n8n 教學 (九)：改造 Chat 工作流，實現本地知識庫問答

發布日期：2025年8月

前言：最後一哩路，讓 AI 開口說「你的」話

恭喜您來到本系列教學的最終章！我們已經成功將知識庫儲存在本地的 Qdrant 資料庫中。現在，我們將完成最後一塊拼圖：改造聊天工作流，讓 AI 能夠從這個私有知識庫中檢索資訊，並根據這些資訊來回答您的問題。本章將引導您設定 Qdrant 檢索節點，結束後，您將擁有一個完全在您掌控之下的、具備私有知識庫的問答機器人。

步驟一：置換向量資料庫節點

我們的起點是先前建立的聊天工作流。首先，我們需要將雲端的 Supabase 節點替換為本地的 Qdrant 節點。

  1. 打開您用於聊天的 n8n 工作流。
  2. 選取並刪除 "Supabase Vector Store" 節點。
  3. 在右下角的 "Tools" 面板中，點擊加號，搜尋並加入 "Qdrant Vector Store" 節點。
刪除 Supabase 節點
圖 1: 從聊天工作流中移除 Supabase 節點。
新增 Qdrant 節點
圖 2: 加入 Qdrant Vector Store 作為新的檢索工具。

步驟二：設定 Qdrant 檢索節點

接下來，我們需要詳細設定這個新的 Qdrant 節點，告訴它如何從我們的本地資料庫中查找相關資訊。

  1. 點擊開啟 "Qdrant Vector Store" 節點。
  2. Credential: 選擇您在上一章建立的 Qdrant Credential。
  3. Operation: 確認操作為 "Search for documents"。
  4. Collection Name: 輸入我們使用的 Collection 名稱 nhi_text-embedding-004_768。
  5. Limit: 保持預設值即可，這代表每次檢索回傳的資料筆數。
設定 Qdrant 節點
圖 3: 仔細設定 Qdrant 節點的各項參數。

步驟三：重新連接工作流

設定完成後，需要將 Qdrant 節點正確地整合到現有的工作流中。

  1. 關閉節點設定視窗。
  2. 將 "Qdrant Vector Store" 節點左下角的 "Tool" 接口，連接到 "Google Gemini Chat Model" 節點的圓球上。這一步是告訴 AI 模型，Qdrant 是它可以使用的外部工具之一。
連接節點
圖 4: 將 Qdrant 節點作為工具連接到 Gemini 模型。

步驟四：啟動聊天並驗證成果

萬事俱備！現在讓我們來實際測試一下，看看 AI 是否能正確地從我們的本地知識庫中找到答案。

  1. 點擊 "When chat message received" 節點來啟動聊天測試介面。
  2. 在聊天視窗中，輸入一個與您上傳的 PDF 文件相關的問題。例如：「補充保費的費率是多少？」
  3. 觀察 AI 的回覆。如果一切設定正確，它應該會根據文件內容給出精確的答案。
啟動聊天測試
圖 5: 透過聊天介面進行提問。
驗證 AI 回覆
圖 6: AI 成功地根據本地文件內容提供了正確答案。

本章總結與系列回顧

太棒了！您已經成功完成了整個系列教學。您不僅建立了一個功能完整的 RAG 應用，更重要的是，您實現了它的完全私有化與在地化。讓我們回顧一下這趟旅程：

  • 從零開始，在本地建置了 n8n 的運行環境。
  • 學會申請 Google Gemini API，並將其強大的語言模型整合至工作流中。
  • 掌握了兩種向量資料庫的操作：雲端的 Supabase 與在地化的 Qdrant。
  • 建立了自動化的工作流，能將文件（如 PDF）處理、向量化並存入資料庫。
  • 最終，打造了一個能與您的私有知識庫互動的 AI 聊天機器人。

您現在擁有的不僅是一套工具，更是一套解決問題的方法論。希望這個系列能為您的 AI 自動化之旅提供一個堅實的起點。未來還有無限可能，期待您創造出更多精彩的應用！

返回 n8n 教學列表