Điều hướng
Mục lục: 🏠 Wiki N8N - Trang chủ Bài trước: 22-Xây dựng AI Agent với các Tools tùy chỉnh Bài tiếp theo: 24-Cấp phát Memory cho AI Agent
📚 Ứng dụng RAG (Retrieval-Augmented Generation) & Vector Store
Tổng quan
RAG là kỹ thuật giúp AI “đọc” và “nhớ” tài liệu riêng của bạn — không cần fine-tune model. Thay vì AI chỉ dựa vào kiến thức training cũ, nó sẽ tìm kiếm trong knowledge base của bạn rồi mới trả lời. Đây là nền tảng để xây dựng chatbot doanh nghiệp, Q&A trên tài liệu nội bộ.
🧠 RAG hoạt động như thế nào?
graph TD subgraph Indexing["📥 Giai đoạn 1: Indexing (Lập chỉ mục)"] D["📄 Tài liệu\n(PDF, Word, Web...)"] --> C["✂️ Chunking\n(Chia đoạn nhỏ)"] C --> E["🔢 Embedding Model\n(Chuyển text → vector)"] E --> VS["🗄️ Vector Store\n(Pinecone, Qdrant, PGVector...)"] end subgraph Retrieval["🔍 Giai đoạn 2: Retrieval + Generation (Khi user hỏi)"] Q["❓ Câu hỏi của User"] --> EQ["🔢 Embedding\n(Chuyển câu hỏi → vector)"] EQ --> SIM["🎯 Similarity Search\n(Tìm đoạn văn liên quan nhất)"] VS --> SIM SIM --> CTX["📋 Context\n(Các đoạn văn liên quan)"] CTX --> LLM["🤖 LLM\n(Tổng hợp câu trả lời)"] Q --> LLM LLM --> ANS["✅ Câu trả lời\n(có trích dẫn nguồn)"] end
🛠️ Thiết lập RAG Pipeline trong n8n
Workflow 1: Indexing (Chạy 1 lần hoặc khi có tài liệu mới)
📄 Đọc tài liệu
↓
✂️ Default Data Loader (Chia chunk)
↓
🔢 Embeddings OpenAI (text-embedding-3-small)
↓
🗄️ Vector Store (Pinecone / Qdrant / Supabase pgvector)
Workflow 2: Q&A (Chạy khi user đặt câu hỏi)
❓ Nhận câu hỏi (Webhook / Chat trigger)
↓
🤖 AI Agent với Vector Store Tool
↓
📤 Trả lời kèm nguồn trích dẫn
📦 Các Vector Store được n8n hỗ trợ
| Vector Store | Loại | Đặc điểm | Phù hợp với |
|---|---|---|---|
| Pinecone | Cloud | Managed, dễ dùng, free tier | MVP, production nhỏ |
| Qdrant | Self-host/Cloud | Open source, hiệu suất cao | Self-host, privacy |
| Supabase pgvector | Cloud/Self-host | Kết hợp với PostgreSQL | Đã dùng Supabase |
| In-Memory | RAM | Không cần cài đặt | Testing, prototype |
| Weaviate | Self-host/Cloud | GraphQL API | Enterprise |
⚙️ Cấu hình chi tiết
1. Chọn Embedding Model
| Model | Dimensions | Chi phí | Chất lượng |
|---|---|---|---|
text-embedding-3-small | 1536 | 💚 Rất rẻ | ⭐⭐⭐⭐ |
text-embedding-3-large | 3072 | 💛 Trung bình | ⭐⭐⭐⭐⭐ |
nomic-embed-text | 768 | 💚 Free (local) | ⭐⭐⭐ |
Khuyến nghị
Dùng
text-embedding-3-smallcho hầu hết use cases — rẻ, nhanh và đủ tốt. Chỉ nâng lênlargekhi cần độ chính xác cao hơn.
2. Cấu hình Chunking
| Tham số | Giá trị gợi ý | Ghi chú |
|---|---|---|
| Chunk Size | 500-1000 tokens | Quá nhỏ mất context, quá lớn giảm độ chính xác |
| Chunk Overlap | 100-200 tokens | Đảm bảo không mất thông tin ở ranh giới |
💡 Ví dụ ứng dụng thực tế
Chatbot Q&A trên tài liệu nội bộ công ty
sequenceDiagram participant E as Nhân viên participant C as Chatbot n8n participant V as Vector DB participant G as GPT-4o E->>C: "Quy trình nghỉ phép của công ty là gì?" C->>V: Tìm kiếm "quy trình nghỉ phép" (similarity search) V-->>C: [Đoạn 1: Nội quy HĐ...], [Đoạn 2: Form nghỉ phép...] C->>G: Context + Câu hỏi của nhân viên G-->>C: "Theo nội quy công ty (trang 5, mục 3.2):\n- Nghỉ phép cần báo trước 3 ngày\n- Điền form HR-001..." C->>E: Câu trả lời có trích dẫn nguồn
🔄 Quy trình tự động cập nhật Knowledge Base
📡 Trigger: File mới trong Google Drive
↓
📄 Đọc nội dung file
↓
🔍 Kiểm tra file đã được index chưa? (Query Vector Store)
↓ (chưa có)
✂️ Chunk + Embed
↓
🗄️ Lưu vào Vector Store
↓
✅ Ghi log vào Google Sheets
Điều hướng
Bài trước: 22-Xây dựng AI Agent với các Tools tùy chỉnh Bài tiếp theo: 24-Cấp phát Memory cho AI Agent