n8n RAG 教程：构建能根据文档回答问题的 AI 知识库

AI 模型不了解你公司的规章制度、产品手册或 FAQ。RAG 的做法是：先把文档存入“向量数据库”，用户提问时检索出最相关的段落，再交给模型根据这些内容作答。

在 n8n 中，RAG 通常分为两个工作流：

① 导入文档：[获取文档] ─▶ [Vector Store：插入] ← [Embeddings] + [Document Loader + Text Splitter]

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

原理说明可以参考 Ollama 文本嵌入与 RAG。

选择向量数据库

节点	特点	适用场景
Simple Vector Store	存储在 n8n 内存中，无需安装	学习、测试（重启后数据会消失）
Qdrant Vector Store	专用向量数据库，可用 Docker 自行托管	正式使用
Postgres PGVector Store	PostgreSQL + pgvector 扩展	已在使用 PostgreSQL
Pinecone、Supabase 等	云服务	不想自行维护

下面先用 Simple Vector Store 演示，最后说明如何切换到 Qdrant。

工作流 ①：导入文档

1. 触发并获取文档

测试时可以使用 Form Trigger 添加文件上传字段，直接上传 PDF。
正式使用时，可以使用 Google Drive Trigger（文件夹中有新文件时触发）＋ Google Drive 节点下载文件。

2. 添加 Vector Store 节点

添加 Simple Vector Store，将操作模式设为 Insert Documents，在 Memory Key 中填写一个名称，例如 company_docs（问答时也要使用同一个名称）。

3. 连接 Embeddings

在 Embeddings 插槽中选择嵌入模型：

Embeddings OpenAI
Embeddings Ollama（本地免费，中文建议使用 bge-m3）

导入和查询必须使用同一个嵌入模型，否则向量无法匹配。

4. 连接 Document Loader 和 Text Splitter

Default Data Loader：将 Type of Data 设为 Binary（文件）或 JSON（文本数据）。
在 Data Loader 下连接 Recursive Character Text Splitter：
- Chunk Size：每段的字符数，中文文档可以先尝试 500～800
- Chunk Overlap：相邻段落重叠的字符数，例如 100

运行一次后，文档就会被切块、转换为向量并存储。

工作流 ②：问答

When chat message received → AI Agent。
给 AI Agent 连接 Chat Model 和 Memory（同 AI Agent 入门）。
在 Tool 插槽中添加 Simple Vector Store，将操作模式设为 Retrieve Documents (As Tool for AI Agent)：
- Memory Key：company_docs
- Description：查询公司内部规章制度与产品文档。回答任何有关公司政策或产品规格的问题前，都必须使用。
- Limit：每次检索的段落数，例如 4
这个 Vector Store 也要连接同一个 Embeddings 模型。
AI Agent 的系统提示词：

你是公司的内部知识库助手，请使用简体中文回答。
回答前务必先使用知识库工具进行查询。
只根据检索到的内容回答；如果找不到相关资料，请直接说“知识库中没有相关资料”，不要自行推测。

点击 Open chat 进行测试，询问文档中的内容。

Simple Vector Store 的数据存储在内存中，两个工作流必须在同一个 n8n 实例中运行，而且 n8n 重启后需要重新导入数据。

切换到 Qdrant（正式使用）

在 Docker Compose 中添加 Qdrant：

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

（记得在 volumes: 区块中添加 qdrant_data:。）

将两个工作流中的 Simple Vector Store 都替换为 Qdrant Vector Store，在凭据的 URL 中填写 http://qdrant:6333，并指定相同的 Collection 名称。数据会永久保存。

提升回答质量

文档质量最重要：扫描版 PDF 需要先转换为文本；表格和图片中的信息可能无法正确读取。
调整切块大小：回答缺少上下文时增大 Chunk Size；回答混入无关内容时则缩小。
添加元数据：在 Data Loader 中添加文档名称、类别等 metadata，回答时可以注明来源，也可以按类别筛选。
更新文档：更新同一份文档时，先删除旧向量再重新导入，否则检索结果会同时包含新旧内容。
选择合适的嵌入模型：中文内容建议使用多语言嵌入模型。

不止用于文档

同样的方法也可以用于：

客服历史问答 → 自动回复常见问题
产品目录 → 产品推荐助手
会议记录 → “上次会议决定了什么？”

更新于 2026年10月12日