ai_embedding":[        [          {            "node":"Postgres PGVector Store",            "type":"ai_embedding",            "index":0          },          {            "node":"Postgres PGVector Store1",            "type":"ai_embedding",            "index":0          }        ]      ]    },    "Default Data Loader":{      "ai_document":[        [          {            "node":"Postgres PGVector Store",            "type":"ai_document",            "index":0          }        ]      ]    },    "Recursive Character Text Splitter":{      "ai_textSplitter":[        [          {            "node":"Default Data Loader",            "type":"ai_textSplitter",            "index":0          }        ]      ]    },    "When chat message received":{      "main":[        [          {            "node":"Question & Answer Retrieve",            "type":"main",            "index":0          }        ]      ]    },    "OpenAI Chat Modell":{      "ai_languageModel":[        [          {            "node":"Question & Answer Retrieve",            "type":"ai_languageModel",            "index":0          }        ]      ]    },    "Postgres PGVector Store1":{      "ai_tool":[        [          {            "node":"Question & Answer Retrieve",            "type":"ai_tool",            "index":0          }        ]      ]    },    "Question & Answer Retrieve":{      "main":[        []      ]    },    "上传文件":{      "main":[        [          {            "node":"Postgres PGVector Store",            "type":"main",            "index":0          }        ]      ]    }},"active":false,"settings":{    "executionOrder":"v1"},"versionId":"1b7e7e80-9003-49e3-bb96-052d154ad98e","meta":{    "templateCredsSetupCompleted":true,    "instanceId":"2fd168ab16477727eea81179a729be98660dcdc6407f6792302be5e25cdff6f9"},"id":"8Ec63h3XiaeYjwue","tags":[]}

agent的提示词：

# 概述你是一个 AI 代理，严格使用 pgvector 向量库中存储的文档嵌入信息进行响应。## 上下文- 该代理旨在提供准确的、基于文档的答案。- 必须避免使用外部知识或假设。## 说明1. 分析用户的问题。2. 使用 pgvector 从文档嵌入中检索相关内容。3. 仅根据匹配的文档块构建响应。## 工具- 包含嵌入文档的向量库pgvector store- Embeddings OpenAI## SOP（标准操作程序）1. 接收用户查询。2. 在向量库中搜索相关的文档块。3. 仅使用该内容提取并合成答案。4. 如果没有匹配项，则提示找不到。## 最后说明- 不要依赖先前的训练或外部事实。- 答复必须严格以向量库的文档为依据。