ChatGPT研究知识管理AI 评分 · 81/100AI 辅助编辑·未发现明显提示词注入风险n8n.io

用 n8n、Qdrant 与 OpenAI 搭建 RAG 文档助手

Google Drive 上传文件 → 自动分块嵌入存储 → 聊天问答并引用来源

有一点经验步骤流程提示词贴士
给谁
需要在 n8n 中搭建文档问答系统、已有 Google Drive 和 API 账号的用户
你会得到
上传文件到指定 Google Drive 文件夹后，可通过聊天界面向 RAG Agent 提问，获得基于文档内容的带引用回答
你需要
n8n · Qdrant

硬约束

前置条件：n8n 实例、Google Cloud Console 项目（启用 Drive API 并配置 OAuth）、Qdrant 集群（含 API key）、OpenAI API key。支持 Google Docs 格式文件，自动转为 Markdown 后分块。费用：OpenAI 嵌入与 GPT-4o 调用按 token 计费，Qdrant 按集群规格计费，具体以各平台定价为准。

他们做了什么

作者 yulia 在 n8n 官方模板库发布了一个完整的单向量 RAG 系统模板。该模板通过 Google Drive 触发器检测新文件，自动下载为 Markdown，经递归分块后使用 OpenAI 嵌入模型生成向量，存入 Qdrant；同时提供一个 Chat Trigger 驱动的 RAG Agent，使用 GPT-4o 回答用户问题，并强制要求先检索文档、引用来源、对事实性内容附简短原文引述。

效果如何

作者报告称模板可自动处理文档、支持自然语言聊天并提供带来源引用的准确回答（author_report）。模板提供 3 份示例文件（德国数据保护法 BDSG、NIST 事件处理指南、Berkshire Hathaway 2024 股东信）供测试。

值得知道

1. 仅支持 Google Docs 格式文件，非该格式可能无法正确转换。2. 若 webhook 未检测到复制文件，建议通过共享文件的「移动到」功能操作。3. Qdrant collection 会在首次触发后自动创建，但需提前配置好 Qdrant API 凭据。4. systemMessage 强制要求 AI 必须搜索文档，即使问题看似可用通用知识回答；若未找到信息需明确告知。5. 记忆节点 contextWindowLength=20，维持近期对话上下文。6. 嵌入批处理大小 embeddingBatchSize=50。7. 本站未实测该工作流，实际运行可能因凭据、网络、配额等问题需要调试。

步骤

  1. 导入模板

    在 n8n 中复制或导入模板 ID 11468。导入后可见两条分支：数据加载管道（左侧）与 RAG AI Agent（右侧）。

  2. 配置 Google Drive 凭据

    在 Google Cloud Console 创建 OAuth 凭据，启用 Google Drive API。将凭据添加到触发节点 "Detect New Files" 的 credentials 中。详细步骤见 n8n 官方文档。

  3. 配置 Qdrant 凭据

    注册 Qdrant 并创建 Cluster，获取 API key。在 "Insert into Vector Store" 节点的 credentials 中添加 qdrantApi 凭据。可在同一节点中指定 collection 名称（如 n8n-rag-tutorial）。

  4. 配置 OpenAI 凭据

    在 OpenAI 平台创建或激活 API key。需添加到 "Generate Embeddings"（嵌入模型）与 "Generate Response"（GPT-4o 聊天模型）两个节点的 credentials 中。

  5. 准备并上传文件

    在 Google Drive 中新建一个文件夹。打开作者提供的共享示例文件夹，将示例文件（或你自己的 Google Docs 文件）复制/移动到新文件夹中。注意：模板支持 Google Docs 格式，文件会被下载为 HTML 再转为 Markdown。

  6. 安全建议：执行前人工确认

    安全建议（编辑补充的安全提示，非模板作者的做法）：在工作流真正把文件内容写入 Qdrant 向量库之前，先由你本人确认要写入的集合和文件。

  7. 激活工作流并验证数据入库

    激活工作流。当新文件出现在监控文件夹时，webhook 触发执行：下载 Markdown → 合并元数据 → 递归分块（chunkSize=1500, chunkOverlap=300）→ OpenAI 生成嵌入 → 存入 Qdrant。可在 Executions 标签页查看执行记录。

  8. 配置检索与聊天

    在 RAG Agent 分支中，确认 "Search Documents" 子节点已选择正确的 Qdrant collection（默认 n8n-rag-tutorial）。该节点作为工具供 AI Agent 调用，topK=10。

  9. 开始对话并测试

    打开聊天界面，向 RAG Agent 提问。Agent 会先检索向量库中的相关片段，再由 GPT-4o（temperature=0.4）生成带引用的回答。可尝试以下示例问题：

    运行提示词 · 来源原文。聊天界面用户输入；基于 NIST.SP.800-61r2 示例文件

    What are the main steps in incident handling?

    运行提示词 · 来源原文。聊天界面用户输入；基于 Berkshire Hathaway 2024 信函示例文件

    What does Warren Buffett say about mistakes at Berkshire?

    运行提示词 · 来源原文。聊天界面用户输入；基于 BDSG 示例文件

    What are the requirements for processing personal data?

    运行提示词 · 来源原文。聊天界面用户输入；跨文档检索测试

    Do any documents mention data breach notification?

可复制提示词

运行提示词 · 来源原文。在 n8n 聊天窗口（Chat Trigger）中发送

这一段是提示词，页面不会在这里插入广告。

What are the main steps in incident handling?

本模板为 n8n 可视化工作流，无单一可复制主提示词。核心指令为 AI Agent 的 systemMessage，已作为步骤提示词收录。

来源

Build a RAG agent with n8n, Qdrant & OpenAI · yulia · n8n.io · 2025-12-03T17:34:21.276Z

留言与反馈

试过这个方法吗？分享效果、遇到的问题或改进建议。留言审核后公开，请勿填写敏感信息。

正在加载…

    相关用例