ساخت ربات پرسش و پاسخ تلگرام برای خط‌مشی‌ها با هوش مصنوعی و P…

ربات پرسش و پاسخ خط‌مشی منابع انسانی و فناوری اطلاعات تلگرام با OpenAI و PostgreSQL (PGVector)

این گردش کار از قدرت OpenAI و افزونه PGVector در PostgreSQL برای ایجاد یک چت‌بات هوشمند در تلگرام استفاده می‌کند. این امکان را به کاربران می‌دهد تا در مورد خط‌مشی‌های منابع انسانی و فناوری اطلاعات شرکت شما سؤال بپرسند و پاسخ‌های دقیق و آگاهانه از نظر زمینه دریافت کنند.

دسته‌بندی‌ها: ویکی داخلی، هوش مصنوعی RAG

کاتالوگ Axeto: https://axeto.ai/n8n

نمای کلی گردش کار

این گردش کار با انجام موارد زیر، تجربه پرسش و پاسخ یکپارچه را فراهم می‌کند:

1. دریافت پرسش‌های کاربر: پیام‌های ورودی در تلگرام را دریافت می‌کند.

2. بازیابی اطلاعات مرتبط: پایگاه داده PostgreSQL (که با PGVector تقویت شده) حاوی اسناد خط‌مشی منابع انسانی و فناوری اطلاعات شما را برای یافتن مرتبط‌ترین اطلاعات جستجو می‌کند.

3. تولید پاسخ‌ها با هوش مصنوعی: از مدل‌های زبان OpenAI برای ترکیب اطلاعات بازیابی شده و تدوین پاسخی واضح و مختصر به سؤال کاربر استفاده می‌کند.

4. پاسخ به کاربران: پاسخ تولید شده را از طریق تلگرام به کاربر ارسال می‌کند.

گره‌های کلیدی استفاده شده

• Telegram Trigger (n8n-nodes-base.telegramTrigger): هنگام دریافت پیام جدید در ربات تلگرام شما، گردش کار را آغاز می‌کند.
• Set Node (n8n-nodes-base.set): برای تنظیم متغیرها و داده‌های اولیه استفاده می‌شود.
• Switch Node (n8n-nodes-base.switch): گردش کار را بر اساس شرایط خاص هدایت می‌کند.
• Telegram Node (n8n-nodes-base.telegram): پیام‌ها را به کاربر تلگرام ارسال می‌کند.
• Sticky Note (n8n-nodes-base.stickyNote): برای افزودن توضیحات و یادداشت‌ها در داخل گردش کار.
• HTTP Request (n8n-nodes-base.httpRequest): در صورت نیاز می‌توان از آن برای تعاملات سفارشی API استفاده کرد.
• Manual Trigger (n8n-nodes-base.manualTrigger): برای شروع دستی گردش کار در طول توسعه یا آزمایش.
• Langchain Agent (@n8n/n8n-nodes-langchain.agent): تعامل بین مدل زبان و ابزارها را هماهنگ می‌کند.
• OpenAI Node (@n8n/n8n-nodes-langchain.openAi): برای وظایف مختلف پردازش زبان با API OpenAI تعامل دارد.
• OpenAI Chat Language Model (@n8n/n8n-nodes-langchain.lmChatOpenAi): به طور خاص از مدل‌های چت OpenAI برای هوش مصنوعی مکالمه‌ای استفاده می‌کند.
• Vector Store Tool (@n8n/n8n-nodes-langchain.toolVectorStore): برای جستجوی کارآمد شباهت با پایگاه داده‌های برداری (مانند PGVector) ادغام می‌شود.
• Extract from File (n8n-nodes-base.extractFromFile): برای پردازش اسناد خط‌مشی قبل از نمایه‌سازی آن‌ها در پایگاه داده برداری مفید است.

پیش‌نیازها

1. ربات تلگرام: شما باید یک ربات تلگرام با استفاده از BotFather ایجاد کرده و توکن API آن را دریافت کنید.

2. کلید API OpenAI: شما به یک کلید API از OpenAI نیاز دارید.

3. پایگاه داده PostgreSQL با PGVector:

* یک نمونه PostgreSQL در حال اجرا.

* افزونه PGVector نصب و فعال شده باشد.

* یک جدول برای ذخیره اسناد خط‌مشی و بردارهای جاسازی شده آن‌ها راه‌اندازی شده باشد.

4. اسناد خط‌مشی: اسناد خط‌مشی منابع انسانی و فناوری اطلاعات شما باید در قالبی که قابل پردازش باشد (مانند فایل‌های متنی، PDF) در دسترس باشند.

راه‌اندازی و پیکربندی

1. وارد کردن گردش کار: این گردش کار را در نمونه Axeto.ai n8n خود وارد کنید.

2. پیکربندی گره تلگرام:

* توکن API ربات تلگرام خود را وارد کنید.

* وب‌هوک را برای دریافت پیام‌ها تنظیم کنید.

3. پیکربندی گره‌های OpenAI:

* کلید API OpenAI خود را وارد کنید.

* مدل مناسب OpenAI را برای نیازهای خود انتخاب کنید.

4. پیکربندی گره PGVector:

* جزئیات اتصال PostgreSQL خود (میزبان، پورت، پایگاه داده، کاربر، رمز عبور) را ارائه دهید.

* جدولی را که حاوی داده‌های خط‌مشی و بردارهای جاسازی شده شما است، مشخص کنید.

* اطمینان حاصل کنید که گره برای انجام جستجوهای شباهت پیکربندی شده است.

5. آماده‌سازی و نمایه‌سازی داده‌های خط‌مشی:

* از گره Extract from File (یا یک اسکریپت سفارشی) برای پردازش اسناد خط‌مشی خود استفاده کنید.

* از یک مدل جاسازی (که اغلب از طریق گره‌های OpenAI قابل دسترسی است) برای تولید بردارهای جاسازی برای بخش‌هایی از متن خط‌مشی خود استفاده کنید.

* بخش‌های متن و بردارهای جاسازی متناظر آن‌ها را در جدول PostgreSQL فعال با PGVector خود ذخیره کنید. این مرحله برای فرآیند RAG (تولید تقویت شده با بازیابی) حیاتی است.

نحوه کار (توضیح RAG)

این گردش کار یک الگوی تولید تقویت شده با بازیابی (RAG) را پیاده‌سازی می‌کند:

1. کاربر سؤال می‌پرسد: کاربر پیامی را به ربات تلگرام شما ارسال می‌کند.

2. جاسازی پرس و جو: سؤال کاربر با استفاده از یک مدل جاسازی به یک بردار جاسازی تبدیل می‌شود.

3. جستجوی برداری: این بردار جاسازی برای جستجوی پایگاه داده PGVector شما برای یافتن بخش‌های سند خط‌مشی که بیشترین شباهت معنایی را دارند، استفاده می‌شود.

4. قالب‌بندی زمینه: بخش‌های خط‌مشی بازیابی شده ( "زمینه") با سؤال اصلی کاربر ترکیب می‌شوند تا یک اعلان جامع تشکیل دهند.

5. تولید LLM: این اعلان به مدل زبان OpenAI ارسال می‌شود که پاسخی را بر اساس زمینه ارائه شده و دانش عمومی خود تولید می‌کند.

6. پاسخ: پاسخ تولید شده در تلگرام به کاربر بازگردانده می‌شود.

این رویکرد تضمین می‌کند که پاسخ‌های هوش مصنوعی بر اساس خط‌مشی‌های خاص شرکت شما بنا شده‌اند، خطر توهم را کاهش می‌دهد و اطلاعات دقیق‌تری را ارائه می‌دهد.