n8n 中文文档

N8n 中的 RAG

RAG 是什么

检索增强生成 (RAG)[^1] 是一种通过将语言模型与外部数据源相结合来改进 AI 响应的技术。 RAG 系统不是仅仅依赖于模型的内部训练数据,而是检索相关文档以根据最新的、特定领域或专有知识的响应[^2]。 RAG 工作流程通常依赖向量存储来有效管理和搜索这些外部数据。

什么是矢量存储?

向量存储[^3] 是一种特殊的数据库,旨在存储和搜索高维向量:文本、图像或其他数据的数字表示。当您上传文档时,矢量存储会将其分割成块,并使用嵌入模型[^4]将每个块转换为矢量。

您可以使用相似性搜索来查询这些向量,该搜索基于“语义含义”而不是关键字匹配来构建结果。这使得矢量存储成为 RAG 和其他需要检索和推理大量知识的人工智能系统的强大基础。

如何在 n8n 中使用 RAG

提示

Start with a RAG template 从 RAG 模板开始

👉 使用 RAG 入门模板 在 n8n 中尝试 RAG。该模板包括两个现成的工作流程:一种用于上传文件,另一种用于查询文件。

将数据插入向量存储

在您的代理可以访问自定义知识之前,您需要将该数据上传到矢量存储:

  1. 添加获取源数据所需的节点。
  2. 插入 Vector Store 矢量商店 节点(例如 Simple Vector Store)并选择 Insert Documents 插入文档 操作。
  3. 选择 embedding model 嵌入模型,它将您的文本转换为矢量嵌入。有关选择正确的嵌入模型 的更多信息,请参阅常见问题解答。
  4. 添加一个 默认数据加载器 节点,它将您的内容分割成块。您可以使用默认设置或定义自己的分块策略:
    • Character Text Splitter: 字符文本分割器: 按字符长度分割。
    • Recursive Character Text Splitter: 递归字符文本分割器: 按 Markdown、HTML、代码块或简单字符递归拆分(推荐用于大多数用例)。
    • Token Text Splitter: 令牌文本拆分器: 按代币数量划分。
  5. (可选)将 metadata 元数据 添加到每个块以丰富上下文并允许以后更好地进行过滤。

查询您的数据

您可以通过两种主要方式查询数据:使用代理或直接通过节点。

使用代理

  1. 将代理 添加到您的工作流程中。
  2. 将向量存储添加为 tool 工具 并为其指定 description 描述 以帮助代理了解何时使用它:
    • 设置 limit 限制 来定义返回多少个块。
    • 启用 Include Metadata 包括元数据 为每个块提供额外的上下文。
  3. 添加插入数据时使用的相同 embedding model 嵌入模型。

提示

Pro tip 专业提示

为了在昂贵的模型上节省代币,您可以先使用向量存储问答工具检索相关数据,然后将结果传递给Agent。要查看此操作的实际效果,请查看此模板。

直接使用节点

  1. 将向量存储节点添加到画布并选择 Get Many 得到很多 操作。
  2. 输入查询或提示:
    • 设置 limit 限制 作为返回的块数。
    • 如果需要,启用 Include Metadata 包括元数据。

常见问题解答

如何选择正确的嵌入模型?

正确的嵌入模型因情况而异。

一般来说,较小的模型(例如 text-embedding-ada-002)速度更快、成本更低,因此非常适合简短的通用文档或轻量级 RAG 工作流程。较大的模型(例如,text-embedding-3-large)提供更好的语义理解。这些最适合长文档、复杂主题或准确性至关重要的情况。

最适合我的用例的文本分割是什么?

这在很大程度上取决于您的数据:

  • 小块(例如,200 到 500 个标记)有利于细粒度检索。
  • 大块可能包含更多上下文,但可能会被稀释或变得嘈杂。

使用正确的重叠大小对于人工智能理解块的上下文非常重要。这也是为什么使用 Markdown 或代码块分割通常可以帮助使块变得更好。

另一个好的方法是为其添加更多上下文(例如,关于块来自的文档)。如果您想了解更多相关信息,可以查看Anthropic 的这篇精彩文章。

[^1]:检索增强生成(RAG)是一种为 LLM 提供从外部来源获取新信息以改善人工智能响应的技术。 RAG 系统以最新的、特定领域的或专有知识检索地面响应的相关文档,以补充其原始训练数据。 RAG 系统通常依赖向量存储来有效地管理和搜索这些外部数据。 [^2]:在人工智能中,特别是在检索增强生成 (RAG) 环境中,接地性和非接地性是模型响应准确反映源信息的程度的度量。该模型使用其源文档来生成有根据的响应,而无根据的响应则涉及不受这些相同来源支持的猜测或幻觉。 [^3]:矢量存储或矢量数据库存储信息的数学表示。与嵌入和检索器一起使用来创建一个数据库,您的 AI 在回答问题时可以访问该数据库。 [^4]:嵌入是使用向量对数据进行数字表示。人工智能使用它们通过跨多个维度映射值来解释复杂的数据和关系。矢量数据库或矢量存储是设计用于存储和访问嵌入的数据库。

相关资源

不想自己部署和维护 n8n?n8ncn 托管 n8n 云服务:开通账号即可使用,不用买服务器;也可以在 n8ncn 工作流库 找现成的中文工作流。