这是为谁准备的？

该模板专为希望自动吸收产品文档并实现AI驱动的、检索增强型问答的技术公司的内部支持团队、产品专家和知识经理设计。

这个工作流解决了什么问题？

支持代理经常花费太多时间手动搜索冗长的文档，导致回答不一致或延迟。这个解决方案自动导入、分块和索引产品手册，然后使用检索增强生成（RAG）通过AI快速准确地回答用户的查询。

这些工作流的作用

工作流1：文档吸收和索引
手动触发，从Google Docs导入产品文档。

自动将大文档分解成小块，以实现高效的搜索。

使用OpenAI嵌入生成每块的向量嵌入。

将嵌入块和元数据插入到MongoDB Atlas向量存储中，以支持快速的语义搜索。

工作流2：AI驱动的查询和响应
监听进入的用户问题（可扩展到webhook）。

将问题转化为向量嵌入，并在MongoDB的向量存储上执行相似性搜索。

使用OpenAI的GPT-4o-mini模型和检索增强生成来生成直接、上下文相关的答案。

使用内存缓冲节点维持短期的对话上下文。

设置

设置向量嵌入
认证Google Docs并连接包含要索引的产品文档的Google Docs URL。

认证MongoDB Atlas并连接要存储向量嵌入的集合。在此集合上创建搜索索引以支持向量相似性查询。

确保索引名称与n8n（data_index）配置的名称相匹配。

参见下面的MongoDB搜索索引模板示例。

设置聊天
在“知识库代理”节点中配置AI系统提示以反映公司的语调、回答风格和任何业务规则。

更新工作流描述和指导以帮助用户理解聊天的目的和功能。

在聊天工作流中连接用于向量搜索的MongoDB集合，并根据需要更新向量搜索引擎以匹配你的设置。

确保

（吸收和聊天工作流中的）两个MongoDB节点连接到同一个集合，并具有：
存储向量数据的嵌入字段，
相关的元数据字段（例如，文档ID，源），以及
配置了相同的向量索引名称（例如，data_index）。

搜索索引示例：
{
“mappings”: {
“dynamic”: false,
“fields”: {
“_id”: {
“type”: “string”
},
“text”: {
“type”: “string”
},
“embedding”: {
“type”: “knnVector”,
“dimensions”: 1536,
“similarity”: “cosine”
},
“source”: {
“type”: “string”
},
“doc_id”: {
“type”: “string”
}
}
}
}