مقدمه

آموزش ساخت سیستم هوشمند

آموزش ساخت سیستم هوشمند تولید خلاصه، تایم‌لاین و جزوه مطالعه با n8n، Mistral AI و Qdrant

اگر روزانه با فایل‌های PDF، DOCX یا فایل‌های متنی سروکار دارید، احتمالاً بارها با این مشکل مواجه شده‌اید که مطالعه، خلاصه‌برداری و استخراج نکات مهم از آن‌ها زمان زیادی از شما می‌گیرد. این موضوع زمانی اهمیت بیشتری پیدا می‌کند که تعداد زیادی سند آموزشی، تحقیقاتی، مستندات سازمانی یا فایل‌های مربوط به پروژه‌های مختلف داشته باشید و بخواهید در کوتاه‌ترین زمان ممکن، اطلاعات ارزشمند آن‌ها را استخراج کنید.

Workflow حاضر یکی از حرفه‌ای‌ترین نمونه‌های اتوماسیون هوش مصنوعی در n8n محسوب می‌شود که با ترکیب قدرت Mistral AI، پایگاه داده برداری Qdrant و قابلیت‌های پردازش فایل در n8n، کل فرآیند تحلیل اسناد را به‌صورت کاملاً خودکار انجام می‌دهد.

تو این Workflow:

در این Workflow تنها کافی است فایل جدیدی را داخل یک پوشه مشخص قرار دهید. سیستم به‌صورت خودکار فایل را شناسایی می‌کند، متن آن را استخراج می‌کند، خلاصه‌ای از محتوا می‌سازد، اطلاعات را داخل Vector Database ذخیره می‌کند و سپس با استفاده از تکنیک Retrieval Augmented Generation (RAG)، چندین سند کاربردی مانند Study Guide، Timeline و Briefing Document تولید می‌کند.

 این Workflow نمونه‌ای بسیار مناسب برای آموزش Workflow تولید خودکار اسناد با n8n است، زیرا علاوه بر استفاده از هوش مصنوعی، مفاهیمی مانند Embedding، Vector Store، بازیابی اطلاعات، پردازش اسناد و تولید محتوای هوشمند را نیز در کنار یکدیگر به نمایش می‌گذارد. در ادامه مقاله تمام بخش‌های این Template را به‌صورت کامل بررسی خواهیم کرد.

قبل از شروع

اگر هنوز n8n را نصب نکرده‌اید، پیشنهاد می‌کنیم ابتدا مقاله «آموزش n8n» را مطالعه کنید. در آن مقاله، مراحل نصب با Node.js و Docker، راه‌اندازی اولیه و ساخت اولین Workflow به‌صورت کامل آموزش داده شده است. پس از نصب و راه‌اندازی، به این مقاله بازگردید و مراحل پیاده‌سازی این Workflow را دنبال کنید.

این Workflow چه کاری انجام می‌دهد؟

آموزش ساخت سیستم هوشمند

هدف اصلی این Workflow، تبدیل خودکار فایل‌های آموزشی و متنی به مجموعه‌ای از اسناد قابل استفاده برای مطالعه، آموزش و تحلیل است.

فرآیند اجرا به این صورت است:

1. یک فایل جدید داخل پوشه مشخص قرار می‌گیرد.
2. n8n ایجاد فایل را تشخیص می‌دهد.
3. محتوای فایل استخراج می‌شود.
4. متن توسط مدل Mistral خلاصه‌سازی می‌شود.
5.  بردارهای معنایی (Embeddings) تبدیل می‌شود.
6. اطلاعات داخل پایگاه داده برداری Qdrant ذخیره می‌شود.
7. سیستم برای هر قالب از پیش تعریف‌شده، مجموعه‌ای از سوالات هوشمند تولید می‌کند.
8. پاسخ این سوالات از طریق تکنیک RAG و اطلاعات موجود در Vector Store استخراج می‌شود.
9. مدل زبانی با استفاده از پاسخ‌ها، اسناد نهایی را تولید می‌کند.
10. فایل‌های تولیدشده به‌صورت Markdown در کنار فایل اصلی ذخیره می‌شوند.

در نتیجه، بدون هیچ دخالت دستی، از یک فایل خام چندین سند کاربردی تولید خواهد شد.

کاربردهای این Workflow

آموزش ساخت سیستم هوشمند

این Workflow کاربردهای فراوانی در محیط‌های آموزشی، تحقیقاتی و سازمانی دارد که از مهم‌ترین آن‌ها می‌توان به موارد زیر اشاره کرد:

• تولید خودکار جزوه مطالعه برای دانشجویان
• ساخت Timeline از اسناد تاریخی یا پروژه‌ها
• تولید Briefing Document برای مدیران و جلسات
• خلاصه‌سازی اسناد طولانی سازمانی
• آماده‌سازی منابع آموزشی برای کارکنان
• تحلیل فایل‌های PDF و DOCX بدون دخالت انسان
• تولید محتوای آموزشی از کتاب‌ها و مقالات
• ایجاد بانک دانش مبتنی بر هوش مصنوعی
• ساخت سیستم مدیریت اسناد مبتنی بر RAG
• کمک به تیم‌های تحقیق و توسعه برای مرور سریع مستندات

پیش‌نیازهای اجرای Workflow

آموزش ساخت سیستم هوشمند

برای اجرای صحیح این Template باید موارد زیر را آماده کنید:

• نصب n8n
• دسترسی به Local File System
• ایجاد پوشه مخصوص ذخیره فایل‌ها
• Credential مربوط به Mistral Cloud
• API Key سرویس Mistral AI
• Credential مربوط به Qdrant
• راه‌اندازی پایگاه داده Qdrant
• ایجاد Collection با نام storynotes
• دسترسی خواندن و نوشتن فایل‌ها
• فعال بودن Local File Trigger
• دسترسی به قابلیت LangChain در n8n
• فضای کافی برای ذخیره فایل‌های تولیدشده

آشنایی کوتاه با سرویس‌های استفاده‌شده

آموزش ساخت سیستم هوشمند

Mistral AI

یکی از مدل‌های زبانی پیشرفته است که برای خلاصه‌سازی، پاسخ به سوالات، تحلیل متن و تولید محتوای هوشمند استفاده می‌شود. در این Workflow سه مدل مختلف Mistral برای خلاصه‌سازی، تولید سوال و تولید اسناد نهایی به کار گرفته شده‌اند.

Qdrant

Qdrant یک Vector Database است که Embeddingهای متنی را ذخیره می‌کند و امکان جستجوی معنایی بسیار سریع را فراهم می‌کند. استفاده از این پایگاه داده باعث می‌شود مدل هوش مصنوعی تنها اطلاعات مرتبط با هر سوال را دریافت کند و پاسخ‌های دقیق‌تری تولید نماید.

دانلود Template

فایل JSON این Workflow را از این قسمت دانلود کنید.

 

آموزش Import کردن Workflow

آموزش ساخت سیستم هوشمند

1. وارد داشبورد n8n شوید.
2. روی Import from File کلیک کنید.
3. فایل JSON را انتخاب کنید.
4. Workflow ایجاد خواهد شد.
5. Credentialهای موردنیاز را تنظیم کنید.

ساختار Workflow

آموزش ساخت سیستم هوشمند

این Workflow از پنج مرحله اصلی تشکیل شده است.

در مرحله اول: مانیتور کردن پوشه

1. Local File Trigger
2. Settings
3. Import File
4. تشخیص نوع فایل
5. استخراج متن

تو مرحله دوم: آماده‌سازی داده

1. Prep Incoming Doc
2. Summarization Chain
3. Embeddings
4. Qdrant Vector Store
5. Merge
6. Prep For AI

در مرحله سوم: انتخاب قالب‌های خروجی

• Get Doc Types
• Split Out Doc 
• For Each Doc Type

در این مرحله سه قالب مختلف پردازش می‌شوند:

• Study Guide
• Timeline
• Briefing Document

تو مرحله چهارم: تولید اسناد توسط هوش مصنوعی

1. Interview
2. Output Parser
3. Split Out
4. Retrieval QA
5. Aggregate
6. Generate Document

در این بخش از تکنیک RAG استفاده می‌شود تا مدل زبانی تنها بر اساس اطلاعات واقعی سند اصلی پاسخ تولید کند و کیفیت خروجی افزایش یابد.

در مرحله پنجم: ذخیره فایل‌ها

1. Get Generated Documents
2. Convert To File
3. Export To Folder
4. ذخیره فایل Markdown کنار فایل اصلی

جمع بندی

تو پایان اجرای Workflow، برای هر فایل ورودی، سه فایل جدید شامل Study Guide، Timeline و Briefing Document به‌صورت خودکار تولید و در همان مسیر ذخیره می‌شوند. این ساختار باعث می‌شود کل فرآیند تحلیل، خلاصه‌سازی، بازیابی اطلاعات و تولید اسناد بدون نیاز به اجرای دستی و تنها با اضافه کردن یک فایل جدید به پوشه، انجام شود.

آموزش کامل تمام Nodeهای Workflow

آموزش ساخت سیستم هوشمند

در این بخش، تمامی Nodeهای بخش اول Workflow را به‌ترتیب اجرای آن‌ها بررسی می‌کنیم. برای هر Node وظیفه، ورودی، خروجی، تنظیمات مهم، نکات قابل شخصی‌سازی و دلیل استفاده در این Template توضیح داده شده است.

 Local File Trigger

آموزش ساخت سیستم هوشمند

وظیفه Node

این Node نقطه شروع Workflow است. وظیفه آن مانیتور کردن یک پوشه مشخص در سیستم‌عامل است تا هر زمان فایل جدیدی داخل آن قرار گرفت، Workflow به‌صورت خودکار اجرا شود.

در این Template مسیر زیر مانیتور می‌شود:

/home/node/storynotes/context

هر فایل جدیدی که داخل این پوشه قرار بگیرد، بدون نیاز به اجرای دستی Workflow پردازش خواهد شد.

ورودی

این Node ورودی ندارد و به‌عنوان Trigger عمل می‌کند.

خروجی

اطلاعاتی مانند:

• مسیر کامل فایل

• نام فایل

• نوع فایل

• زمان ایجاد فایل

تنظیمات مهم

• Path: مسیر پوشه موردنظر

• Trigger On Folder: مانیتور کل پوشه

• Event = Add: فقط هنگام اضافه شدن فایل جدید اجرا می‌شود.

• Use Polling: بررسی دوره‌ای پوشه

• Follow Symlinks: دنبال کردن Symbolic Linkها

نکات قابل تغییر

می‌توانید:

• مسیر پوشه را تغییر دهید.

• اجرای Workflow را هنگام حذف فایل نیز فعال کنید.

• هنگام ویرایش فایل‌ها نیز Workflow اجرا شود.

• بازه Polling را افزایش یا کاهش دهید.

دلیل استفاده در Workflow

هدف این Template حذف کامل اجرای دستی است. به همین دلیل Local File Trigger باعث می‌شود تنها با کپی کردن فایل داخل پوشه، کل فرآیند هوش مصنوعی آغاز شود.

 Settings (Set)

آموزش ساخت سیستم هوشمند

وظیفه Node

 اطلاعات اولیه فایل را استخراج و برای استفاده در کل Workflow آماده می‌کند.

به‌جای اینکه در ادامه Workflow چندین بار مسیر فایل تجزیه شود، اطلاعات مهم فقط یک بار استخراج می‌شوند.

ورودی

اطلاعات ارسال‌شده از Local File Trigger

خروجی

سه مقدار اصلی تولید می‌شود:

• Project

• Path

• Filename

تنظیمات مهم

در این Node از Expressionهای n8n استفاده شده است.

برای مثال:

• استخراج نام پروژه از مسیر فایل

•  نام فایل

• ذخیره مسیر کامل فایل

نکات قابل تغییر

می‌توانید اطلاعات بیشتری نیز استخراج کنید؛ مانند:

• تاریخ ایجاد فایل

• پسوند فایل

• نام کاربر

• شناسه پروژه

• شماره نسخه سند

دلیل استفاده

استفاده از Nodeهای Set باعث می‌شود Workflow خواناتر و نگهداری آن بسیار ساده‌تر شود.

 Import File

آموزش ساخت سیستم هوشمند

وظیفه Node

این Node فایل واقعی را از سیستم‌عامل می‌خواند.

Local File Trigger فقط مسیر فایل را ارسال می‌کند و محتوای فایل هنوز وارد Workflow نشده است.

این Node فایل را به Binary Data تبدیل می‌کند.

ورودی

مسیر فایل

خروجی

Binary File

تنظیمات مهم

تنها پارامتر مهم این Node، مسیر فایل است که از Node قبلی دریافت می‌شود.

نکات قابل تغییر

می‌توان فایل را از مسیرهای مختلف خواند یا مسیر را به‌صورت دستی وارد کرد.

دلیل استفاده

تمام Nodeهای استخراج متن نیاز دارند ابتدا فایل به‌صورت Binary وارد Workflow شود.

 Get FileType (Switch)

آموزش ساخت سیستم هوشمند

وظیفه Node

 نوع فایل را تشخیص می‌دهد.

در این Template سه مسیر پردازش تعریف شده است:

• PDF

• DOCX

• فایل‌های متنی

پس از تشخیص نوع فایل، Workflow وارد مسیر مناسب می‌شود.

ورودی

Binary File

خروجی

ارسال فایل به مسیر مناسب

تنظیمات مهم

سه Rule تعریف شده است.

• pdf

• docx

• everything else

نکات قابل تغییر

می‌توانید فرمت‌های بیشتری اضافه کنید، مانند:

• Markdown

• HTML

• CSV

• JSON

• XML

• EPUB

دلیل استفاده

هر نوع فایل روش استخراج متن متفاوتی دارد؛ بنابراین وجود Switch ضروری است.

 Extract from PDF

آموزش ساخت سیستم هوشمند

وظیفه Node

متن فایل‌های PDF را استخراج می‌کند.

این Node فایل PDF را پردازش کرده و متن خام آن را تولید می‌کند.

ورودی

فایل PDF

خروجی

متن استخراج‌شده

تنظیمات مهم

عملیات روی حالت PDF قرار گرفته است.

نکات قابل تغییر

در صورت استفاده از PDFهای اسکن‌شده می‌توان OCR را نیز به Workflow اضافه کرد.

دلیل استفاده

مدل‌های زبانی مستقیماً فایل PDF را پردازش نمی‌کنند و ابتدا باید متن استخراج شود.

 Extract from DOCX

آموزش ساخت سیستم هوشمند

وظیفه Node

استخراج متن فایل‌های Microsoft Word

تمام متن داخل فایل Word خوانده شده و به فرمت قابل پردازش تبدیل می‌شود.

ورودی

فایل DOCX

خروجی

متن کامل فایل

تنظیمات مهم

عملیات روی استخراج متن از فایل Word تنظیم شده است.

نکات قابل تغییر

در صورت نیاز می‌توان فرمت‌های ODT یا سایر فایل‌های Office را نیز پشتیبانی کرد.

دلیل استفاده

بسیاری از مستندات آموزشی و سازمانی در قالب Word ذخیره می‌شوند و این Node امکان پردازش مستقیم آن‌ها را فراهم می‌کند.

 Extract from TEXT

آموزش ساخت سیستم هوشمند

وظیفه Node

خواندن فایل‌های متنی ساده

اگر فایل ورودی PDF یا DOCX نباشد، این مسیر اجرا می‌شود.

ورودی

فایل متنی

خروجی

متن فایل

تنظیمات مهم

عملیات روی حالت Text قرار دارد.

نکات قابل تغییر

می‌توان Encoding فایل را متناسب با زبان یا سیستم مورد استفاده تغییر داد.

دلیل استفاده

پشتیبانی از فایل‌های متنی باعث می‌شود Workflow برای طیف گسترده‌ای از منابع قابل استفاده باشد.

 Prep Incoming Doc (Set)

آموزش ساخت سیستم هوشمند

وظیفه Node

آماده‌سازی متن استخراج‌شده برای مراحل هوش مصنوعی

این Node متن فایل را در یک فیلد استاندارد با نام data قرار می‌دهد تا تمام Nodeهای بعدی بتوانند از یک ساختار یکسان استفاده کنند.

ورودی

متن استخراج‌شده از PDF، DOCX یا فایل متنی

خروجی

فیلد data شامل متن سند

تنظیمات مهم

در این Node مقدار متن به فیلد جدید اختصاص داده می‌شود و ساختار داده یکپارچه می‌شود.

نکات قابل تغییر

می‌توانید در همین مرحله:

• متن را پاک‌سازی کنید.

• کاراکترهای اضافی را حذف کنید.

• هدر و فوتر اسناد را حذف کنید.

• متن را نرمال‌سازی کنید.

• متادیتای بیشتری به سند اضافه کنید.

دلیل استفاده

یکسان‌سازی ساختار داده باعث می‌شود تمام بخش‌های بعدی Workflow بدون توجه به نوع فایل، با یک قالب مشخص کار کنند.

 Summarization Chain

وظیفه Node

این Node اولین مرحله پردازش هوش مصنوعی را انجام می‌دهد و خلاصه‌ای از سند تولید می‌کند.

 Workflow خلاصه تولیدشده در ادامه برای ساخت سوالات هوشمند مورد استفاده قرار می‌گیرد؛ بنابراین مدل لازم نیست هر بار کل سند را پردازش کند.

ورودی

متن کامل سند

خروجی

خلاصه‌ای از مهم‌ترین بخش‌های فایل

تنظیمات مهم

• تقسیم متن به بخش‌های ۴۰۰۰ کاراکتری

• خلاصه‌سازی مرحله‌ای

• استفاده از مدل Mistral AI

نکات قابل تغییر

می‌توانید:

• اندازه Chunkها را تغییر دهید.

• Prompt خلاصه‌سازی را شخصی‌سازی کنید.

• مدل زبانی دیگری مانند OpenAI یا Claude انتخاب کنید.

• میزان جزئیات خلاصه را افزایش یا کاهش دهید.

دلیل استفاده

استفاده از خلاصه باعث کاهش تعداد توکن‌های مصرفی، افزایش سرعت پردازش و تولید سوالات دقیق‌تر در مراحل بعدی می‌شود.

 Mistral Cloud Chat Model

وظیفه Node

 Node مدل زبانی Mistral را در اختیار Node خلاصه‌سازی قرار می‌دهد.

در این Workflow از مدل Open Mixtral 8x7B استفاده شده که برای تحلیل متون طولانی، خلاصه‌سازی و تولید محتوای آموزشی عملکرد بسیار مناسبی دارد.

ورودی

درخواست ارسال‌شده از Summarization Chain

خروجی

پاسخ تولیدشده توسط مدل هوش مصنوعی

تنظیمات مهم

• انتخاب مدل زبانی

• Credential مربوط به Mistral Cloud

• پارامترهای اختیاری مدل مانند دما (Temperature) یا حداکثر طول پاسخ

نکات قابل تغییر

در صورت نیاز می‌توانید:

• مدل جدیدتر Mistral را انتخاب کنید.

• از مدل‌های دیگر سازگار با LangChain استفاده کنید.

• تنظیمات خلاقیت و دقت مدل را متناسب با پروژه تغییر دهید.

دلیل استفاده

این Node موتور اصلی تولید خلاصه در Workflow است و کیفیت خروجی مراحل بعدی تا حد زیادی به عملکرد آن وابسته است.

آموزش کامل تمام Nodeهای Workflow(بخش دوم) 

در این بخش، Nodeهای مربوط به پردازش هوش مصنوعی، ایجاد Vector Database، تکنیک Retrieval Augmented Generation (RAG)، تولید اسناد نهایی و ذخیره خروجی را بررسی می‌کنیم. این بخش هسته اصلی Workflow را تشکیل می‌دهد و بیشترین نقش را در کیفیت خروجی‌های تولیدشده دارد.

 Embeddings Mistral Cloud

وظیفه Node

 سند را به بردارهای معنایی (Embedding) تبدیل می‌کند. برخلاف متن معمولی، Embeddingها نمایش عددی مفهوم هر بخش از متن هستند و امکان جستجوی معنایی را فراهم می‌کنند.

ورودی

متن آماده‌شده از Node Prep Incoming Doc

خروجی

بردارهای معنایی (Embeddings)

تنظیمات مهم

• استفاده از Credential مربوط به Mistral Cloud

• انتخاب مدل Embedding پیش‌فرض

نکات قابل تغییر

می‌توانید:

• مدل Embedding دیگری انتخاب کنید.

• از سرویس‌هایی مانند OpenAI Embeddings یا سایر مدل‌های سازگار با LangChain استفاده کنید.

دلیل استفاده

بدون Embedding امکان ذخیره اطلاعات در Vector Database و استفاده از تکنیک RAG وجود نخواهد داشت.

 Default Data Loader

وظیفه Node

 متن سند را به قالب استاندارد Document موردنیاز LangChain تبدیل می‌کند.

همچنین متادیتای سند مانند نام پروژه و نام فایل را به هر Document اضافه می‌کند.

ورودی

متن سند

خروجی

Documentهای استاندارد LangChain

تنظیمات مهم

در این Workflow دو Metadata ذخیره می‌شوند:

• Project

• Filename

نکات قابل تغییر

می‌توانید Metadataهای بیشتری اضافه کنید؛ مانند:

• نویسنده

• تاریخ

• دسته‌بندی

• زبان

• نسخه سند

دلیل استفاده

وجود Metadata در آینده امکان جستجو، فیلتر و مدیریت اسناد را بسیار ساده‌تر می‌کند.

 Recursive Character Text Splitter

وظیفه Node

این متن‌های طولانی را به بخش‌های کوچک‌تر تقسیم می‌کند.

در این Template اندازه هر بخش برابر با ۲۰۰۰ کاراکتر در نظر گرفته شده است.

ورودی

Document

خروجی

چندین Chunk

تنظیمات مهم

• Chunk Size = 2000

نکات قابل تغییر

می‌توانید:

• اندازه Chunk را افزایش دهید.

• همپوشانی (Overlap) بین بخش‌ها ایجاد کنید.

• از Text Splitterهای دیگر استفاده کنید.

دلیل استفاده

مدل‌های Embedding و Vector Database عملکرد بسیار بهتری روی متن‌های کوتاه‌تر دارند.

 Qdrant Vector Store

وظیفه Node

 بردارهای معنایی تولیدشده را داخل پایگاه داده Qdrant ذخیره می‌کند.

ورودی

• Embeddings

• Documentها

• Metadata

خروجی

ذخیره اطلاعات در Collection

تنظیمات مهم

Collection مورد استفاده:

storynotes

نکات قابل تغییر

می‌توانید:

• Collection جدید ایجاد کنید.

• اطلاعات پروژه‌های مختلف را در Collectionهای جداگانه ذخیره کنید.

• Metadata بیشتری اضافه کنید.

دلیل استفاده

این Node پایگاه دانش Workflow را ایجاد می‌کند تا در مراحل بعدی اطلاعات دقیق بازیابی شوند.

 Merge

وظیفه Node

ادغام خروجی دو شاخه Workflow

در این Workflow دو فرآیند به‌صورت همزمان اجرا می‌شوند:

• خلاصه‌سازی سند

• ذخیره اطلاعات در Vector Store

Node Merge منتظر پایان هر دو مسیر می‌ماند و سپس Workflow را ادامه می‌دهد.

ورودی

• Summarization Chain

• Qdrant Vector Store

خروجی

یک خروجی واحد

تنظیمات مهم

Mode:

Choose Branch

نکات قابل تغییر

در Workflowهای دیگر می‌توان از حالت‌های مختلف Merge مانند Combine یا Append استفاده کرد.

دلیل استفاده

تا زمانی که هم خلاصه و هم Vector Store آماده نشوند، مراحل بعدی قابل اجرا نیستند.

 Prep For AI

وظیفه Node

Node اطلاعات موردنیاز مراحل هوش مصنوعی را یکجا جمع‌آوری می‌کند.

ورودی

داده‌های Merge

خروجی

اطلاعات زیر:

• شناسه سند

• نام پروژه

• مسیر فایل

• نام فایل

• خلاصه سند

تنظیمات مهم

یک شناسه یکتا از نام فایل تولید می‌شود.

نکات قابل تغییر

می‌توانید اطلاعات بیشتری مانند:

• تاریخ پردازش

• نسخه سند

• نویسنده

• وضعیت پردازش

را نیز ذخیره کنید.

دلیل استفاده

تمام Nodeهای بعدی از این اطلاعات استفاده می‌کنند و دیگر نیازی به مراجعه به Nodeهای قبلی ندارند.

 Get Doc Types

وظیفه Node

این Node قالب‌های خروجی را تعریف می‌کند.

در این Workflow سه قالب وجود دارد:

• Study Guide

• Timeline

• Briefing Document

هر قالب دارای:

• عنوان

• نام فایل

• توضیح عملکرد

است.

ورودی

نیازی به ورودی ندارد.

خروجی

لیستی از قالب‌ها

تنظیمات مهم

قالب‌ها به‌صورت JSON تعریف شده‌اند.

نکات قابل تغییر

به‌راحتی می‌توانید قالب‌های جدید اضافه کنید؛ برای مثال:

• FAQ

• Meeting Notes

• Flash Cards

• Executive Summary

• SOP

• Training Manual

• Product Documentation

دلیل استفاده

تمام Workflow به‌صورت داینامیک روی این لیست اجرا می‌شود و افزودن قالب جدید نیازی به تغییر ساختار Workflow ندارد.

 Split Out Doc Types

وظیفه Node

تبدیل آرایه قالب‌ها به آیتم‌های جداگانه

ورودی

لیست قالب‌ها

خروجی

هر قالب به‌عنوان یک Item مستقل

تنظیمات مهم

Field To Split:

docs

نکات قابل تغییر

در صورت افزایش تعداد قالب‌ها نیازی به تغییر این Node نیست.

دلیل استفاده

برای اینکه هر قالب به‌صورت مستقل توسط هوش مصنوعی تولید شود.

 For Each Doc Type (Split In Batches)

وظیفه Node

اجرای مراحل هوش مصنوعی برای هر قالب به‌صورت جداگانه

ورودی

هر قالب

خروجی

ارسال هر قالب به Nodeهای تولید محتوا

تنظیمات مهم

اجرای ترتیبی قالب‌ها

نکات قابل تغییر

می‌توانید اندازه Batch را تغییر دهید یا پردازش موازی انجام دهید.

دلیل استفاده

جلوگیری از تداخل خروجی‌ها و مدیریت بهتر مصرف منابع.

 Interview

وظیفه Node

این Node اولین مرحله تولید محتوا توسط هوش مصنوعی است.

مدل بر اساس خلاصه سند، پنج سؤال مناسب برای تولید قالب موردنظر ایجاد می‌کند.

برای مثال اگر قالب Timeline باشد، سؤال‌ها درباره ترتیب زمانی رویدادها خواهند بود.

ورودی

خلاصه سند

خروجی

فهرست سؤال‌ها

تنظیمات مهم

Prompt اختصاصی برای هر قالب

نکات قابل تغییر

می‌توانید:

• تعداد سؤال‌ها را افزایش دهید.

• Prompt را تغییر دهید.

• زبان تولید سؤال‌ها را مشخص کنید.

دلیل استفاده

به‌جای تولید مستقیم سند، ابتدا سؤال‌های مناسب ساخته می‌شوند تا خروجی نهایی دقیق‌تر باشد.

 Item List Output Parser

وظیفه Node

تبدیل پاسخ مدل به یک آرایه استاندارد

ورودی

پاسخ متنی مدل

خروجی

لیست سؤال‌ها

تنظیمات مهم

تجزیه پاسخ به آیتم‌های جداگانه

نکات قابل تغییر

می‌توان Parserهای دیگری برای خروجی JSON یا ساختارهای سفارشی استفاده کرد.

دلیل استفاده

Workflow باید بتواند هر سؤال را جداگانه پردازش کند.

 Split Out

وظیفه Node

هر سؤال را به یک آیتم مستقل تبدیل می‌کند.

ورودی

لیست سؤال‌ها

خروجی

یک سؤال در هر Item

دلیل استفاده

هر سؤال باید به‌صورت جداگانه وارد فرآیند بازیابی اطلاعات شود.

 Vector Store Retriever

وظیفه Node

جستجوی معنایی در پایگاه داده Qdrant

ورودی

سؤال تولیدشده

خروجی

مرتبط‌ترین بخش‌های سند

تنظیمات مهم

اتصال به Collection مربوطه

نکات قابل تغییر

می‌توانید تعداد نتایج بازیابی‌شده یا روش رتبه‌بندی را تغییر دهید.

دلیل استفاده

این Node قلب تکنیک RAG است و اطلاعات مرتبط را پیش از پاسخ‌دهی در اختیار مدل قرار می‌دهد.

 Qdrant Vector Store1

وظیفه Node

اتصال به Collection موجود برای بازیابی اطلاعات

برخلاف Node قبلی که داده‌ها را ذخیره می‌کرد، این Node وظیفه خواندن اطلاعات را بر عهده دارد.

ورودی

درخواست Retriever

خروجی

داده‌های مرتبط

دلیل استفاده

ایجاد ارتباط میان Retriever و پایگاه داده برداری.

 Embeddings Mistral Cloud1

وظیفه Node

تبدیل سؤال کاربر به Embedding

ورودی

سؤال تولیدشده

خروجی

بردار معنایی سؤال

دلیل استفاده

برای جستجوی معنایی باید سؤال نیز به Embedding تبدیل شود.

 Discover (Retrieval QA)

وظیفه Node

اجرای کامل فرآیند Retrieval Augmented Generation

ابتدا اطلاعات مرتبط از Qdrant بازیابی می‌شوند و سپس مدل بر اساس همان اطلاعات پاسخ می‌دهد.

ورودی

• سؤال

• اطلاعات بازیابی‌شده

خروجی

پاسخ دقیق برای هر سؤال

تنظیمات مهم

Prompt Type روی حالت Define قرار گرفته است.

دلیل استفاده

این Node احتمال تولید اطلاعات نادرست (Hallucination) را به میزان قابل توجهی کاهش می‌دهد.

 Aggregate

وظیفه Node

جمع‌آوری تمام پاسخ‌های تولیدشده

ورودی

پاسخ هر سؤال

خروجی

یک مجموعه کامل از پاسخ‌ها

دلیل استفاده

مدل نهایی باید تمام پاسخ‌ها را یکجا دریافت کند تا بتواند سند کامل را تولید کند.

 Generate

وظیفه Node

تولید نسخه نهایی سند

در این مرحله تمام پاسخ‌های جمع‌آوری‌شده به مدل ارسال می‌شوند و خروجی نهایی در قالب Markdown تولید می‌شود.

ورودی

تمام پاسخ‌های Aggregate

خروجی

Study Guide، Timeline یا Briefing Document

تنظیمات مهم

Prompt این Node بسته به نوع قالب تغییر می‌کند و از توضیحات تعریف‌شده در Node Get Doc Types استفاده می‌کند.

نکات قابل تغییر

می‌توانید:

• ساختار Markdown را تغییر دهید.

• خروجی HTML تولید کنید.

• فایل PDF بسازید.

• قالب‌های سفارشی ایجاد کنید.

دلیل استفاده

این Node نتیجه نهایی قابل استفاده برای کاربر را تولید می‌کند.

 Mistral Cloud Chat Model2 و Mistral Cloud Chat Model3

وظیفه Node

این دو Node مدل زبانی موردنیاز برای مراحل Retrieval QA و Generate را تأمین می‌کنند.

ورودی

درخواست‌های ارسال‌شده از Chainهای هوش مصنوعی

خروجی

پاسخ تولیدشده توسط مدل

دلیل استفاده

جدا بودن مدل‌ها باعث می‌شود هر مرحله به‌صورت مستقل تنظیم و در آینده به‌سادگی با مدل دیگری جایگزین شود.

 Get Generated Documents

وظیفه Node

آماده‌سازی فایل نهایی برای ذخیره

ورودی

 Markdown تولیدشده

خروجی

متن به همراه مسیر و نام فایل

دلیل استفاده

ایجاد ساختار استاندارد پیش از تبدیل فایل.

 To Binary (Convert To File)

وظیفه Node

تبدیل متن Markdown به فایل قابل ذخیره

ورودی

متن خروجی

خروجی

Binary File

دلیل استفاده

Node ذخیره فایل فقط داده‌های Binary را دریافت می‌کند.

 Export to Folder

وظیفه Node

ذخیره فایل تولیدشده در سیستم‌عامل

ورودی

Binary

خروجی

فایل Markdown نهایی

تنظیمات مهم

نام فایل به‌صورت خودکار بر اساس نام فایل اصلی و نوع قالب ساخته می‌شود.

نکات قابل تغییر

می‌توانید:

• مسیر ذخیره را تغییر دهید.

• فایل‌ها را در پوشه دیگری ذخیره کنید.

• این فایل‌ها را با فرمت‌های دیگر ذخیره کنید.

• نام‌گذاری دلخواه برای خروجی‌ها تعریف کنید.

دلیل استفاده

آخرین مرحله Workflow است و نتیجه تولیدشده را در اختیار کاربر قرار می‌دهد.

 Wait (2secs)

وظیفه Node

ایجاد وقفه کوتاه بین پردازش قالب‌های مختلف

ورودی

پس از تولید هر سند

خروجی

ادامه اجرای Workflow

دلیل استفاده

این تأخیر کوتاه از ارسال هم‌زمان درخواست‌های متعدد به مدل هوش مصنوعی جلوگیری می‌کند و احتمال بروز خطا یا محدودیت نرخ درخواست (Rate Limit) را کاهش می‌دهد.

Sticky Noteها

این Workflow شامل چندین Sticky Note نیز هست که صرفاً برای مستندسازی طراحی Workflow استفاده شده‌اند. این Nodeها در اجرای فرآیند هیچ نقشی ندارند، اما مراحل مختلف مانند دریافت فایل، ایجاد Vector Store، تولید قالب‌ها، استفاده از RAG و ذخیره خروجی را برای توسعه‌دهندگان توضیح می‌دهند. در صورت نیاز می‌توانید این یادداشت‌ها را ویرایش یا حذف کنید، بدون آنکه عملکرد Workflow تغییر کند.

نحوه شخصی‌سازی Workflow

یکی از مهم‌ترین مزایای این Template، انعطاف‌پذیری بالای آن است. اگرچه این Workflow به‌صورت پیش‌فرض برای تولید Study Guide، Timeline و Briefing Document طراحی شده، اما به‌راحتی می‌توان آن را برای کاربردهای مختلف شخصی‌سازی کرد.

تغییر Promptهای هوش مصنوعی

تقریباً تمام خروجی‌های این Workflow از طریق Promptهایی که در Nodeهای Interview و Generate تعریف شده‌اند تولید می‌شوند. با تغییر این Promptها می‌توانید نوع خروجی را کاملاً تغییر دهید.

برای مثال می‌توانید خروجی‌هایی مانند موارد زیر تولید کنید:

• خلاصه مدیریتی (Executive Summary)

• مستندات فنی

• گزارش پروژه

• سوالات آزمون

• فلش‌کارت آموزشی

• یادداشت جلسه

• راهنمای کاربر

• مستندات محصول

• گزارش تحقیق

• چک‌لیست آموزشی

هرچه Prompt دقیق‌تر و شفاف‌تر نوشته شود، کیفیت خروجی نیز افزایش خواهد یافت.

تغییر مدل هوش مصنوعی

این Template از مدل Open Mixtral 8x7B استفاده شده است، اما محدود به این مدل نیست.

در صورت نیاز می‌توانید از مدل‌های دیگر نیز استفاده کنید، مانند:

• Mistral Large

• Mistral Medium

• OpenAI GPT

• Anthropic Claude

• Google Gemini

• مدل‌های Local مبتنی بر Ollama

انتخاب مدل مناسب به بودجه، سرعت موردنیاز و کیفیت خروجی بستگی دارد.

تغییر Vector Database

 این Workflow از Qdrant استفاده شده است.

در صورت نیاز می‌توانید آن را با سایر پایگاه‌های داده برداری جایگزین کنید؛ مانند:

• Pinecone

• ChromaDB

• Weaviate

• Milvus

• PGVector

اگر پروژه شما حجم اسناد کمی دارد، حتی می‌توان از Vector Storeهای ساده‌تر نیز استفاده کرد.

تغییر مسیر پوشه ورودی

Node Local File Trigger روی یک مسیر مشخص تنظیم شده است.

می‌توانید:

• پوشه پروژه

• پوشه دانلودها

• پوشه اشتراکی تیم

• مسیر شبکه (Network Share)

را جایگزین آن کنید تا Workflow متناسب با محیط کاری شما اجرا شود.

افزودن قالب‌های جدید

تمام قالب‌های خروجی در Node Get Doc Types تعریف شده‌اند.

اضافه کردن قالب جدید کافی است یک شیء جدید به لیست اضافه کنید.

برای مثال:

• FAQ

• SOP

• Product Manual

• Technical Documentation

• Meeting Minutes

• Risk Analysis

• Action Items

• Business Report

به این ترتیب Workflow بدون نیاز به تغییر سایر بخش‌ها، قالب جدید را نیز تولید خواهد کرد.

تغییر Trigger

اگر نمی‌خواهید Workflow با اضافه شدن فایل اجرا شود، می‌توانید Trigger را تغییر دهید.

برخی گزینه‌های مناسب عبارت‌اند از:

• Webhook

• Schedule Trigger

• Google Drive Trigger

• Dropbox Trigger

• OneDrive Trigger

• Gmail Trigger

• Telegram Trigger

• Slack Trigger

در این حالت، Workflow متناسب با رویداد جدید اجرا خواهد شد.

تغییر زمان‌بندی

در صورت استفاده از Schedule Trigger می‌توانید Workflow را در زمان‌های مشخص اجرا کنید؛ مانند:

• هر ساعت

• هر روز

• هر هفته

• پایان هر ماه

• ساعات کاری سازمان

این قابلیت برای پردازش دسته‌ای اسناد بسیار کاربردی است.

تغییر ساختار خروجی

حال حاضر خروجی‌ها به‌صورت فایل Markdown ذخیره می‌شوند.

صورت نیاز می‌توانید خروجی را به فرمت‌های زیر تبدیل کنید:

• PDF

• DOCX

• HTML

• Email

• Google Docs

• Notion

• Confluence

• Google Drive

• Dropbox

تغییر مسیر اجرای Workflow

Workflow فعلی به‌صورت خطی طراحی شده است، اما می‌توانید با اضافه کردن Nodeهای مختلف مسیر اجرای آن را تغییر دهید.

برای مثال:

• افزودن IF برای بررسی حجم فایل

• بررسی زبان سند

• تشخیص نوع محتوا

• بررسی پروژه

• ارسال فایل به مدل‌های مختلف

• ذخیره نتایج در چند مقصد مختلف

این تغییرات باعث می‌شود Workflow متناسب با نیازهای سازمان یا پروژه شما عمل کند.

مزایای استفاده از این Workflow

استفاده از این Template مزایای متعددی دارد که مهم‌ترین آن‌ها عبارت‌اند از:

• خودکارسازی کامل فرآیند تحلیل اسناد

• کاهش زمان موردنیاز برای مطالعه فایل‌های طولانی

• تولید هم‌زمان چند نوع سند از یک فایل ورودی

• افزایش کیفیت پاسخ‌ها با استفاده از تکنیک RAG

• امکان توسعه و افزودن قالب‌های جدید بدون تغییر ساختار اصلی

• پشتیبانی از فایل‌های PDF، DOCX و متنی

• قابلیت استفاده در پروژه‌های آموزشی، تحقیقاتی و سازمانی

• ذخیره دانش در پایگاه داده برداری برای استفاده مجدد

• کاهش مصرف توکن نسبت به پردازش مکرر کل سند

• ساختاری ماژولار که نگهداری و توسعه آن را ساده می‌کند.

نکات مهم

برای دستیابی به بهترین نتیجه، به نکات زیر توجه کنید:

1. پیش از اجرای Workflow، Credentialهای Mistral Cloud و Qdrant را بررسی کنید.

2. مطمئن شوید Collection موردنظر در Qdrant ایجاد شده است.

3. از اسناد با کیفیت و متن قابل استخراج استفاده کنید.

4. برای فایل‌های اسکن‌شده، ابتدا OCR انجام دهید.

5. اندازه Chunkها را متناسب با طول اسناد تنظیم کنید.

6. Promptهای تولید محتوا را متناسب با نیاز پروژه شخصی‌سازی کنید.

7. فضای ذخیره‌سازی کافی برای فایل‌های خروجی در نظر بگیرید.

8. در صورت پردازش تعداد زیاد فایل، محدودیت نرخ درخواست (Rate Limit) سرویس هوش مصنوعی را در نظر بگیرید.

9. به‌طور منظم Collectionهای قدیمی را مدیریت یا پاک‌سازی کنید تا جستجو سریع باقی بماند.

10. قبل از استفاده در محیط عملیاتی، Workflow را با چند سند آزمایشی بررسی کنید.

خطاهای رایج (Troubleshooting)

۱. Workflow اجرا نمی‌شود

علت

• مسیر پوشه اشتباه است.

• Local File Trigger به پوشه دسترسی ندارد.

• Workflow فعال (Active) نشده است.

راه‌حل

• مسیر پوشه را بررسی کنید.

• سطح دسترسی سیستم‌عامل را اصلاح کنید.

• Workflow را Active کنید.

۲. فایل خوانده نمی‌شود

علت

•  خرابی تو فایل است.

• فرمت فایل پشتیبانی نمی‌شود.

• فایل هنوز به‌طور کامل کپی نشده است.

راه‌حل

• فایل را بررسی کنید.

• از فرمت‌های پشتیبانی‌شده استفاده کنید.

• پس از تکمیل انتقال فایل، Workflow را اجرا کنید.

۳. خطای اتصال به Mistral Cloud

علت

• API Key نامعتبر است.

• Credential اشتباه تنظیم شده است.

• محدودیت سرویس یا قطعی موقت وجود دارد.

راه‌حل

• Credential را مجدداً بررسی کنید.

• از معتبر بودن API Key اطمینان حاصل کنید.

• در صورت وجود محدودیت، پس از چند دقیقه دوباره تلاش کنید.

۴. اطلاعات از Qdrant بازیابی نمی‌شود

علت

• Collection وجود ندارد.

• Embeddingها ذخیره نشده‌اند.

• اتصال به Qdrant برقرار نیست.

راه‌حل

• Collection را ایجاد یا بررسی کنید.

• مرحله ذخیره Embeddingها را کنترل کنید.

• تنظیمات اتصال و Credentialها را بررسی کنید.

۵. خروجی هوش مصنوعی کیفیت مناسبی ندارد

علت

• Promptها دقیق نیستند.

• متن ورودی کیفیت پایینی دارد.

• اندازه Chunkها مناسب نیست.

راه‌حل

• Promptها را بازنویسی و دقیق‌تر کنید.

• از اسناد با کیفیت استفاده کنید.

• اندازه Chunk و تنظیمات مدل را متناسب با نوع اسناد تنظیم کنید.

جمع‌بندی

آموزش Workflow تولید خودکار اسناد با n8n نشان می‌دهد که چگونه می‌توان با ترکیب قابلیت‌های اتوماسیون و هوش مصنوعی، فرآیندهای زمان‌بر تحلیل و مستندسازی را به‌صورت کاملاً خودکار انجام داد. در این Template، از شناسایی فایل‌های جدید گرفته تا استخراج متن، خلاصه‌سازی، تولید Embedding، ذخیره در Qdrant، بازیابی اطلاعات با استفاده از تکنیک RAG و تولید اسناد نهایی، همه مراحل بدون دخالت کاربر انجام می‌شوند.

ساختار ماژولار Workflow:

ساختار ماژولار Workflow باعث شده است که توسعه و شخصی‌سازی آن نیز بسیار ساده باشد. می‌توانید مدل هوش مصنوعی، قالب‌های خروجی، مسیر ذخیره فایل‌ها، نوع Trigger یا حتی پایگاه داده برداری را متناسب با نیاز خود تغییر دهید. این ویژگی باعث می‌شود Workflow تنها به تولید جزوه مطالعه محدود نباشد و بتوان از آن برای تولید انواع گزارش‌ها، مستندات فنی، خلاصه‌های مدیریتی و بانک‌های دانش استفاده کرد.

اگر قصد دارید یک سیستم هوشمند برای مدیریت و پردازش اسناد در n8n ایجاد کنید، این Template یکی از بهترین نمونه‌ها برای یادگیری مفاهیم پیشرفته‌ای مانند RAG، Vector Database و پردازش اسناد مبتنی بر هوش مصنوعی است. همچنین آموزش Workflow تولید خودکار اسناد با n8n می‌تواند نقطه شروع مناسبی برای توسعه پروژه‌های بزرگ‌تر در حوزه اتوماسیون و هوش مصنوعی باشد.

GIT