n8n 中的 RAG

什么是 RAG

检索增强生成（RAG）¹将语言模型与外部数据源结合，以改善 AI 的回答。RAG 系统不只依赖模型内部的训练数据，还会检索相关文档，使回答以最新、特定领域或专有知识为依据²。RAG 工作流通常依赖向量存储来高效管理和搜索这些外部数据。

什么是向量存储？

向量存储³是一种专门用于存储和搜索高维向量的数据库，向量可以表示文本、图片或其他数据。上传文档后，向量存储会将其拆分为片段，并通过嵌入模型⁴将各片段转换为向量。

你可以通过相似度搜索查询这些向量，搜索结果依据的是语义，而非关键词匹配。因此，向量存储是 RAG 及其他需要检索大量知识并据此推理的 AI 系统的重要基础。

如何在 n8n 中使用 RAG

信息

从 RAG 模板开始

👉 使用 RAG 入门模板，体验 n8n 中的 RAG。模板包含两个现成工作流：一个用于上传文件，另一个用于查询文件。

向向量存储中插入数据

智能体访问自定义知识前，需要先将数据上传到向量存储：

添加获取源数据所需的节点。
插入一个 **Vector Store（向量存储）**节点，例如 Simple Vector Store，选择 **Insert Documents（插入文档）**操作。
选择嵌入模型，将文本转换为向量嵌入。有关选择合适的嵌入模型，请参阅常见问题。
添加 Default Data Loader 节点，将内容拆分为片段。可以使用默认设置，或自行定义分块策略：
- Character Text Splitter（字符文本分割器）：按字符长度拆分。
- Recursive Character Text Splitter（递归字符文本分割器）：根据 Markdown、HTML、代码块或普通字符递归拆分，推荐用于大多数场景。
- Token Text Splitter（Token 文本分割器）：按 token 数量拆分。
（可选）为每个片段添加元数据，丰富上下文，便于后续筛选。

查询数据

主要有两种查询方式：使用智能体，或直接通过节点查询。

使用智能体

在工作流中添加一个智能体。
将向量存储作为工具添加，并填写说明，帮助智能体判断何时使用：
- 设置 limit（数量限制），指定返回的片段数量。
- 启用 Include Metadata（包含元数据），为每个片段提供更多上下文。
添加与插入数据时相同的嵌入模型。

信息

实用技巧

为减少高价模型消耗的 token，可以先通过 Vector Store Question Answer 工具检索相关数据，再将结果传递给 Agent。具体做法请参阅此模板。

直接使用节点

将向量存储节点添加到画布，选择 **Get Many（获取多条）**操作。
输入查询或提示词：
- 设置 limit（数量限制），指定返回的片段数量。
- 按需启用 Include Metadata（包含元数据）。

常见问题

如何选择合适的嵌入模型？

合适的嵌入模型因场景而异。

一般来说，较小的模型，例如 text-embedding-ada-002，速度更快、成本更低，适用于简短的通用文档或轻量 RAG 工作流。较大的模型，例如 text-embedding-3-large，语义理解能力更强，适用于长文档、复杂主题或对准确性要求高的场景。

我的场景适合哪种文本分块方式？

这同样很大程度上取决于数据：

较小的片段，例如 200 到 500 个 token，适合精细检索。
较大的片段可以保留更多上下文，但信息可能被稀释或混入噪声。

合适的片段重叠大小有助于 AI 理解片段上下文。这也是为什么使用 Markdown 或代码块拆分，往往能改善分块效果。

另一种好方法是为片段补充更多上下文，例如其来源文档的信息。想进一步了解，可以参阅 Anthropic 的这篇文章。

什么是 RAG ​

什么是向量存储？ ​

如何在 n8n 中使用 RAG ​

向向量存储中插入数据 ​

查询数据 ​

使用智能体 ​

直接使用节点 ​

常见问题 ​

如何选择合适的嵌入模型？ ​

我的场景适合哪种文本分块方式？ ​

相关资源 ​

Footnotes​