跳到主要内容

n8n 中的 RAG#

什么是 RAG#​

检索增强生成（RAG）是一种通过将语言模型与外部数据源相结合来提升 AI 响应质量的技术。RAG 系统不依赖模型内部训练数据，而是通过检索相关文档，使回答基于最新、领域特定或专有知识。RAG 工作流通常依赖向量存储来高效管理和检索外部数据。

什么是向量存储？#​

向量存储是专用于存储和检索高维向量的特殊数据库，这些向量是文本、图像等数据的数值化表示。上传文档时，向量存储会将其分割为文本块，并通过嵌入模型将每个文本块转换为向量。

支持通过相似性搜索查询这些向量，其返回结果基于语义关联而非关键词匹配。这使得向量存储成为 RAG 及其他需要海量知识检索与推理的 AI 系统的核心基础。

如何在 n8n 中使用 RAG#​

从 RAG 模板开始

👉 使用 RAG 入门模板立即体验 n8n 的 RAG 功能。该模板包含两个开箱即用的工作流：分别用于文件上传和文件查询。

向向量存储插入数据#​

在智能体访问定制知识前，需先将数据上传至向量存储：

  1. 添加获取源数据所需的节点
  2. 插入向量存储节点（例如 简单向量存储）并选择插入文档操作
  3. 选择嵌入模型（用于将文本转换为向量嵌入）。查阅 FAQ 了解如何选择合适嵌入模型
  4. 添加 默认数据加载器 节点以分割内容。可使用默认设置或自定义分块策略：
    • 字符文本分割器： 按字符长度分割
    • 递归字符文本分割器： 按 Markdown、HTML、代码块或字符递归分割（推荐多数场景）
    • 词元文本分割器： 按词元数量分割
  5. （可选）为每个文本块添加元数据以增强上下文信息，便于后续筛选

查询数据#​

支持两种主要查询方式：通过智能体或直接通过节点查询

使用智能体#​

  1. 在工作流中添加智能体
  2. 将向量存储添加为工具并填写描述，帮助智能体判断调用时机：
    • 设置 limit 参数定义返回文本块数量
    • 启用 Include Metadata 为每个文本块提供额外上下文
  3. 添加数据插入时使用的相同嵌入模型

专业提示

为节省高成本模型的词元消耗，可先使用 向量存储问答工具 检索相关数据，再将结果传递给智能体。实操示例请参考 此模板。

直接使用节点#​

  1. 添加向量存储节点至画布并选择 Get Many 操作
  2. 输入查询或提示：
    • 设置 limit 参数控制返回文本块数量
    • 按需启用 Include Metadata

常见问题#​

如何选择合适嵌入模型？#​

嵌入模型的选择因场景而异：

通常小型模型（如 text-embedding-ada-002）速度更快、成本更低，适合短文本通用文档或轻量级 RAG 工作流。大型模型（如 text-embedding-3-large）具有更优的语义理解能力，适用于长文档、复杂主题或高精度要求的场景。

如何为我的场景选择最佳文本分割方式？#​

这主要取决于数据特性：

  • 小文本块（如 200-500 词元）适合细粒度检索
  • 大文本块能保留更多上下文，但可能包含冗余信息

设置合适的重叠大小对 AI 理解文本块上下文至关重要。这也是为什么使用 Markdown 或代码块分割通常能优化文本块质量。

另一种有效方法是为文本块添加更多上下文（例如来源文档信息）。如需深入了解，可参阅 Anthropic 的这篇精彩文章。