پاسخ به سوالات مستندات با n8n، BigQuery و OpenAI

پاسخ به سوالات مستندات با استفاده از BigQuery RAG و OpenAI

این گردش کار نحوه ساخت یک سیستم تولید افزوده بازیابی (Retrieval-Augmented Generation - RAG) برای پاسخ به سوالات مربوط به مستندات n8n را نشان می‌دهد. این سیستم از BigQuery به عنوان پایگاه داده برداری و مدل‌های OpenAI برای جاسازی سوالات و تولید پاسخ استفاده می‌کند. این سیستم به کاربران اجازه می‌دهد تا سوالات زبان طبیعی بپرسند، قطعات مرتبط مستندات را از BigQuery بازیابی کند و سپس از یک عامل هوش مصنوعی برای ترکیب این قطعات در یک پاسخ منسجم با فرمت Markdown استفاده کند.

شما می‌توانید این گردش کار و موارد دیگر را در کاتالوگ Axeto بیابید.

ساختار گردش کار

گردش کار به دو بخش اصلی تقسیم می‌شود:

1. گردش کار اصلی: دریافت ورودی و پردازش عامل هوش مصنوعی: این بخش کوئری‌های ورودی کاربر را مدیریت می‌کند، آن‌ها را به یک عامل هوش مصنوعی هدایت می‌کند و فرآیند RAG را هماهنگ می‌کند.

2. گردش کار فرعی: بازیابی سند (BigQuery RAG OpenAI): این یک ابزار تخصصی است که توسط عامل هوش مصنوعی برای انجام بازیابی واقعی اسناد مرتبط از BigQuery فراخوانی می‌شود.

---

تجزیه و تحلیل گره‌های دقیق

۱. گردش کار اصلی: دریافت ورودی و پردازش عامل هوش مصنوعی

این بخش از گردش کار، پیام‌های چت را دریافت می‌کند، آن‌ها را با استفاده از یک عامل هوش مصنوعی پردازش می‌کند و پاسخ‌هایی با فرمت Markdown تولید می‌کند.

• گره‌ها (Nodes):

* When chat message received (LangChain Chat Trigger)

* AI Agent (LangChain Agent)

* OpenAI Chat Model (LangChain LM Chat OpenAI)

* Simple Memory (LangChain Memory Buffer Window)

* BigQuery RAG OpenAI (LangChain Tool Workflow)

* Sticky Note (برای مستندات)

• جزئیات گره‌ها:

* When chat message received

* نوع: n8n-nodes-base.chatTrigger (یا گره مشابه LangChain Trigger)

* هدف: به عنوان نقطه ورود عمل می‌کند و از طریق یک Webhook توسط پیام‌های چت دریافتی فعال می‌شود.

* پیکربندی: نیاز به شناسه Webhook دارد.

* اتصالات: خروجی به گره AI Agent دارد.

* ملاحظات: از اتصال Webhook و فرمت‌بندی صحیح پیام اطمینان حاصل کنید.

* AI Agent

* نوع: @n8n/n8n-nodes-langchain.agent

* هدف: هسته منطق پرسش و پاسخ است. ورودی کاربر را تفسیر می‌کند، از ابزار BigQuery RAG OpenAI برای بازیابی اسناد استفاده می‌کند و پاسخ نهایی را در فرمت Markdown تولید می‌کند.

* پیکربندی: یک prompt سیستمی، عامل را راهنمایی می‌کند تا از ابزار vector store استفاده کند و پاسخ‌ها را با عناصر Markdown (بخش‌ها، لیست‌ها، بلوک‌های کد، تصاویر) قالب‌بندی کند.

* اتصالات: ورودی را از When chat message received دریافت می‌کند، از OpenAI Chat Model به عنوان مدل زبان خود استفاده می‌کند، از Simple Memory برای تاریخچه مکالمه بهره می‌برد و BigQuery RAG OpenAI را به عنوان یک ابزار فراخوانی می‌کند.

* ملاحظات: خطاهای احتمالی در اجرای ابزار، پاسخ‌های مدل زبان یا قالب‌بندی Markdown.

* OpenAI Chat Model

* نوع: @n8n/n8n-nodes-langchain.lmChatOpenAi

* هدف: قابلیت‌های مدل زبان را فراهم می‌کند، به طور خاص از gpt-4.1-mini برای مقرون به صرفه بودن استفاده می‌کند.

* پیکربندی: مدل روی gpt-4.1-mini تنظیم شده است. نیاز به اعتبارنامه معتبر OpenAI API دارد.

* اتصالات: توسط AI Agent به عنوان مدل زبان آن استفاده می‌شود.

* ملاحظات: محدودیت‌های نرخ OpenAI API، مشکلات احراز هویت یا در دسترس بودن مدل.

* Simple Memory

* نوع: @n8n/n8n-nodes-langchain.memoryBufferWindow

* هدف: زمینه مکالمه را حفظ می‌کند و به عامل هوش مصنوعی اجازه می‌دهد به نوبت‌های قبلی مراجعه کند.

* پیکربندی: تنظیمات پیش‌فرض buffer window.

* اتصالات: برای مدیریت زمینه به AI Agent متصل است.

* ملاحظات: برای محیط‌های تولیدی، راه‌حل‌های حافظه قوی‌تری مانند Postgres Chat Memory را برای جلوگیری از از دست دادن زمینه در مکالمات طولانی در نظر بگیرید.

* BigQuery RAG OpenAI

* نوع: @n8n/n8n-nodes-langchain.toolWorkflow

* هدف: این گره به عنوان یک ابزار قابل فراخوانی عمل می‌کند و یک گردش کار فرعی را برای بازیابی اسناد مرتبط از BigQuery بر اساس سوال کاربر فراخوانی می‌کند.

* پیکربندی: پارامتر ورودی vector_search_question را می‌گیرد که همان پرس و جوی کاربر است.

* اتصالات: توسط AI Agent به عنوان یک ابزار فراخوانی می‌شود.

* ملاحظات: خطا در گردش کار فرعی یا عدم تطابق در پارامترهای ورودی.

۲. گردش کار فرعی: بازیابی اسناد (BigQuery RAG OpenAI)

این گردش کار فرعی مسئول تبدیل سوال کاربر به یک embedding، پرس و جو از vector store در BigQuery و بازگرداندن مرتبط‌ترین قطعات مستندات است.

• گره‌ها (Nodes):

* When Executed by Another Workflow (Execute Workflow Trigger)

* Set field - question (Set Node)

* OpenAI - Create Embedding (HTTP Request)

* Set Field - Embedding (Set Node)

* BigQuery - Vector Retriever - n8n docs (HTTP Request)

* Documents retrieved (Set Node)

* Sticky Note (برای مستندات)

• جزئیات گره‌ها:

* When Executed by Another Workflow

* نوع: n8n-nodes-base.executeWorkflowTrigger

* هدف: نقطه ورود این گردش کار فرعی است که هنگام فراخوانی آن توسط AI Agent به عنوان یک ابزار فعال می‌شود.

* پیکربندی: انتظار پارامتر ورودی به نام vector_search_question را دارد.

* اتصالات: خروجی به گره Set field - question دارد.

* ملاحظات: اطمینان حاصل کنید که پارامتر ورودی به درستی منتقل و قالب‌بندی شده است.

* Set field - question

* نوع: n8n-nodes-base.set

* هدف: پارامتر ورودی vector_search_question را به فیلدی به نام question برای دسترسی آسان‌تر در گره‌های بعدی اختصاص می‌دهد.

* پیکربندی: question را به {{$json.vector_search_question}} تنظیم می‌کند.

* اتصالات: خروجی به گره OpenAI - Create Embedding دارد.

* ملاحظات: مواردی را که ممکن است سوال ورودی خالی یا تعریف نشده باشد، مدیریت می‌کند.

* OpenAI - Create Embedding

* نوع: n8n-nodes-base.httpRequest

* هدف: API OpenAI را برای تولید یک embedding برداری برای سوال کاربر فراخوانی می‌کند.

* پیکربندی:

* متد (Method): POST

* URL: https://api.openai.com/v1/embeddings

* بدنه (Body): شامل سوال و مشخص کردن مدل embedding (مثلاً text-embedding-3-large).

* احراز هویت (Authentication): نیاز به اعتبارنامه OpenAI API دارد.

* اتصالات: داده‌های embedding تولید شده را به گره Set Field - Embedding خروجی می‌دهد.

* ملاحظات: خطاهای احتمالی API، شکست احراز هویت، محدودیت‌های نرخ یا مشکلات مربوط به متن ورودی.

* Set Field - Embedding

* نوع: n8n-nodes-base.set

* هدف: بردار embedding را از پاسخ API OpenAI استخراج کرده و در فیلدی به نام embedding ذخیره می‌کند.

* پیکربندی: embedding را به {{$json.data[0].embedding}} تنظیم می‌کند.

* اتصالات: خروجی به گره BigQuery - Vector Retriever - n8n docs دارد.

* ملاحظات: داده‌های embedding گمشده یا بدشکل در پاسخ API را مدیریت می‌کند.

* BigQuery - Vector Retriever - n8n docs

* نوع: n8n-nodes-base.httpRequest

* هدف: یک کوئری SQL را در برابر BigQuery اجرا می‌کند تا جستجوی شباهت برداری را انجام دهد. ۱۰ سند مرتبط‌تر را بر اساس embedding ارائه شده بازیابی می‌کند.

* پیکربندی:

* متد (Method): POST

* URL: نقطه پایانی کوئری BigQuery (مثلاً https://bigquery.googleapis.com/bigquery/v2/projects/<YOUR-PROJECT-ID>/queries). به یاد داشته باشید که <YOUR-PROJECT-ID> را با شناسه پروژه واقعی Google Cloud خود جایگزین کنید.

* بدنه (Body): شامل یک کوئری SQL با استفاده از تابع VECTOR_SEARCH است (مثلاً SELECT document FROM \n8n-docs-rag.n8n_docs.n8n_docs_embeddings\ WHERE VECTOR_SEARCH(embedding_column, @embedding_vector, 10, options => 'distance_type=COSINE,brute_force=true')).

* احراز هویت (Authentication): نیاز به اعتبارنامه OAuth2 Google BigQuery دارد.

* اتصالات: نتایج کوئری را به گره Documents retrieved خروجی می‌دهد.

* ملاحظات: خطاهای احراز هویت، محدودیت‌های سهمیه، سینتکس نامعتبر SQL، شناسه پروژه نادرست، قطع شدن شبکه یا مشکلات مربوط به جدول/ستون‌های BigQuery.

* Documents retrieved

* نوع: n8n-nodes-base.set

* هدف: ردیف‌های بازگردانده شده توسط BigQuery را به یک رشته JSON تبدیل کرده و در فیلد documents ذخیره می‌کند. این داده قالب‌بندی شده سپس به AI Agent در گردش کار اصلی بازگردانده می‌شود.

* پیکربندی: documents را به {{$json.rows.toJsonString()}} تنظیم می‌کند.

* اتصالات: این خروجی نهایی گردش کار فرعی است و داده‌ها را به گره BigQuery RAG OpenAI در گردش کار اصلی بازمی‌گرداند.

* ملاحظات: نتایج خالی کوئری یا خطاهای احتمالی تبدیل JSON را مدیریت می‌کند.

---

جدول خلاصه

---

بازسازی گردش کار

برای بازسازی این گردش کار:

1. راه‌اندازی گردش کار اصلی:

* یک گره LangChain Chat Trigger (مثلاً n8n-nodes-base.chatTrigger) اضافه کنید. آن را با یک شناسه وب‌هوک منحصربه‌فرد پیکربندی کنید.

* یک گره LangChain Agent (مثلاً @n8n/n8n-nodes-langchain.agent) اضافه کنید. یک اعلان سیستمی تعریف کنید که به آن دستور استفاده از ابزار فروشگاه برداری (vector store) و قالب‌بندی پاسخ‌ها در Markdown را بدهد.

* یک گره LangChain LM Chat OpenAI (مثلاً @n8n/n8n-nodes-langchain.lmChatOpenAi) اضافه کنید. مدل را روی gpt-4.1-mini تنظیم کرده و کلید API OpenAI خود را وارد کنید.

* یک گره LangChain Memory Buffer Window (مثلاً @n8n/n8n-nodes-langchain.memoryBufferWindow) اضافه کنید.

* یک گره LangChain Tool Workflow (مثلاً @n8n/n8n-nodes-langchain.toolWorkflow) اضافه کرده و نام آن را BigQuery RAG OpenAI بگذارید. این گره زیرگردش کار را فراخوانی می‌کند.

* این گره‌ها را همانطور که در بخش "گردش کار اصلی" توضیح داده شده است، به هم متصل کنید.

2. راه‌اندازی زیرگردش کار (بازیابی اسناد):

* یک زیرگردش کار جدید ایجاد کنید.

* یک گره Execute Workflow Trigger (مثلاً n8n-nodes-base.executeWorkflowTrigger) اضافه کنید. آن را طوری پیکربندی کنید که پارامتر ورودی vector_search_question را بپذیرد.

* یک گره Set برای نگاشت پارامتر ورودی به فیلد question اضافه کنید.

* یک گره HTTP Request برای فراخوانی API Embeddings OpenAI (https://api.openai.com/v1/embeddings) اضافه کنید. بدنه درخواست و احراز هویت را پیکربندی کنید.

* یک گره Set دیگر برای استخراج بردار embedding از پاسخ OpenAI اضافه کنید.

* یک گره نهایی HTTP Request برای پرس‌وجو از جدول برداری BigQuery خود اضافه کنید. نقطه پایانی API BigQuery، پرس‌وجوی SQL (با استفاده از VECTOR_SEARCH) و احراز هویت را پیکربندی کنید. اطمینان حاصل کنید که <YOUR-PROJECT-ID> را در URL و احتمالاً نام جدول/ستون‌ها را در پرس‌وجوی SQL جایگزین کنید.

* یک گره نهایی Set برای قالب‌بندی نتایج BigQuery به یک رشته JSON به نام documents اضافه کنید.

* این گره‌ها را به صورت متوالی در داخل زیرگردش کار به هم متصل کنید.

3. پیکربندی اعتبارنامه‌ها: اطمینان حاصل کنید که اعتبارنامه‌های API لازم برای OpenAI و Google BigQuery را در n8n تنظیم کرده‌اید.

4. استقرار و آزمایش: گردش کار را فعال کرده و با ارسال پیام‌های چت به وب‌هوک پیکربندی شده، آن را آزمایش کنید.