ساخت چت‌بات پشتیبانی با هوش مصنوعی و n8n با GPT-4o-mini

چت‌بات پشتیبانی مجهز به هوش مصنوعی: پاسخ به سوالات از پایگاه دانش شما با OpenAI GPT-4o-mini

این Workflow نحوه ساخت یک چت‌بات پشتیبانی هوشمند با استفاده از n8n و مدل GPT-4o-mini از OpenAI را نشان می‌دهد. این امکان را به شما می‌دهد تا از پایگاه دانش خود سوال کنید و پاسخ‌های دقیقی را با استفاده از هوش مصنوعی پیشرفته دریافت کنید.

دسته‌بندی‌ها: چت‌بات پشتیبانی، AI RAG (Retrieval-Augmented Generation)

نودهای n8n استفاده شده:

• n8n-nodes-base.stickyNote
• n8n-nodes-base.httpRequest
• n8n-nodes-base.manualTrigger
• @n8n/n8n-nodes-langchain.agent
• @n8n/n8n-nodes-langchain.chatTrigger
• @n8n/n8n-nodes-langchain.lmChatOpenAi
• @n8n/n8n-nodes-langchain.embeddingsOpenAi
• @n8n/n8n-nodes-langchain.memoryBufferWindow
• @n8n/n8n-nodes-langchain.vectorStoreInMemory
• @n8n/n8n-nodes-langchain.documentDefaultDataLoader
• `@n8n/n8n-nodes-langchain.textSplitterRecursiveCharacterTextSplitter

---

نمای کلی Workflow

این Workflow از قدرت Retrieval-Augmented Generation (RAG) برای ارائه پاسخ‌های مرتبط با زمینه استفاده می‌کند. در اینجا خلاصه‌ای از عملکرد اصلی آن آورده شده است:

1. بارگذاری پایگاه دانش: Workflow می‌تواند اسناد پایگاه دانش شما را بارگذاری کند.

2. تولید Embedding: با استفاده از مدل‌های embedding OpenAI، بردارهای عددی (embeddings) از محتوای پایگاه دانش شما ایجاد می‌کند.

3. ذخیره‌سازی بردار: این بردارهای عددی برای بازیابی کارآمد در یک فروشگاه بردار در حافظه ذخیره می‌شوند.

4. پرسش کاربر: هنگامی که کاربر سوالی می‌پرسد، Workflow یک بردار عددی برای پرسش ایجاد می‌کند.

5. بازیابی اطلاعات: بخش‌های مرتبط‌تر سند را بر اساس بردار پرسش از فروشگاه بردار جستجو می‌کند.

6. تعامل با LLM: اطلاعات بازیابی شده و سوال کاربر به GPT-4o-mini ارسال می‌شود.

7. تولید پاسخ: GPT-4o-mini پاسخی را بر اساس زمینه ارائه شده و دانش خود ترکیب می‌کند.

---

شروع کار

1. پیش‌نیازها:

* یک نمونه n8n.

* یک کلید API OpenAI با دسترسی به مدل‌های GPT-4o-mini و embedding.

2. وارد کردن Workflow:

* فایل JSON Workflow را دانلود کنید.

* در نمونه n8n خود، به Workflows > Import Workflow بروید.

* فایل JSON را آپلود کنید.

3. پیکربندی نودها:

* کلید API OpenAI: اطمینان حاصل کنید که کلید API OpenAI شما به درستی در نودهای Langchain مربوطه (مانند lmChatOpenAi, embeddingsOpenAi) تنظیم شده است. معمولاً می‌توانید این کار را از طریق متغیرهای محیطی یا مستقیماً در تنظیمات نود انجام دهید.

* داده‌های پایگاه دانش: نود documentDefaultDataLoader را برای اشاره به اسناد پایگاه دانش خود پیکربندی کنید. این می‌تواند فایل‌های موجود در سیستم محلی شما، سرویس ذخیره‌سازی ابری، یا داده‌های دریافت شده از طریق یک درخواست HTTP باشد.

* تقسیم‌کننده متن: پارامترهای نود textSplitterRecursiveCharacterTextSplitter (مانند chunkSize, chunkOverlap) را برای بهینه‌سازی نحوه تقسیم اسناد برای embedding تنظیم کنید.

* فروشگاه بردار: نود vectorStoreInMemory به طور خودکار با embeddingهای پایگاه دانش شما پر می‌شود.

* Trigger: نود manualTrigger در اینجا برای نمایش استفاده شده است. شما می‌توانید آن را با یک Webhook یا Trigger دیگری که برای برنامه شما مناسب است جایگزین کنید.

4. اجرای Workflow:

* Workflow را فعال کنید.

* Workflow را به صورت دستی Trigger کنید (اگر از manualTrigger استفاده می‌کنید) یا درخواستی به Trigger انتخابی خود ارسال کنید.

* هنگام درخواست یا به عنوان بخشی از داده‌های Trigger، سوال پشتیبانی خود را وارد کنید.

---

سفارشی‌سازی و توسعه بیشتر

• منابع دانش مختلف: documentDefaultDataLoader را برای دریافت داده از پایگاه‌های داده، APIها یا سایر منابع تطبیق دهید.
• حافظه پیشرفته: انواع مختلف حافظه Langchain (مانند memoryBufferWindow که یک مثال پایه است) را برای مدیریت تاریخچه مکالمه پیچیده‌تر کاوش کنید.
• رفتار Agentic: Agentهای پیچیده‌تر Langchain را ادغام کنید تا به هوش مصنوعی اجازه دهید فراتر از پاسخ به سوالات، اقداماتی را انجام دهد.
• رابط کاربری: این Workflow را به یک برنامه Frontend (مانند رابط چت وب) برای تجربه کاربری یکپارچه متصل کنید.
• مدیریت خطا: مدیریت خطای قوی برای فراخوانی API و پردازش داده پیاده‌سازی کنید.
• انتخاب مدل: مدل‌های مختلف OpenAI یا LLMهای دیگر موجود از طریق Langchain را آزمایش کنید.

---

Workflowهای n8n بیشتر را در Axeto.ai کاوش کنید: https://axeto.ai/n8n