n8n RAG 文档聊天机器人：Google Drive + Gemini + Qdrant

将 Google Drive 文档自动切片、嵌入并存入 Qdrant，随后通过 Gemini 驱动的 AI Agent 做检索增强对话

给谁

需要在组织内部搭建基于私有文档库的问答机器人的运营者或开发者

你会得到

Google Drive 文件夹中的文档经自动处理后存入向量数据库，用户可通过聊天界面基于检索到的上下文获得回答

你需要

n8n · google-drive · qdrant · gemini · telegram · google-docs

步骤

1. 配置 API 凭证

   在 n8n 中创建并关联以下凭证：Google Drive OAuth2、Google Docs OAuth2、Google Gemini（googlePalmApi）、OpenAI API（用于 text-embedding-3-large 及删除脚本）、Qdrant API、Telegram Bot。将 OpenAI API Key 填入「Delete Qdrant Points by File ID」代码节点的配置中。

2. 配置文档来源与集合

   在「Google Folder ID」节点中填入目标 Google Drive 文件夹 ID。在「Qdrant Collection Name」节点中定义集合名称（模板当前硬编码为 'nostr-damus-user-profiles'，建议按实际文档场景修改）。

3. 批量获取并下载文档

   运行「Find File Ids in Google Drive Folder」节点列出文件夹内文件，经「File Id List」汇总后，由「Loop Over Items」逐批处理。每批文件通过「Download File From Google Drive」下载为二进制数据。

4. 提取元数据并切片

   「Get File Contents」将文件转为文本后送入「Extract Meta Data」节点，由 Gemini 按指定属性提取主题、痛点、关键词等结构化信息。随后「Token Splitter」以 chunkSize=3000 切片，「Data Loader」将提取的元数据附加到文档 metadata 中。

   运行提示词 · 来源原文。Extract Meta Data 节点的 systemPromptTemplate 字段

   复制提示词

   You are an expert extraction algorithm.
   Only extract relevant information from the text.
   If you do not know the value of an attribute asked to extract, you may omit the attribute's value.

5. 嵌入并写入 Qdrant

   「text-embeddings-3-large」生成向量，与切片文档一同经「Qdrant Vector Store」以 insert 模式写入指定集合。完成后「Wait」节点控制批处理节奏，「Send Completed Message」通过 Telegram 发送通知。

6. 启动对话触发器

   启用「When chat message received」Chat Trigger 节点作为对话入口。该节点接收用户输入后传递给 AI Agent。

7. RAG 对话与历史记录

   「AI Agent」调用「Qdrant Vector Store Tool」以 retrieve-as-tool 模式检索相关文档片段（topK=20），由「Google Gemini Chat Model1」生成回答。「Window Buffer Memory」维护 40 轮上下文窗口。最终输出经「Respond to User」返回，同时「Update Chat History」将问答追加到 Google Docs。

   运行提示词 · 来源原文。AI Agent 节点的 systemMessage 字段（promptType=define）

   复制提示词

   =You are an intelligent assistant specialized in answering user questions using Nostr user profiles. Your primary goal is to provide precise, contextually relevant, and concise answers based on the tools and resources available.
   
   ### TOOL
   Use the "nostr_damus_user_profiles" tool to:
   - perform semantic similarity searches and retrieve information from Nostr user profiles relevant to the user's query.
   - access detailed information about Nostr and/or Damus users when additional context or specifics are required.
   
   ### Key Instructions
   1. **Response Guidelines**:
      - Clearly explain how the retrieved information addresses the user's query, if applicable.
      - If no relevant information is found, respond with: "I cannot find the answer in the available resources."
   
   2. **Focus and Relevance**:
      - Ensure all responses are directly aligned with the user's question.
      - Avoid including extraneous details or relying solely on internal knowledge.

8. 安全删除向量（可选）

   如需清理数据，运行删除分支：「Confirm Qdrant Delete Points」通过 Telegram 发送待确认消息，用户批准后「Delete Qdrant Points by File ID」执行代码删除对应 file_id 的向量点。拒绝则发送「Send Declined Message」。

   运行提示词 · 来源原文。Delete Qdrant Points by File ID 代码节点的 execute.code 字段

   复制提示词

   const { QdrantVectorStore } = require("@langchain/qdrant");
   const { OpenAIEmbeddings } = require("@langchain/openai");
   
   // Qdrant connection details
   const url = "http://localhost:6333/";
   const apiKey = "";
   
   // OpenAI API configuration
   const openAIApiKey = "[Your-OpenAI-API-Key]";
   
   // Get input data
   const items = this.getInputData()[0];
   // console.log(items)
   
   const collectionName =  items.json.qdrant_collection_name;
   // console.log(collectionName)
   
   async function deleteDocumentsFromQdrant() {
     try {
       // Initialize OpenAI embeddings
       const embeddings = new OpenAIEmbeddings({
         model: "text-embedding-3-large",
         openAIApiKey: openAIApiKey
       });
   
       // Connect to existing Qdrant collection
       const vectorStore = await QdrantVectorStore.fromExistingCollection(embeddings, {
         url: url,
         apiKey: apiKey,
         collectionName: collectionName,
       });
   
       const fileIds = items.json.appended_id.map(item => item);
   
       console.log(fileIds)
   
       // Delete points by fileId
       const deletionResults = await Promise.all(fileIds.map(async (file_id) => {
         const filter = {
           must: [
             {
               key: "metadata.file_id",
               match: { value: file_id }
             }
           ]
         };
   
         try {
           // Access the underlying Qdrant client to perform the deletion
           await vectorStore.client.delete(collectionName, { filter });
           return { file_id, status: "deleted" };
         } catch (error) {
           console.error(`Error deleting documents for fileId ${file_id}:`, error);
           return { file_id, status: "error", message: error.message };
         }
       }));
   
       return deletionResults;
     } catch (error) {
       console.error("An error occurred during the deletion process:", error);
       return error.message;
     }
   }
   
   // Execute the deletion process
   try {
     const result = await deleteDocumentsFromQdrant();
     console.log("Deletion process completed:", result);
     return [];
   } catch (error) {
     console.error("Failed to execute deletion process:", error);
     return [{ json: { error } }];
   }

你正在搭建一个 n8n RAG 文档聊天机器人。请先确认以下输入和权限是否就绪：
1) Google Drive 文件夹 ID 与 OAuth2 凭证；2) Qdrant 实例地址与 API Key；3) Gemini（googlePalmApi）与 OpenAI 嵌入 API Key；4) Telegram Bot Token 与 Chat ID；5) Google Docs 用于保存聊天记录的文档 ID。
若从本模板导入，注意检查 AI Agent 的 systemMessage 和 Qdrant 集合名称是否仍包含旧版 Nostr 相关硬编码，按需替换为当前文档场景的描述。