n8n RAG 教學：建立能根據文件回答的 AI 知識庫

AI 模型不知道你公司的規章、產品手冊或 FAQ。RAG 的做法是：先把文件存進「向量資料庫」，使用者提問時找出最相關的段落，交給模型根據這些內容回答。

在 n8n 中，RAG 通常分成兩個工作流程：

① 匯入文件：[取得文件] ─▶ [Vector Store：插入] ← [Embeddings] + [Document Loader + Text Splitter]

② 問答：    [Chat Trigger] ─▶ [AI Agent] ← [Chat Model] + [Memory] + [Vector Store 工具 ← Embeddings]

原理說明可以參考 Ollama 文字嵌入與 RAG。

選擇向量資料庫

節點	特色	適合
Simple Vector Store	存在 n8n 記憶體中，不需安裝	學習、測試（重新啟動後資料會消失）
Qdrant Vector Store	專門的向量資料庫，可用 Docker 自架	正式使用
Postgres PGVector Store	PostgreSQL + pgvector 擴充	已經在用 PostgreSQL
Pinecone、Supabase 等	雲端服務	不想自己維護

以下先用 Simple Vector Store 示範，最後說明如何換成 Qdrant。

工作流程 ①：匯入文件

1. 觸發與取得文件

測試時可以用 Form Trigger 加上檔案上傳欄位，直接上傳 PDF。
正式使用可以用 Google Drive Trigger（資料夾有新檔案時）＋ Google Drive 節點下載檔案。

2. 新增 Vector Store 節點

新增 Simple Vector Store，操作模式選擇 Insert Documents，Memory Key 填一個名稱，例如 company_docs（問答時要用同一個名稱）。

3. 接上 Embeddings

在 Embeddings 插槽選擇嵌入模型：

Embeddings OpenAI
Embeddings Ollama（本機免費，中文建議使用 bge-m3）

匯入和查詢必須使用同一個嵌入模型，否則向量無法比對。

4. 接上 Document Loader 與 Text Splitter

Default Data Loader：Type of Data 選擇 Binary（檔案）或 JSON（文字資料）。
在 Data Loader 下接上 Recursive Character Text Splitter：
- Chunk Size：每段的字元數，中文文件可以先試 500～800
- Chunk Overlap：相鄰段落重疊的字元數，例如 100

執行一次，文件就會被切塊、轉成向量並存入。

工作流程 ②：問答

When chat message received → AI Agent。
AI Agent 接上 Chat Model 與 Memory（同 AI Agent 入門）。
Tool 插槽加入 Simple Vector Store，操作模式選擇 Retrieve Documents (As Tool for AI Agent)：
- Memory Key：company_docs
- Description：查詢公司內部規章與產品文件。回答任何關於公司政策、產品規格的問題前都要使用。
- Limit：每次取回幾段，例如 4
這個 Vector Store 也要接上同一個 Embeddings 模型。
AI Agent 的系統提示詞：

你是公司的內部知識庫助理，請使用繁體中文回答。
回答前務必先使用知識庫工具查詢。
只根據查到的內容回答；如果找不到相關資料，請直接說「知識庫中沒有相關資料」，不要自行推測。

按 Open chat 測試，詢問文件中的內容。

Simple Vector Store 的資料存在記憶體中，兩個工作流程必須在同一個 n8n 中執行，而且 n8n 重新啟動後需要重新匯入。

換成 Qdrant（正式使用）

在 Docker Compose 中加入 Qdrant：

  qdrant:
    image: qdrant/qdrant
    volumes:
      - qdrant_data:/qdrant/storage
    restart: unless-stopped

（記得在 volumes: 區塊加上 qdrant_data:。）

把兩個工作流程中的 Simple Vector Store 都換成 Qdrant Vector Store，憑證的 URL 填 http://qdrant:6333，並指定相同的 Collection 名稱。資料會永久保存。

提升回答品質

文件品質最重要：掃描版 PDF 需要先轉成文字；表格、圖片中的資訊可能無法被正確讀取。
調整切塊大小：回答缺少上下文時加大 Chunk Size；回答混入無關內容時縮小。
加入中繼資料：在 Data Loader 中加上文件名稱、類別等 metadata，回答時可以註明出處，也可以依類別篩選。
更新文件：同一份文件更新時，要先刪除舊的向量再匯入，否則新舊內容會同時被檢索到。
選擇好的嵌入模型：中文內容建議使用多語言嵌入模型。

不只是文件

同樣的方式也可以用在：

客服歷史問答 → 自動回覆常見問題
產品型錄 → 產品推薦助理
會議記錄 → 「上次會議決定了什麼？」

更新於 2026年10月12日