30分钟用n8n自建AI知识库，告别ChatGPT瞎编

30分钟用n8n自建AI知识库，告别ChatGPT瞎编 30分钟用n8n自建AI知识库，告别ChatGPT瞎编 Modified June 24, 2025 No access AI知识库搭建演示 00:00 30分钟搭建本地化RAG系统 Unable to preview. Please download the file. Code block Plain Text Copy Form Submission → Data Loader → Splitters → Embedding → Vector Store 当用户通过表单上传一份技术文档时，系统将按以下步骤处理： 1. 表单触发：用户选择文件并提交，n8n 接收到文件数据 2. 格式检测：Document Loader 自动识别文件类型并选择合适的解析策略 3. 内容提取：将 PDF、Word 等格式转换为纯文本 4. 智能分割：Splitters 将长文档切分为语义完整的块 5. 向量转换：Embedding 模型将文本块转换为高维向量 6. 存储入库：向量数据写入 Vector Store，完成知识库构建 至此，我们的文档处理工作流就搭建完成了。但知识库建好只是第一步，如何让这些沉睡的知识变成能够对话的智能助手，才是真正的挑战。 构建智能问答工作流 有了文档处理流水线，我们的知识库已经"吃饱"了各种文档。现在要解决的问题是：如何让这些静态的知识变成能够交流的智能助手？这需要构建一个完全不同的工作流，够响应用户的实时查询。 第一步：Chat触发器配置 工作流以"Chat Trigger"节点开始。用户的每一个问题都会通过这个节点进入系统，触发后续的智能处理链路。 第二步： AI Agent智能调度 紧接着是 AI Agent 节点——整个 RAG 系统的"指挥中心"。这个节点不仅仅是一个简单的问答机器，它更像是一个智能的信息整合专家，能够： 💡 • 理解用户意图：解析问题背后的真实需求 • 决策检索策略：确定是否需要查阅知识库 • 整合多源信息：将检索结果与模型自身知识融合 • 优化回答质量：确保回复既准确又易于理解 第三步：Vector Store 工具集成 在 AI Agent中 配置"Answer questions using a Vector Store"工具。它连接着我们之前构建的知识库，能够在毫秒间从成千上万的文档片段中找到最相关的信息。 这个工具的配置需要与文档处理流程工作流保持严格一致： 💡 • Vector Store：必须选择同样的 Simple Vector Store • Memory Key：使用相同的标识符 • Embedding Model：连接 Ollama 嵌入模型，与第一个工作流一致的 embedding 模型 这种一致性就像钥匙与锁的关系——只有完全匹配，才能打开知识的宝库。任何不一致都会导致检索失败，让精心构建的知识库变成"沉默的金矿"。 在这个节点中，我们需要配置 Chat Model 为本地的语言模型。虽然实例中配置的是 Google Gemini，但在实际部署时，我们可以替换为 Ollama 中的本地模型，比如 Qwen2.5 或其他支持的开源模型，确保整个系统的本地化和数据安全。 第四步：提示词设计 这是整个系统的"灵魂"配置： 💡 你是公司的专业知识助手，擅长基于内部文档回答问题。 核心原则： 1. 优先使用检索到的文档内容回答问题 2. 如果文档中没有相关信息，明确告知并建议联系相关部门 3. 回答要准确专业，突出重点信息 4. 适当引用文档原文，增强可信度 回答格式： 直接给出核心答案 提供必要的详细说明 标明信息来源或相关文档 建议后续行动（如有必要） 这个提示词看似简单，实际上定义了 AI 助手的整个"人格"。它确保 AI 不会胡说八道，也不会超出自己的能力范围回答问题。 第五步：工作流全貌 整个问答流程的逻辑非常清晰：用户提问 → Agent理解 → 检索相关文档 → 生成准确回答. 当用户问"公司的年假政策是什么"时，系统会在 HR 文档中检索相关信息，然后基于实际政策内容回答，而不是基于通用知识猜测。这种"有据可查"的回答方式，让 AI 助手的可信度大大提升。 两个工作流搭建完成后，你就拥有了一个完整的 RAG 系统——一个能够学习你的文档，并基于这些知识准确回答问题的智能助手。 应用场景：个人网站智能客服 想象一下，你的个人网站或企业官网突然有了一个永不疲倦的智能客服，它对你的业务了如指掌，能够准确回答访客的任何问题。这听起来像科幻小说，但用 RAG 系统，分分钟就能实现。 No access AI知识库搭建演示 00:00 No access AI知识库搭建演示 00:00 30分钟搭建本地化RAG系统 Unable to preview. Please download the file. 30分钟搭建本地化RAG系统 Unable to preview. Please download the file. 当用户通过表单上传一份技术文档时，系统将按以下步骤处理： 1. 表单触发：用户选择文件并提交，n8n 接收到文件数据 2. 格式检测：Document Loader 自动识别文件类型并选择合适的解析策略 3. 内容提取：将 PDF、Word 等格式转换为纯文本 4. 智能分割：Splitters 将长文档切分为语义完整的块 5. 向量转换：Embedding 模型将文本块转换为高维向量 6. 存储入库：向量数据写入 Vector Store，完成知识库构建 至此，我们的文档处理工作流就搭建完成了。但知识库建好只是第一步，如何让这些沉睡的知识变成能够对话的智能助手，才是真正的挑战。 构建智能问答工作流 有了文档处理流水线，我们的知识库已经"吃饱"了各种文档。现在要解决的问题是：如何让这些静态的知识变成能够交流的智能助手？这需要构建一个完全不同的工作流，够响应用户的实时查询。 第一步：Chat触发器配置 工作流以"Chat Trigger"节点开始。用户的每一个问题都会通过这个节点进入系统，触发后续的智能处理链路。 第二步： AI Agent智能调度 紧接着是 AI Agent 节点——整个 RAG 系统的"指挥中心"。这个节点不仅仅是一个简单的问答机器，它更像是一个智能的信息整合专家，能够： 💡 • 理解用户意图：解析问题背后的真实需求 • 决策检索策略：确定是否需要查阅知识库 • 整合多源信息：将检索结果与模型自身知识融合 • 优化回答质量：确保回复既准确又易于理解 • 理解用户意图：解析问题背后的真实需求 • 决策检索策略：确定是否需要查阅知识库 • 整合多源信息：将检索结果与模型自身知识融合 • 优化回答质量：确保回复既准确又易于理解 第三步：Vector Store 工具集成 在 AI Agent中 配置"Answer questions using a Vector Store"工具。它连接着我们之前构建的知识库，能够在毫秒间从成千上万的文档片段中找到最相关的信息。 这个工具的配置需要与文档处理流程工作流保持严格一致： 💡 • Vector Store：必须选择同样的 Simple Vector Store • Memory Key：使用相同的标识符 • Embedding Model：连接 Ollama 嵌入模型，与第一个工作流一致的 embedding 模型 • Vector Store：必须选择同样的 Simple Vector Store • Memory Key：使用相同的标识符 • Embedding Model：连接 Ollama 嵌入模型，与第一个工作流一致的 embedding 模型 这种一致性就像钥匙与锁的关系——只有完全匹配，才能打开知识的宝库。任何不一致都会导致检索失败，让精心构建的知识库变成"沉默的金矿"。 在这个节点中，我们需要配置 Chat Model 为本地的语言模型。虽然实例中配置的是 Google Gemini，但在实际部署时，我们可以替换为 Ollama 中的本地模型，比如 Qwen2.5 或其他支持的开源模型，确保整个系统的本地化和数据安全。 第四步：提示词设计 这是整个系统的"灵魂"配置： 💡 你是公司的专业知识助手，擅长基于内部文档回答问题。 核心原则： 1. 优先使用检索到的文档内容回答问题 2. 如果文档中没有相关信息，明确告知并建议联系相关部门 3. 回答要准确专业，突出重点信息 4. 适当引用文档原文，增强可信度 回答格式： 直接给出核心答案 提供必要的详细说明 标明信息来源或相关文档 建议后续行动（如有必要） 你是公司的专业知识助手，擅长基于内部文档回答问题。 核心原则： 1. 优先使用检索到的文档内容回答问题 2. 如果文档中没有相关信息，明确告知并建议联系相关部门 3. 回答要准确专业，突出重点信息 4. 适当引用文档原文，增强可信度 回答格式： 直接给出核心答案 提供必要的详细说明 标明信息来源或相关文档 建议后续行动（如有必要） 这个提示词看似简单，实际上定义了 AI 助手的整个"人格"。它确保 AI 不会胡说八道，也不会超出自己的能力范围回答问题。 第五步：工作流全貌 整个问答流程的逻辑非常清晰：用户提问 → Agent理解 → 检索相关文档 → 生成准确回答. 当用户问"公司的年假政策是什么"时，系统会在 HR 文档中检索相关信息，然后基于实际政策内容回答，而不是基于通用知识猜测。这种"有据可查"的回答方式，让 AI 助手的可信度大大提升。 两个工作流搭建完成后，你就拥有了一个完整的 RAG 系统——一个能够学习你的文档，并基于这些知识准确回答问题的智能助手。 应用场景：个人网站智能客服 想象一下，你的个人网站或企业官网突然有了一个永不疲倦的智能客服，它对你的业务了如指掌，能够准确回答访客的任何问题。这听起来像科幻小说，但用 RAG 系统，分分钟就能实现。 只需要三个步骤，就能让你的网站拥有智能对话能力： 第一步：激活聊天功能 在我们搭建好的问答工作流中，找到 Chat Trigger 节点，打开 Make Chat Publicly Available 开关。然后后续直接使用这个网址，将这个工作流激活以后，就可以使用我们当前的 RAG 系统了。 另外选择"Embedded Chat"模式——这个选择至关重要，它决定了聊天窗口将以嵌入式的形式出现在你的网站中，而不是跳转到新页面。用户体验的连贯性，往往就在这些细节中体现。 第二步：获取嵌入代码 然后我们来到 n8n chat 这个文档。我们选择 CDN 的嵌入方式，只要将下面这段代码放到我们的网站中即可。 n8n chat 第三步：部署到网站 无论你使用什么技术栈——Hugo、WordPress、React 还是纯 HTML，只需要将代码添加到页面的 footer 部分。 比如我是用 Hugo 搭建的网站，只需要再 footer.html 里插入代码，智能客服就会出现在网站右下角。 Hugo 写在最后 如果这篇文章让你对 RAG 系统产生了兴趣，那么现在就是开始行动的最好时机。技术的发展日新月异，但掌握核心原理的人永远不会被淘汰。从一个简单的文档问答系统开始，逐步扩展到更复杂的应用场景。每一次优化，每一个改进，都是在构建属于你自己的智慧堡垒。 最好的 RAG 系统不是功能最全的，而是最适合你业务需求的。从小处着手，持续迭代，让技术真正为业务服务——这才是 RAG 系统的正确打开方式。 这不是终点，而是开始。在 RAG 的世界里，知识不再是静态的存在，而是流动的力量。它随着我们的需求而生长，跟着我们的思考而进化。 或许，这才是人工智能应有的样子——不是替代人类的思考，而是增强人类的智慧。 References • Qwen3 Embedding 4B模型+n8n工作流完美结合 Qwen3 Embedding 4B模型+n8n工作流完美结合 • AI知识库RAG技术原理，三大痛点，与进阶方案 AI知识库RAG技术原理，三大痛点，与进阶方案 🔗 原文链接：https://mp.weixin.qq.com/s/9MHtG07j5PZcJCqOSkJV6g 作者：林月半子的AI笔记 你有没有遇到过这样的尴尬时刻？向大语言模型询问公司最新产品功能，它要么说"我不知道"，要么编个似是而非的答案。 即使有联网功能，它也无法访问你的内部文档、客服手册和业务流程。想让 AI 了解企业专有信息？上传到云端就得承担数据安全风险。 但如果我告诉你，有一种方法既能让 AI 变得更聪明，又能完全保护数据隐私呢？今天教你用 n8n 搭建一套完全本地化的 RAG 系统。不需要写代码，30分钟就能上手，让你的 AI 助手既博学又可靠。 开始阅读前，我把这套 RAG 系统搭建方法做成一个 AI播客，两个 AI 主播深度对话，解析如何用 n8n 打造私有化智能助手。先听播客再看文章，技术落地更高效！ 本播客由扣子空间（space.coze.cn）一键生成 space.coze.cn 🙋 项目地址： https://github.com/lqshow/awesome n8n workflows/tree/main/workflows/rag knowledge assistant 项目地址： https://github.com/lqshow/awesome n8n workflows/tree/main/workflows/rag knowledge assistant RAG 💡 让 AI 从"胡说八道"到"有理有据"的技术革命 让 AI 从"胡说八道"到"有理有据"的技术革命 说到 RAG，很多人第一反应是"又一个复杂的AI概念"。实际上，它的工作原理出奇简单，就像给 AI 配了个专业的图书管理员。 RAG 想象这样一个场景：我们问 AI 关于公司最新产品的问题。传统模型会基于训练数据胡乱猜测，而 RAG 系统会首先在我们的企业知识库中搜索相关信息，然后基于实际文档给出精准答案。这种差异，如同盲人摸象与亲眼所见的区别。 RAG的三步工作流程 这个过程比你想象的要优雅： 第一步：问题向量化 用户提出问题后，嵌入模型将其转换为高维向量。这个过程就像给问题贴上"语义标签"，让计算机理解问题的本质含义。 第二步：智能检索 系统在向量数据库中搜索与问题向量最相似的文档片段。这不是简单的关键词匹配，而是基于语义相似性的深度理解。 第三步：融合生成 将检索到的相关内容与原始问题一同输入大语言模型，生成既准确又有依据的回答。 听起来复杂？其实就是让 AI 学会了"查资料再回答"这个好习惯。 解决三大痛点 当我们深入分析企业 AI 应用的痛点时，RAG 的价值就变得不言而喻了。 幻觉问题 大模型的"一本正经胡说八道"现象，在专业领域尤其严重。医疗 AI 可能会"发明"不存在的药物，法律 AI 可能引用虚构的案例。RAG 通过引入可验证的知识源，让每个回答都有据可查。 时效性 训练数据的时间截止点，曾是所有大模型的阿喀琉斯之踵。而 RAG 让 AI 能够实时获取最新信息——今天更新的政策文件，明天就能准确回答相关问题。对企业来说，这意味着员工可以直接问 AI "最新的销售政策是什么"、"客户投诉如何处理"，得到的都是基于最新内部文档的标准答案 数据安全 在数据即资产的时代，企业核心信息的安全性比什么都重要。本地部署的 RAG 系统确保敏感数据永远不会离开自己的服务器，这种安心感是任何云服务都无法提供的。 这些优势叠加起来，RAG 不仅仅是技术升级，更是企业 AI 应用的范式转变。接下来，如何将这个理念转化为实际可用的系统呢？ 环境准备：5分钟搞定基础设施 在动手搭建 RAG 系统之前，我们需要先把基础环境准备好。这个过程就像装修房子前先通水通电，基础设施稳固了，后面的工作才能顺利进行。 第一步：n8n部署 Docker 一键启动 几分钟后，访问 http://localhost:5678就能看到 n8n 的工作界面。这种即开即用的体验，让复杂的工作流设计变得像搭积木一样简单。 第二步：Qwen3 Embedding 模型下载 数据转化为向量需要嵌入模型的支持，这里我们选择 Qwen3 Embedding。为什么选它？ 看数据说话：在 MTEB 多语言排行榜上，Qwen3 Embedding 以95%的检索准确率独占鳌头。更让人惊喜的是，这样的性能完全免费——阿里巴巴开源的这个模型，不仅支持 100 多种语言，还能处理 32K 长度的文档，普通电脑就能跑。 💡 下载地址：https://huggingface.co/Qwen/Qwen3 Embedding 4B GGUF 下载地址：https://huggingface.co/Qwen/Qwen3 Embedding 4B GGUF 第三步：Ollama 集成 模型管理的最佳选择 有了模型文件，还需要一个管理工具来调用它。Ollama 就是为此而生的——它能把复杂的模型加载、API 调用等工作统统简化成几行命令。 具体操作步骤： 1. 导入模型到Ollama 2. 验证模型状态 你应该能看到 qwen3 embedding 出现在列表中 3. 测试模型功能 如果返回一串数字（向量），说明一切正常！接下来就可以在 n8n 中愉快地使用这个模型了。 环境准备完成后，我们就可以开始构建真正的 RAG 系统了。整个过程分为两个主要工作流：文档处理和智能问答。 构建文档处理工作流 我们需要把文档转换成 AI 能理解的格式。这个过程比想象中更有挑战性，不仅要保证数据的完整性，还要优化检索效果。 第一步：用户友好的文档上传 在 n8n 中，我们使用 Form Submission 节点作为工作流的起始触发器。选择这个节点的原因很简单——它提供了对用户友好的上传界面，无需技术背景的用户也能轻松上传文档。 第二步：向量存储的核心架构 数据准备就绪后，建立向量存储的基础架构成为下一个关键环节。但在配置之前，我们先理解一个核心概念：RAG 系统的数据都存储在向量数据库中，这不是普通的文本存储，而是一种特殊的数字化表示方法。 为什么需要向量化存储？ 传统的关键词搜索只能进行字面匹配，而向量搜索能够理解语义。比如用户问"如何请假"，系统能够匹配到包含"休假申请"、"病假流程"等相关内容的文档，即使这些文档中没有"请假"这个词。 现在我们来配置这个核心组件，n8n 平台支持多种向量数据库方案。 创建 Simple Vector Store 节点——这是整个知识库系统的核心存储引擎。虽然它存在内存限制，但对于演示和快速原型开发来说，其轻量级特性和零配置优势让它成为理想的起点。 ⚠️ 但是需要特别注意其重要限制： 所有向量数据仅保存在内存中，n8n 服务重启后，所有知识库数据将完全丢失，系统内存不足时，数据可能被自动清除。 本教程使用它主要是为了快速演示 RAG 工作原理，生产环境需要选择持久化向量数据库。 但是需要特别注意其重要限制： 所有向量数据仅保存在内存中，n8n 服务重启后，所有知识库数据将完全丢失，系统内存不足时，数据可能被自动清除。 本教程使用它主要是为了快速演示 RAG 工作原理，生产环境需要选择持久化向量数据库。 Memory Key 的设置至关重要：这个唯一标识符将成为你知识库的"数字指纹"，确保不同项目的向量数据能够独立存储和检索。 第三步：嵌入模型的精准配置 有了存储基础设施，现在需要配置文本向量化的核心引擎。我们需要让 n8n 与本地的 Ollama 服务建立稳定连接。 嵌入模型的双重作用 还记得我们刚才提到的向量化存储概念吗？这个关键工作就是由嵌入模型完成的。它在 RAG 系统中扮演着"翻译官"的角色： • 存储阶段：将文档内容转换为向量，写入向量数据库 • 检索阶段：将用户问题转换为向量，在数据库中查找相似向量 两个阶段使用同一个模型至关重要，这确保了语义空间的一致性。就像用同一套"密码本"进行编码和解码，才能保证信息的准确传递。 现在让我们配置这个核心组件。首先创建 Ollama 凭证配置，建立 n8n 与 Ollama 服务的连接通道。 关键配置要点： • Base URL设置：http://host.docker.internal:11434（适用于 Docker 部署的 n8n） • 如果是本地直接安装的 n8n ，则使用：http://localhost:11434 • 网络连通性测试：确保端口 11434 可访问 这个 URL 配置看似简单，实则蕴含着容器网络的精妙设计。host.docker.internal是Docker提供的特殊域名，它能够让容器内的 n8n 访问到宿主机上运行的 Ollama 服务，巧妙地解决了容器隔离与服务通信的矛盾。 在模型选择环节，我们直接指定前面已经准备好的qwen3 embedding模型。 模型配置完成后，系统即具备了将任意文本转换为1024维向量的能力。 第四步：智能文档解析 接下来配置 Document Loader 节点，选择默认的文件加载器，这是知识库的"入口门户"。 关键配置点，数据类型选择 "Binary"，这样系统就能处理各种格式的文件。现代的文档加载器已经足够智能，能自动识别 PDF、Word、TXT 等格式，并提取其中的文本内容。 第五步：智能文本分割 最后添加添加 Splitters 节点，选择"递归文本分割器"。这一步最考验经验，直接影响后续的检索效果。 选择"递归文本分割器"而非简单的字符分割，原因在于它能够： • 保持语义完整性：避免将有意义的段落生硬地分割 • 优化检索效果：合适的分块大小能够提升检索精度 • 处理复杂结构：对于表格、列表等复杂格式有更好的处理能力 核心参数调优： • Chunk Size 设置为1000 2000字符：这个范围既保证了足够的上下文信息，又避免了单个块过大导致的检索不精确 • Overlap 设置为200字符：重叠部分确保重要信息不会在分割边界丢失 • 分割策略选择递归模式：先按段落分割，再按句子，最后才按字符，这种层次化方法保持了文本的自然结构 第六步：工作流全貌 整个数据流程非常清晰：