گردش کار هوش مصنوعی RAG برای تحلیل گزارش سود سهام

گردش کار مبتنی بر RAG با هوش مصنوعی برای تحلیل گزارش سود سهام

این گردش کار، تحلیل گزارش‌های سود فصلی را با استفاده از تولید افزوده بازیابی (Retrieval-Augmented Generation - RAG) مبتنی بر هوش مصنوعی خودکار می‌کند. گزارش‌های سود PDF را دریافت کرده، محتوای آن‌ها را در یک پایگاه داده برداری Pinecone نمایه‌سازی می‌کند و سپس از عوامل هوش مصنوعی برای تولید گزارش‌های تحلیلی مالی دقیق استفاده می‌کند که متعاقباً به صورت Google Docs ذخیره می‌شوند.

این گردش کار و موارد دیگر را در کاتالوگ Axeto کاوش کنید: Axeto.ai/n8n

---

۱. نمای کلی گردش کار

این گردش کار به سه مرحله اصلی تقسیم می‌شود:

• بارگذاری و نمایه‌سازی داده‌ها: لینک گزارش‌های PDF را از یک Google Sheet دریافت می‌کند، آن‌ها را از Google Drive دانلود می‌کند، محتوای متنی را پردازش و تقسیم می‌کند، با استفاده از Google Gemini AI امبدینگ (embeddings) تولید می‌کند و این امبدینگ‌ها را در پایگاه داده برداری Pinecone برای جستجوی معنایی کارآمد ذخیره می‌کند.
• تولید گزارش با عامل هوش مصنوعی (RAG): از یک گره عامل هوش مصنوعی (AI Agent node) استفاده می‌کند که با یک اعلان سیستمی (system prompt) پیکربندی شده است تا فروشگاه برداری Pinecone را جستجو کرده و بینش‌های مالی را سنتز کند. این گره از یک ابزار فروشگاه برداری (Vector Store Tool) برای بازیابی استفاده می‌کند و مدل‌های زبانی مانند GPT-4o-mini از OpenAI و Google Gemini Chat را برای پردازش ادغام می‌کند.
• تحویل گزارش: گزارش تحلیل مالی تولید شده را به عنوان یک سند Google Doc در مکان مشخصی در Google Drive ذخیره می‌کند.

---

۲. تشریح جزئیات گردش کار

۲.۱ بارگذاری و نمایه‌سازی داده‌ها

این بخش فرآیند دریافت خودکار گزارش‌های سود PDF را خودکار می‌کند. این بخش URL فایل‌ها را از یک Google Sheet می‌خواند، فایل‌های PDF را از Google Drive دانلود می‌کند، محتوای متنی آن‌ها را استخراج و تقسیم می‌کند، جاسازی‌های معنایی را تولید می‌کند و این جاسازی‌ها را در یک پایگاه داده برداری Pinecone درج می‌کند.

نودها:

• List Of Files To Load (Google Sheets)
• Loop Over Items (SplitInBatches)
• Download File From Google Drive (Google Drive)
• Default Data Loader (Document Default Data Loader - LangChain)
• Recursive Character Text Splitter (Text Splitter - LangChain)
• Embeddings Google Gemini (Embeddings - Google Gemini AI)
• Pinecone Vector Store (Pinecone Vector Store - LangChain)
• Sticky Note1 (Sticky Note)

پیکربندی و عملکرد نود:

1. List Of Files To Load (Google Sheets)

* نقش: یک Google Sheet حاوی URL فایل‌های PDF گزارش سود را می‌خواند.

* پیکربندی: Google Sheet و تب مورد نظر حاوی URL فایل‌ها را مشخص کنید.

* ورودی: توسط شروع گردش کار یا نودهای بالادستی فعال می‌شود.

* خروجی: ردیف‌های حاوی URL فایل‌ها را برای پردازش بعدی منتشر می‌کند.

* مشکلات احتمالی: خطاهای دسترسی به Google Sheet، URLهای خالی یا بدشکل.

2. Loop Over Items (SplitInBatches)

* نقش: هر URL فایل دریافت شده از Google Sheet را به صورت متوالی پردازش می‌کند.

* پیکربندی: معمولاً از اندازه دسته پیش‌فرض ۱ استفاده می‌کند.

* ورودی: لیست فایل‌ها را از نود List Of Files To Load دریافت می‌کند.

* خروجی: داده‌های فایل منفرد را به نودهای پایین‌دستی منتقل می‌کند.

* مشکلات احتمالی: آرایه ورودی خالی، خطاهای حین پردازش دسته.

3. Download File From Google Drive (Google Drive)

* نقش: فایل PDF را از Google Drive با استفاده از URL از آیتم دسته فعلی دانلود می‌کند.

* پیکربندی: fileId را از ردیف Google Sheet با استفاده از یک عبارت (مانند ={{ $('List Of Files To Load (Google Sheets)').item.json['File URL'] }}) استخراج می‌کند.

* ورودی: URL فایل را از نود Loop Over Items دریافت می‌کند.

* خروجی: داده‌های باینری PDF را برای تجزیه فراهم می‌کند.

* مشکلات احتمالی: فایل یافت نشد، دسترسی رد شد، fileId نامعتبر.

4. Default Data Loader (Document Default Data Loader - LangChain)

* نقش: داده‌های باینری PDF دانلود شده را به اسناد متنی تجزیه می‌کند.

* پیکربندی: از بارگذار PDF داخلی استفاده می‌کند و انتظار ورودی باینری دارد.

* ورودی: داده‌های باینری PDF از نود Download File From Google Drive.

* خروجی: اسناد متنی استخراج شده.

* مشکلات احتمالی: فایل‌های PDF خراب، فرمت‌های PDF پشتیبانی نشده.

5. Recursive Character Text Splitter (Text Splitter - LangChain)

* نقش: متن استخراج شده را به قطعات قابل مدیریت که برای تولید امبدینگ مناسب هستند، تقسیم می‌کند.

* پیکربندی: از تنظیمات پیش‌فرض تقسیم کاراکتر بازگشتی استفاده می‌کند.

* ورودی: اسناد متنی از نود Default Data Loader.

* خروجی: قطعات متنی آماده برای امبدینگ.

* مشکلات احتمالی: اسناد بسیار بزرگ ممکن است منجر به مشکلات عملکردی شوند.

6. Embeddings Google Gemini (Embeddings - Google Gemini AI)

* نقش: امبدینگ‌های برداری معنایی را برای هر قطعه متن تولید می‌کند.

* پیکربندی: از مدل models/text-embedding-004 استفاده می‌کند.

* ورودی: قطعات متنی از نود Recursive Character Text Splitter.

* خروجی: امبدینگ‌های برداری.

* مشکلات احتمالی: محدودیت‌های سهمیه API، خطاهای شبکه.

7. Pinecone Vector Store (Pinecone Vector Store - LangChain)

* نقش: امبدینگ‌های تولید شده و قطعات متنی مرتبط با آن‌ها را در شاخص Pinecone مشخص شده (company-earnings) درج می‌کند.

* پیکربندی: روی حالت Insert با نام شاخص company-earnings تنظیم شده است.

* ورودی: امبدینگ‌ها از نود Embeddings Google Gemini.

* خروجی: تأیید درج، که باعث تکرار بعدی حلقه می‌شود.

* اعتبارات: نیاز به کلید API پیکربندی شده Pinecone دارد.

* مشکلات احتمالی: کلید API نامعتبر، شاخص یافت نشد، خطاهای درج.

8. Sticky Note1 (Sticky Note)

* محتوا: "بارگذاری داده‌ها در فروشگاه برداری Pinecone" - یک حاشیه نویسی متنی برای این بلوک فراهم می‌کند.

۲.۲ تولید گزارش با عامل هوش مصنوعی (RAG)

این بخش از یک نود عامل هوش مصنوعی استفاده می‌کند که با یک اعلان سیستمی دقیق پیکربندی شده است، تا فروشگاه برداری Pinecone را برای داده‌های مالی مرتبط جستجو کرده و یک گزارش سود ساختاریافته تولید کند. این بخش چندین مدل و ابزار هوش مصنوعی را برای سنتز و قالب‌بندی گزارش ادغام می‌کند.

نودها:

• When clicking ‘Test workflow’ (Manual Trigger)
• AI Agent (LangChain Agent)
• Vector Store Tool (LangChain Tool)
• Pinecone Vector Store (Retrieval) (Pinecone Vector Store - LangChain)
• Embeddings Google Gemini (retrieval) (Embeddings - Google Gemini AI)
• OpenAI Chat Model (Language Model - OpenAI GPT)
• Google Gemini Chat Model1 (Language Model - Google Gemini)
• Sticky Note2 (Sticky Note)

پیکربندی و عملکرد نود:

1. When clicking ‘Test workflow’ (Manual Trigger)

* نقش: به عنوان نقطه ورود دستی برای شروع فرآیند تولید گزارش عمل می‌کند.

* ورودی: محرک آغاز شده توسط کاربر.

* خروجی: نود AI Agent را شروع می‌کند.

* مشکلات احتمالی: ندارد.

2. AI Agent (LangChain Agent)

* نقش: به عنوان هماهنگ کننده مرکزی عمل می‌کند، درخواست‌های کاربر را پردازش می‌کند، داده‌ها را بازیابی می‌کند و گزارش‌ها را تولید می‌کند.

* پیکربندی:

* System Prompt: نقش هوش مصنوعی را به عنوان یک تحلیلگر مالی متخصص در گزارش‌های سود گوگل تعریف می‌کند.

* Tools: با دو ابزار پیکربندی شده است: Vector Store Tool (برای بازیابی Pinecone) و یک Google Docs Tool (برای ذخیره گزارش‌ها).

* User Prompt Example: "گزارشی از سود سه فصل گذشته گوگل به من بده. آن را در قالب markdown قالب‌بندی کن. بر تفاوت‌ها و روندها تمرکز کن. هرگونه داده پرت را شناسایی کن."

* ورودی: محرک از نود When clicking ‘Test workflow’.

* خروجی: متن گزارش تولید شده.

* مشکلات احتمالی: خطاهای تجزیه اعلان، خرابی API، بازیابی ناقص داده‌ها.

3. Vector Store Tool (LangChain Tool)

* نقش: به عامل هوش مصنوعی اجازه دسترسی به فروشگاه برداری Pinecone را برای انجام جستجوهای معنایی می‌دهد.

* پیکربندی: با نام company_financial_earnings_data_tool، با یک متن توضیحی ارائه شده است.

* ورودی: درخواست‌های ناشی از AI Agent.

* خروجی: قطعات متنی مرتبط بازیابی شده از فروشگاه برداری.

* مشکلات احتمالی: خرابی بازیابی، مجموعه‌های نتیجه خالی.

4. Pinecone Vector Store (Retrieval) (Pinecone Vector Store - LangChain)

* نقش: جستجوهای شباهت برداری را بر روی شاخص company-earnings برای بازیابی اسناد مرتبط بر اساس امبدینگ‌های پرس و جو اجرا می‌کند.

* پیکربندی: روی حالت Retrieval با نام شاخص company-earnings تنظیم شده است.

* ورودی: امبدینگ‌های تولید شده توسط Embeddings Google Gemini (retrieval).

* خروجی: اسناد بازیابی شده که به Vector Store Tool منتقل می‌شوند.

* اعتبارات: نیاز به کلید API پیکربندی شده Pinecone دارد.

* مشکلات احتمالی: شاخص یافت نشد، خطاهای اجرای پرس و جو.

5. Embeddings Google Gemini (retrieval) (Embeddings - Google Gemini AI)

* نقش: امبدینگ‌ها را برای پرس و جوی عامل هوش مصنوعی تولید می‌کند و امکان جستجوی برداری در برابر شاخص Pinecone را فراهم می‌کند.

* پیکربندی: از مدل models/text-embedding-004 استفاده می‌کند.

* ورودی: متن پرس و جو دریافت شده از Vector Store Tool.

* خروجی: امبدینگ‌های پرس و جو برای بازیابی Pinecone.

* مشکلات احتمالی: محدودیت‌های سهمیه API، مشکلات اتصال شبکه.

6. OpenAI Chat Model (Language Model - OpenAI GPT)

* نقش: قابلیت‌های پیشرفته تولید زبان طبیعی را به عامل هوش مصنوعی ارائه می‌دهد.

* پیکربندی: از یک مدل GPT پیش‌فرض (مانند GPT-4o-mini) استفاده می‌کند.

* ورودی: ورودی مدل زبان از AI Agent.

* خروجی: پاسخ‌های متنی تولید شده.

* اعتبارات: نیاز به کلید API پیکربندی شده OpenAI دارد.

* مشکلات احتمالی: محدودیت‌های نرخ، خطاهای API.

7. Google Gemini Chat Model1 (Language Model - Google Gemini)

* نقش: به عنوان یک مدل زبان جایگزین یا مکمل عمل می‌کند، که به طور بالقوه توسط Vector Store Tool برای تولید یا پردازش پاسخ استفاده می‌شود.

* پیکربندی: از مدل models/gemini-2.0-flash-exp استفاده می‌کند.

* ورودی: درخواست‌ها از Vector Store Tool.

* خروجی: پاسخ‌ها برای پشتیبانی از وظایف بازیابی و تولید.

* اعتبارات: نیاز به کلید API پیکربندی شده Google AI دارد.

* مشکلات احتمالی: محدودیت‌های سهمیه API، تأخیر.

8. Sticky Note2 (Sticky Note)

* محتوا: "تولید گزارش عامل هوش مصنوعی با استفاده از RAG" - یک حاشیه نویسی متنی برای این بلوک فراهم می‌کند.

۲.۳ تحویل گزارش

این بخش نهایی بر ذخیره گزارش مالی تولید شده توسط هوش مصنوعی در یک Google Doc تمرکز دارد و آن را برای بررسی، اشتراک‌گذاری و اصلاحات بیشتر به راحتی در دسترس قرار می‌دهد.

نودها:

• Save Report to Google Docs (Google Docs)

پیکربندی و عملکرد نود:

1. Save Report to Google Docs (Google Docs)

* نقش: متن گزارش تولید شده توسط هوش مصنوعی را در یک Google Doc مشخص درج می‌کند.

* پیکربندی:

* Operation: Update document.

* Document URL: URL Google Doc هدف که گزارش در آن ذخیره خواهد شد.

* Action: متن خروجی از نود AI Agent را در سند درج می‌کند.

* ورودی: متن گزارش را از نود AI Agent دریافت می‌کند.

* خروجی: تأیید به‌روزرسانی سند.

* اعتبارات: نیاز به احراز هویت OAuth2 Google Docs دارد.

* مشکلات احتمالی: خطاهای دسترسی به Google Doc، URL سند نامعتبر، محدودیت‌های سهمیه API.

---

۳. جدول خلاصه