مقدمه

چت هوشمند اسناد با n8n

چت هوشمند اسناد با n8n: آموزش ساخت سیستم RAG برای اسناد Google Drive با n8n | چت هوشمند با اسناد سازمانی

اگر حجم زیادی از اسناد، آیین‌نامه‌ها، فایل‌های آموزشی، قراردادها یا مستندات داخلی شرکت خود را در Google Drive نگهداری می‌کنید، پیدا کردن اطلاعات موردنیاز می‌تواند زمان‌بر و دشوار باشد. یکی از بهترین راهکارها برای حل این مشکل، استفاده از سیستم RAG در n8n است که اسناد را به یک پایگاه دانش هوشمند تبدیل می‌کند و به کاربران اجازه می‌دهد تنها با پرسیدن یک سؤال، پاسخ دقیق خود را دریافت کنند.

چت هوشمند اسناد با n8n این امکان را فراهم می‌کند که هر زمان فایل جدیدی به Google Drive اضافه شود یا فایل‌های موجود تغییر کنند، اطلاعات آن‌ها به‌صورت خودکار پردازش شده، به بردارهای معنایی (Embedding) تبدیل شوند و در پایگاه داده برداری Pinecone ذخیره گردند. سپس یک عامل هوش مصنوعی (AI Agent) با استفاده از مدل Google Gemini می‌تواند هنگام دریافت سؤال، مرتبط‌ترین بخش‌های اسناد را پیدا کرده و پاسخ مناسبی تولید کند.

این Workflow دقیقاً برای همین هدف طراحی شده است. ترکیب n8n، Google Drive، Google Gemini و Pinecone باعث می‌شود بدون نیاز به برنامه‌نویسی پیچیده، یک دستیار هوشمند برای اسناد سازمانی خود ایجاد کنید. این دستیار می‌تواند اطلاعات موردنیاز کارکنان، اعضای تیم یا حتی مشتریان را مستقیماً از روی اسناد موجود استخراج کند و پاسخ‌هایی دقیق، سریع و مبتنی بر داده‌های واقعی ارائه دهد.

در این مقاله، تمامی بخش‌های این Template را از مرحله نصب و راه‌اندازی تا بررسی کامل Nodeها، نحوه عملکرد Workflow، شخصی‌سازی، تنظیم Credentialها و رفع خطاهای احتمالی به‌صورت گام‌به‌گام 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؟

سیستم RAG در n8n به‌گونه‌ای طراحی شده است که تمامی مراحل دریافت، پردازش، ذخیره‌سازی و بازیابی اطلاعات را به‌صورت خودکار مدیریت کند.

هر زمان فایل جدیدی ایجاد شود یا یکی از فایل‌ها ویرایش گردد، Workflow فایل را دانلود کرده، متن آن را استخراج می‌کند، متن را به بخش‌های کوچک‌تر تقسیم می‌کند و برای هر بخش یک Embedding تولید می‌شود. سپس این اطلاعات در پایگاه داده برداری Pinecone ذخیره خواهند شد.

در مرحله بعد، زمانی که کاربر از طریق Chat Trigger سؤالی ارسال می‌کند، AI Agent ابتدا در Pinecone جستجو کرده، مرتبط‌ترین قسمت‌های اسناد را پیدا می‌کند و سپس با استفاده از مدل Google Gemini پاسخ نهایی را تولید می‌کند.

نکته مهم این است که مدل هوش مصنوعی به‌جای پاسخ دادن بر اساس اطلاعات عمومی، پاسخ خود را بر پایه اسناد واقعی سازمان ارائه می‌دهد. این موضوع دقت پاسخ‌ها را افزایش داده و احتمال تولید اطلاعات نادرست را کاهش می‌دهد.

به‌طور خلاصه، این Workflow یک پایگاه دانش هوشمند ایجاد می‌کند که همیشه با آخرین تغییرات Google Drive همگام باقی می‌ماند.

چت هوشمند اسناد با n8n

کاربردهای این Workflow

این Workflow تنها برای یک سناریوی خاص طراحی نشده و در بسیاری از کسب‌وکارها قابل استفاده است. برخی از مهم‌ترین کاربردهای آن عبارت‌اند از:

• ایجاد دستیار هوشمند برای پاسخ به سوالات کارکنان درباره قوانین و آیین‌نامه‌های شرکت

• ساخت پایگاه دانش داخلی برای تیم‌های فنی و پشتیبانی

• جستجوی سریع در میان هزاران سند ذخیره‌شده در Google Drive

• پاسخ‌گویی خودکار به سوالات منابع انسانی بر اساس مستندات شرکت

• ایجاد چت‌بات مبتنی بر اسناد آموزشی سازمان

• استفاده در شرکت‌های حقوقی برای جستجو در قراردادها و مستندات

• پاسخ‌دهی به سوالات مشتریان بر اساس فایل‌های راهنما

• مدیریت دانش در شرکت‌های بزرگ با حجم بالای مستندات

• ساخت موتور جستجوی معنایی برای اسناد داخلی

• به‌روزرسانی خودکار پایگاه دانش پس از ایجاد یا ویرایش فایل‌ها

پیش‌نیازهای اجرای Workflow

قبل از Import کردن این Template، لازم است موارد زیر را آماده کنید:

پیش‌نیاز	توضیحات
نصب n8n	نصب نسخه به‌روز n8n روی سرور یا سیستم شخصی
حساب Google	برای اتصال به Google Drive
Google Drive OAuth2 Credential	جهت دسترسی Workflow به فایل‌های Google Drive
Google AI API Key	برای استفاده از مدل‌های Google Gemini
حساب Pinecone	جهت ذخیره Embeddingها و جستجوی برداری
Pinecone Index	ایجاد یک Index برای ذخیره بردارهای متنی
پوشه اختصاصی Google Drive	محلی که اسناد سازمان در آن قرار می‌گیرند
Chat Trigger	برای دریافت سوالات کاربران
دسترسی اینترنت	جهت ارتباط با سرویس‌های ابری

آماده‌سازی صحیح این موارد باعث می‌شود چت هوشمند اسناد با n8n بدون خطا و با بهترین عملکرد اجرا شود.

همچنین پیشنهاد می‌شود قبل از اجرای Workflow، ساختار پوشه‌های Google Drive را مشخص کنید تا فقط اسناد موردنظر وارد پایگاه دانش شوند.

 

فایل JSON این Workflow را از این قسمت دانلود کنید.

رمز فایل: danixai.com

آموزش Import کردن Workflow

وارد داشبورد n8n شوید.

روی Import from File کلیک کنید.

فایل JSON را انتخاب کنید.

Workflow ایجاد خواهد شد.

Credentialهای موردنیاز را تنظیم کنید.

چت هوشمند اسناد با n8n

ساختار Workflow

این Template از دو بخش اصلی تشکیل شده است که به‌صورت مستقل اما مرتبط با یکدیگر عمل می‌کنند.

بخش اول: ساخت و به‌روزرسانی پایگاه دانش

Google Drive File Created

↓

Google Drive File Updated

↓

Download File From Google Drive

↓

Default Data Loader

↓

Recursive Character Text Splitter

↓

Embeddings Google Gemini

↓

Pinecone Vector Store

در این بخش، هر فایل جدید یا ویرایش شده از Google Drive دریافت می‌شود، متن آن استخراج شده، به قطعات کوچک تقسیم می‌شود و پس از تولید Embedding در پایگاه داده Pinecone ذخیره می‌شود.

بخش دوم: پاسخ‌گویی هوشمند به سوالات

When Chat Message Received

↓

AI Agent

↓

Window Buffer Memory

↓

Google Gemini Chat Model

↓

Vector Store Tool

↓

Pinecone Vector Store (Retrieval)

↓

Embeddings Google Gemini (Retrieval)

↓

Google Gemini Chat Model (Retrieval)

در این مسیر، AI Agent ابتدا سؤال کاربر را دریافت می‌کند، سپس از طریق Vector Store Tool در میان اسناد ذخیره‌شده جستجو انجام می‌دهد، اطلاعات مرتبط را بازیابی می‌کند و در نهایت با کمک مدل Google Gemini پاسخ نهایی را تولید می‌کند.

این معماری باعث می‌شود پاسخ‌های تولیدشده بر اساس محتوای واقعی اسناد سازمان باشند، نه صرفاً دانش عمومی مدل هوش مصنوعی.

آموزش کامل Nodeهای Workflow

برای درک بهتر عملکرد سیستم RAG در n8n، لازم است نقش هر Node را به‌صورت جداگانه بررسی کنیم. این قسمت، هسته اصلی ساخت پایگاه دانش در این Workflow محسوب می‌شود.

1.Google Drive File Created

وظیفه Node

این Node به‌عنوان Trigger عمل می‌کند و پوشه مشخص‌شده در Google Drive را به‌صورت مداوم بررسی می‌کند. هر زمان فایل جدیدی داخل این پوشه ایجاد شود، Workflow به‌صورت خودکار اجرا خواهد شد.

در Template حاضر، این Trigger برای یک پوشه اختصاصی در Google Drive تنظیم شده است تا تنها فایل‌های همان مسیر پردازش شوند.

ورودی

این Node ورودی ندارد و آغازکننده Workflow است.

خروجی

اطلاعات فایل جدید از جمله:

• شناسه فایل (File ID)

• نام فایل

• نوع فایل

• زمان ایجاد

• اطلاعات پوشه

این اطلاعات به Node بعدی ارسال می‌شوند.

تنظیمات مهم

• انتخاب پوشه موردنظر

• نوع رویداد (File Created)

• فاصله زمانی بررسی پوشه

• نوع فایل‌های قابل پردازش

نکات قابل تغییر

• تغییر پوشه Google Drive

• محدود کردن پردازش به فرمت‌هایی مانند PDF یا DOCX

• افزایش یا کاهش زمان بررسی پوشه

دلیل استفاده در Workflow

بدون این Trigger لازم بود فایل‌ها به‌صورت دستی وارد سیستم شوند. این Node کل فرآیند را خودکار کرده و هر سند جدید را بلافاصله وارد چرخه پردازش می‌کند.

2.Google Drive File Updated

وظیفه Node

این Trigger مسئول تشخیص تغییرات فایل‌های موجود است.

اگر یکی از اسناد شرکت ویرایش شود، نسخه جدید آن دوباره پردازش شده و اطلاعات به‌روز وارد Vector Store خواهد شد.

به همین دلیل پایگاه دانش همیشه آخرین نسخه اسناد را در اختیار AI قرار می‌دهد.

ورودی

این Node نیز ورودی ندارد.

خروجی

اطلاعات فایل ویرایش‌شده شامل:

• File ID

• نام فایل

• زمان آخرین ویرایش

• سایر متادیتا

تنظیمات مهم

• انتخاب پوشه

• رویداد File Updated

• زمان Polling

نکات قابل تغییر

• تغییر پوشه تحت نظارت

• افزایش فاصله بررسی برای کاهش مصرف منابع

دلیل استفاده در Workflow

یکی از مشکلات رایج سیستم‌های RAG قدیمی، قدیمی شدن اطلاعات است. این Trigger باعث می‌شود هر تغییری در اسناد، بدون دخالت کاربر وارد پایگاه دانش شود.

3.Download File From Google Drive

وظیفه Node

پس از شناسایی فایل جدید یا فایل ویرایش‌شده، این Node نسخه واقعی فایل را از Google Drive دانلود می‌کند.

در واقع Triggerها تنها اطلاعات فایل را ارسال می‌کنند و متن فایل هنوز در اختیار Workflow نیست.

این Node فایل را به‌صورت Binary دریافت کرده و برای استخراج متن آماده می‌کند.

ورودی

اطلاعات فایل شامل:

• File ID

• File Name

خروجی

فایل دانلودشده به‌صورت Binary

تنظیمات مهم

• Operation روی Download

• دریافت File ID از Trigger

• ذخیره نام فایل

نکات قابل تغییر

• دانلود نسخه خاص فایل

• دریافت فایل از Shared Drive

• استفاده از مسیرهای داینامیک

دلیل استفاده در Workflow

تمام Nodeهای بعدی روی محتوای واقعی فایل کار می‌کنند، بنابراین ابتدا باید فایل دانلود شود.

4.Default Data Loader

وظیفه Node

این Node فایل Binary را خوانده و متن قابل پردازش را استخراج می‌کند.

فرقی ندارد فایل PDF باشد یا Word یا TXT؛ این Node مسئول تبدیل فایل به داده متنی است.

ورودی

فایل Binary

خروجی

متن استخراج‌شده

تنظیمات مهم

• نوع داده Binary

• انتخاب فیلد Binary

• تنظیم Data Type

نکات قابل تغییر

• انتخاب فیلدهای مختلف Binary

• استفاده از Loaderهای اختصاصی برای فرمت‌های خاص

دلیل استفاده در Workflow

مدل‌های زبانی و Embedding نمی‌توانند فایل خام را پردازش کنند؛ آن‌ها به متن نیاز دارند. این Node این تبدیل را انجام می‌دهد.

5.Recursive Character Text Splitter

وظیفه Node

هوش مصنوعی نمی‌تواند فایل‌های بسیار بزرگ را یکجا پردازش کند.

به همین دلیل این Node متن را به بخش‌های کوچک‌تر تقسیم می‌کند.

در این Workflow برای هر بخش نیز میزان مشخصی همپوشانی (Overlap) در نظر گرفته شده تا ارتباط معنایی بین قطعات حفظ شود.

ورودی

متن استخراج‌شده

خروجی

چندین Chunk متنی

تنظیمات مهم

• اندازه Chunk

• مقدار Chunk Overlap

• روش تقسیم متن

نکات قابل تغییر

• افزایش اندازه Chunk برای مقالات بلند

• کاهش Overlap جهت افزایش سرعت

• استفاده از روش‌های مختلف تقسیم متن

دلیل استفاده در Workflow

اگر متن به بخش‌های مناسب تقسیم نشود، کیفیت جستجوی معنایی و پاسخ‌های AI به‌شدت کاهش پیدا می‌کند.

6.Embeddings Google Gemini

وظیفه Node

این Node هر Chunk متنی را به یک بردار عددی (Embedding) تبدیل می‌کند.

Embedding نمایش ریاضی مفهوم متن است و امکان جستجوی معنایی را فراهم می‌کند.

به‌جای جستجوی کلمات، سیستم مفهوم متن را جستجو می‌کند.

ورودی

Chunkهای متنی

خروجی

Embedding هر بخش

تنظیمات مهم

• انتخاب مدل Embedding

• Credential مربوط به Google Gemini

• تنظیمات API

نکات قابل تغییر

• استفاده از مدل‌های جدیدتر Embedding

• جایگزینی با سرویس‌هایی مانند OpenAI یا سایر ارائه‌دهندگان در صورت نیاز

دلیل استفاده در Workflow

بدون تولید Embedding، امکان ذخیره اطلاعات در پایگاه داده برداری وجود نخواهد داشت و قابلیت جستجوی معنایی از بین می‌رود.

7.Pinecone Vector Store

وظیفه Node

این Node مقصد نهایی اطلاعات پردازش‌شده است.

پس از تولید Embedding، تمامی بردارها همراه با متن و متادیتا داخل پایگاه داده Pinecone ذخیره می‌شوند.

از این لحظه، اسناد آماده جستجوی معنایی خواهند بود.

ورودی

• Embedding

• متن هر Chunk

• متادیتای فایل

خروجی

ثبت موفق اطلاعات در Index

تنظیمات مهم

• انتخاب Index

• Credential مربوط به Pinecone

• حالت Insert

نکات قابل تغییر

• تغییر Index

• استفاده از Namespaceهای مختلف

• تغییر استراتژی ذخیره‌سازی

دلیل استفاده در Workflow

Pinecone یکی از سریع‌ترین پایگاه‌های داده برداری است و امکان جستجوی میلیون‌ها بردار را با سرعت بسیار بالا فراهم می‌کند؛ به همین دلیل انتخاب مناسبی برای سیستم‌های RAG محسوب می‌شود.

8.When Chat Message Received

وظیفه Node

این Node نقطه شروع بخش گفت‌وگو با کاربر است. هر زمان کاربری پیامی ارسال کند، Workflow از این نقطه اجرا می‌شود و متن سؤال برای پردازش به AI Agent ارسال خواهد شد.

در عمل، این Node مانند دروازه ورود کاربران به سیستم RAG عمل می‌کند.

ورودی

این Node منتظر دریافت پیام از کاربر است و ورودی مستقیمی از Node دیگری ندارد.

خروجی

پس از دریافت پیام، اطلاعاتی مانند موارد زیر تولید می‌شود:

• متن سؤال

• شناسه گفتگو

• اطلاعات کاربر (در صورت وجود)

• شناسه Session

تنظیمات مهم

• فعال بودن Chat Trigger

• تنظیم Session

• نحوه مدیریت گفتگوها

نکات قابل تغییر

• اتصال به رابط کاربری اختصاصی

• استفاده از Chat Widget

• اتصال به APIهای خارجی

• مدیریت کاربران مختلف

دلیل استفاده در Workflow

بدون این Node امکان دریافت سؤال از کاربران وجود نخواهد داشت و Workflow تنها قادر به پردازش اسناد خواهد بود.

9.AI Agent

وظیفه Node

AI Agent مهم‌ترین بخش این Template محسوب می‌شود.

این Node تصمیم می‌گیرد برای پاسخ به سؤال کاربر از چه ابزارهایی استفاده کند، چه زمانی اطلاعات را از Vector Store دریافت کند و چگونه پاسخ نهایی را تولید نماید.

در این Workflow برای Agent یک System Prompt تعریف شده است که نقش یک دستیار منابع انسانی را ایفا می‌کند. هدف Agent این است که پاسخ‌ها را تنها بر اساس اسناد داخلی شرکت ارائه دهد و اگر اطلاعاتی در اسناد موجود نبود، به‌جای حدس زدن، اعلام کند که پاسخ در منابع موجود یافت نشد.

این رویکرد احتمال تولید اطلاعات نادرست (Hallucination) را تا حد زیادی کاهش می‌دهد.

ورودی

• سؤال کاربر

• حافظه گفتگو

• ابزار Vector Store

• مدل زبانی Gemini

خروجی

پاسخ نهایی تولیدشده برای کاربر

تنظیمات مهم

• System Prompt

• ابزارهای متصل به Agent

• مدل زبانی

• حافظه گفتگو

• تنظیمات پاسخ

نکات قابل تغییر

• تغییر نقش Agent

• تغییر زبان پاسخ‌ها

• افزودن قوانین جدید

• محدود کردن نوع پاسخ‌ها

• اتصال ابزارهای بیشتر

دلیل استفاده در Workflow

AI Agent تمام اجزای Workflow را به یکدیگر متصل می‌کند و تصمیم می‌گیرد چه زمانی باید از پایگاه دانش استفاده شود.

10.Window Buffer Memory

وظیفه Node

این Node حافظه کوتاه‌مدت گفتگو را مدیریت می‌کند.

اگر کاربر چند سؤال پشت سر هم بپرسد، Agent می‌تواند مکالمات قبلی را نیز در نظر بگیرد و پاسخ‌های دقیق‌تر و طبیعی‌تری ارائه دهد.

ورودی

پیام‌های قبلی گفتگو

خروجی

تاریخچه مکالمه

تنظیمات مهم

• تعداد پیام‌های ذخیره‌شده

• اندازه حافظه

• Session

نکات قابل تغییر

• افزایش حافظه

• کاهش حافظه برای صرفه‌جویی در منابع

• استفاده از حافظه‌های پیشرفته‌تر

دلیل استفاده در Workflow

بدون حافظه، هر سؤال مستقل از سؤال قبلی پردازش می‌شود و کیفیت مکالمه کاهش پیدا می‌کند.

11.Google Gemini Chat Model

وظیفه Node

این Node مدل زبانی اصلی Workflow است.

پس از اینکه Agent اطلاعات مرتبط را پیدا کرد، پاسخ نهایی با استفاده از مدل Google Gemini تولید می‌شود.

ورودی

• سؤال کاربر

• اطلاعات بازیابی‌شده

• Prompt

• حافظه گفتگو

خروجی

پاسخ نهایی

تنظیمات مهم

• انتخاب مدل

• Credential

• تنظیمات تولید متن

نکات قابل تغییر

• استفاده از مدل‌های جدیدتر Gemini

• تغییر پارامترهای تولید متن

• جایگزینی با سایر مدل‌های سازگار

دلیل استفاده در Workflow

این Node مسئول تولید پاسخ نهایی با زبانی روان و قابل فهم است.

12.Vector Store Tool

وظیفه Node

این Node ارتباط بین AI Agent و پایگاه داده برداری را برقرار می‌کند.

هر زمان Agent نیاز به اطلاعات جدید داشته باشد، درخواست خود را از طریق این ابزار ارسال می‌کند.

ورودی

عبارت جستجوی تولیدشده توسط Agent

خروجی

اسناد مرتبط

تنظیمات مهم

• نام ابزار

• توضیحات ابزار

• اتصال به Vector Store

نکات قابل تغییر

• تغییر نام Tool

• اتصال چند پایگاه دانش

• افزودن ابزارهای دیگر

دلیل استفاده در Workflow

این Node باعث می‌شود Agent بتواند بدون دانستن جزئیات پایگاه داده، تنها از طریق یک ابزار استاندارد به اطلاعات دسترسی داشته باشد.

13.Pinecone Vector Store (Retrieval)

وظیفه Node

این Node نسخه جستجوی پایگاه داده برداری است.

برخلاف Node قبلی که اطلاعات را ذخیره می‌کرد، این Node وظیفه بازیابی اسناد مرتبط را بر عهده دارد.

ورودی

Embedding سؤال کاربر

خروجی

لیستی از نزدیک‌ترین اسناد

تنظیمات مهم

• انتخاب Index

• Namespace

• تعداد نتایج بازیابی

نکات قابل تغییر

• افزایش تعداد نتایج

• استفاده از Namespaceهای مختلف

• فیلتر کردن اسناد

دلیل استفاده در Workflow

بدون این Node، سیستم نمی‌تواند اطلاعات ذخیره‌شده را پیدا کند.

14.Embeddings Google Gemini (Retrieval)

وظیفه Node

قبل از جستجو در Pinecone، سؤال کاربر نیز باید به Embedding تبدیل شود.

این Node دقیقاً همین کار را انجام می‌دهد.

ورودی

متن سؤال

خروجی

Embedding سؤال

تنظیمات مهم

• مدل Embedding

• Credential

نکات قابل تغییر

• تغییر مدل

• استفاده از سرویس دیگر

دلیل استفاده در Workflow

جستجوی برداری تنها زمانی امکان‌پذیر است که سؤال و اسناد هر دو در فضای برداری یکسان قرار داشته باشند.

15.Google Gemini Chat Model (Retrieval)

وظیفه Node

این Node در کنار Vector Store Tool قرار گرفته و در فرآیند تولید پاسخ مبتنی بر اطلاعات بازیابی‌شده نقش دارد.

پس از اینکه اسناد مرتبط پیدا شدند، این مدل زبانی از آن اطلاعات برای تولید پاسخ نهایی استفاده می‌کند.

ورودی

• اسناد بازیابی‌شده

• سؤال کاربر

خروجی

متن پاسخ

تنظیمات مهم

• مدل Gemini

• تنظیمات پاسخ

نکات قابل تغییر

• تغییر نسخه مدل

• تنظیم دمای تولید متن (Temperature)

• محدود کردن طول پاسخ

دلیل استفاده در Workflow

تفکیک فرآیند بازیابی اطلاعات از فرآیند تولید پاسخ باعث می‌شود ساختار Workflow خواناتر، توسعه‌پذیرتر و نگهداری آن ساده‌تر باشد.

نحوه اتصال Nodeها به یکدیگر

این Workflow از دو مسیر مجزا تشکیل شده است که در نهایت به یک سیستم RAG کامل تبدیل می‌شوند.

مسیر اول (ایجاد پایگاه دانش):

Google Drive Trigger

↓

Download File

↓

Default Data Loader

↓

Recursive Character Text Splitter

↓

Google Gemini Embeddings

↓

Pinecone Vector Store

مسیر دوم (پاسخ‌گویی هوشمند):

Chat Trigger

↓

AI Agent

↓

Window Buffer Memory

↓

Google Gemini Chat Model

↓

Vector Store Tool

↓

Pinecone Retrieval

↓

Gemini Embeddings (Retrieval)

↓

Google Gemini Chat Model (Retrieval)

این معماری باعث می‌شود ورود اسناد و پاسخ‌گویی به کاربران از یکدیگر مستقل باشند. در نتیجه، هر تغییری در فایل‌های Google Drive به‌صورت خودکار پایگاه دانش را به‌روزرسانی می‌کند و کاربران همیشه پاسخ‌هایی مبتنی بر جدیدترین اطلاعات دریافت خواهند کرد.

چت هوشمند اسناد با n8n

نحوه شخصی‌سازی Workflow

یکی از مهم‌ترین مزایای چت هوشمند اسناد با n8n، انعطاف‌پذیری بالای آن است. تقریباً تمام بخش‌های Workflow را می‌توان متناسب با نیاز هر سازمان یا پروژه تغییر داد. در ادامه مهم‌ترین بخش‌هایی که قابلیت شخصی‌سازی دارند را بررسی می‌کنیم.

تغییر Promptهای AI Agent

پیام سیستمی (System Prompt) تعیین می‌کند که Agent چگونه رفتار کند و پاسخ‌ها را با چه لحن و قوانینی ارائه دهد. با ویرایش این بخش می‌توانید Workflow را برای کاربردهای مختلف آماده کنید، از جمله:

• دستیار منابع انسانی

• چت‌بات پشتیبانی مشتریان

• دستیار فنی

• پایگاه دانش تیم توسعه

• پاسخ‌گویی به اسناد حقوقی

• جستجو در مستندات آموزشی

• راهنمای داخلی شرکت

همچنین می‌توانید قوانین اختصاصی مانند نحوه پاسخ‌گویی، زبان پاسخ، محدودیت‌های امنیتی یا ارجاع به منابع خاص را نیز در Prompt تعریف کنید.

تغییر مدل هوش مصنوعی

در این Workflow از Google Gemini استفاده شده است، اما بسته به نیاز پروژه می‌توانید مدل یا ارائه‌دهنده سرویس را تغییر دهید.

برای مثال:

• استفاده از نسخه‌های جدیدتر Gemini

• استفاده از مدل‌های سریع‌تر برای کاهش هزینه

• جایگزینی با مدل‌های دیگر سازگار با n8n

• انتخاب مدل‌های قدرتمندتر برای تحلیل اسناد حجیم

انتخاب مدل مناسب به حجم اسناد، بودجه و کیفیت مورد انتظار بستگی دارد.

تغییر سرویس ذخیره‌سازی برداری

اگرچه Pinecone یکی از محبوب‌ترین پایگاه‌های داده برداری است، اما در صورت نیاز می‌توان از سرویس‌های دیگری که توسط n8n پشتیبانی می‌شوند نیز استفاده کرد. در این صورت تنها کافی است Node مربوط به Vector Store و Credentialها را جایگزین کنید.

تغییر Triggerها

در این Template، اسناد از Google Drive دریافت می‌شوند؛ اما این تنها گزینه موجود نیست. می‌توانید Triggerهای دیگری را جایگزین کنید تا اطلاعات از منابع مختلف وارد سیستم شوند، مانند:

• Webhook

• Dropbox

• OneDrive

• Amazon S3

• FTP

• ایمیل

• فرم‌های آنلاین

• سایر سرویس‌های ابری

تغییر ساختار اسناد

در صورت نیاز می‌توانید Workflow را طوری تنظیم کنید که فقط فایل‌های خاصی پردازش شوند. برای مثال:

• فقط فایل‌های PDF

• فقط فایل‌های Word

• فقط فایل‌های متنی

• اسناد دارای برچسب مشخص

• فایل‌های موجود در پوشه‌های خاص

این کار باعث افزایش سرعت پردازش و کاهش مصرف منابع خواهد شد.

تغییر تنظیمات تقسیم متن

اندازه Chunk و مقدار هم‌پوشانی (Overlap) نقش مهمی در کیفیت جستجوی معنایی دارند.

اگر اسناد شما طولانی هستند، می‌توانید اندازه Chunk را افزایش دهید. در مقابل، برای اسناد کوتاه‌تر کاهش اندازه Chunk معمولاً نتایج دقیق‌تری ایجاد می‌کند.

تغییر مسیر اجرای Workflow

در صورت نیاز می‌توانید Nodeهای دیگری به Workflow اضافه کنید؛ برای مثال:

• ارسال اعلان پس از پردازش فایل

• ذخیره گزارش اجرا

• ثبت اطلاعات در پایگاه داده

• ارسال لاگ به Slack یا Discord

• اطلاع‌رسانی از طریق ایمیل

• بررسی مجوزهای دسترسی قبل از پردازش

این انعطاف‌پذیری باعث می‌شود Template برای سناریوهای مختلف سازمانی قابل استفاده باشد.

مزایای استفاده از این Workflow

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

• به‌روزرسانی خودکار پایگاه دانش پس از ایجاد یا ویرایش اسناد

• حذف نیاز به بارگذاری دستی فایل‌ها

• جستجوی معنایی به‌جای جستجوی صرفاً مبتنی بر کلمات کلیدی

• کاهش زمان دسترسی به اطلاعات موردنیاز

• مقیاس‌پذیری برای هزاران یا حتی میلیون‌ها سند

• امکان توسعه و شخصی‌سازی آسان

• استفاده از معماری کاملاً بدون کدنویسی (Low-Code)

• جداسازی فرآیند ایندکس‌گذاری از فرآیند پاسخ‌گویی

• مناسب برای تیم‌های کوچک و سازمان‌های بزرگ

• استفاده از سیستم RAG در n8n، دقت پاسخ‌های هوش مصنوعی را نیز بهبود می‌دهد.

نکات مهم

رعایت نکات زیر باعث می‌شود سیستم RAG در n8n عملکرد پایدارتری داشته باشد و نتایج دقیق‌تری ارائه دهد:

1. از ساختار پوشه‌بندی منظم در Google Drive استفاده کنید.

2. فایل‌های تکراری را حذف کنید تا نتایج جستجو دقیق‌تر باشند.

3. از مدل Embedding یکسان برای ذخیره‌سازی و بازیابی استفاده کنید.

4. به‌صورت دوره‌ای وضعیت Index در Pinecone را بررسی کنید.

5. در صورت ویرایش گسترده اسناد، فرآیند ایندکس‌گذاری را مجدداً اجرا کنید.

6. Promptهای AI Agent را متناسب با نیاز سازمان شخصی‌سازی کنید.

7. دسترسی کاربران به اسناد حساس را مدیریت کنید.

8. مصرف API و هزینه سرویس‌های ابری را به‌صورت منظم کنترل کنید.

9. از فایل‌های با کیفیت و متن قابل استخراج استفاده کنید.

10. پیش از انتقال Workflow به محیط عملیاتی، آن را با مجموعه‌ای از پرسش‌های واقعی آزمایش کنید.

خطاهای رایج (Troubleshooting)

هنگام پیاده‌سازی چت هوشمند اسناد با n8n ممکن است با برخی خطاهای متداول روبه‌رو شوید که در ادامه راه‌حل آن‌ها را بررسی می‌کنیم:

1.فایل‌های جدید وارد پایگاه دانش نمی‌شوند.

علت:
تنظیم نبودن Google Drive Trigger یا انتخاب پوشه اشتباه.

راه‌حل:
مسیر پوشه، Credential و وضعیت Trigger را بررسی کنید و از فعال بودن Workflow اطمینان حاصل نمایید.

2.خطای Authentication در Google Drive

علت:
منقضی شدن یا تنظیم نادرست OAuth2.

راه‌حل:
Credential مربوط به Google Drive را دوباره احراز هویت (Re-authenticate) کنید.

3.خطای اتصال به Pinecone

علت:
API Key اشتباه، انتخاب Index نادرست یا وجود نداشتن Index.

راه‌حل:
کلید API، نام Index و Region پروژه را بررسی کرده و از ایجاد صحیح Index اطمینان حاصل کنید.

4.پاسخ‌های نامرتبط از AI

علت:
کیفیت پایین Embeddingها، تنظیمات نامناسب Text Splitter یا Prompt نامناسب.

راه‌حل:
اندازه Chunk، مقدار Overlap و متن System Prompt را بازبینی و در صورت نیاز اصلاح کنید.

5.مدل Gemini پاسخ تولید نمی‌کند.

علت:
اعتبار API Key منقضی شده، محدودیت سهمیه (Quota) یا انتخاب مدل نامعتبر.

راه‌حل:
وضعیت API، سهمیه مصرف و تنظیمات مدل را بررسی کرده و در صورت نیاز از مدل یا کلید معتبر استفاده کنید.

جمع‌بندی

چت هوشمند اسناد با n8n یکی از کاربردی‌ترین روش‌ها برای تبدیل اسناد سازمانی به یک پایگاه دانش هوشمند است. این Workflow با ترکیب Google Drive، Google Gemini و Pinecone، فرآیند دریافت، پردازش، ذخیره‌سازی و جستجوی اطلاعات را به‌صورت کاملاً خودکار انجام می‌دهد و کاربران را قادر می‌سازد پاسخ پرسش‌های خود را مستقیماً از اسناد واقعی سازمان دریافت کنند.

معماری این Template به‌گونه‌ای طراحی شده است که بخش ایندکس‌گذاری اسناد و بخش پاسخ‌گویی به کاربران از یکدیگر مستقل باشند. این موضوع علاوه بر افزایش سرعت و پایداری سیستم، توسعه و نگهداری آن را نیز ساده‌تر می‌کند. همچنین استفاده از روش Retrieval-Augmented Generation باعث می‌شود مدل هوش مصنوعی به‌جای تکیه بر دانش عمومی، پاسخ‌های خود را بر اساس مستندات به‌روز سازمان ارائه دهد.

اگر به‌دنبال راهکاری برای مدیریت دانش، پاسخ‌گویی هوشمند به کارکنان، جستجوی سریع در اسناد یا ساخت یک دستیار مبتنی بر هوش مصنوعی هستید، این سیستم RAG در n8n می‌تواند نقطه شروع مناسبی باشد. با اعمال تغییرات جزئی در Promptها، مدل هوش مصنوعی و منابع داده، می‌توانید این Workflow را برای طیف گسترده‌ای از کاربردهای سازمانی و تجاری شخصی‌سازی کنید.

سوالات متداول

1.آیا این Workflow فقط با Google Drive کار می‌کند؟

خیر. اگرچه این Template از Google Drive استفاده می‌کند، اما می‌توان آن را برای سرویس‌های ذخیره‌سازی دیگری که n8n از آن‌ها پشتیبانی می‌کند نیز سفارشی‌سازی کرد.

2.آیا استفاده از Pinecone الزامی است؟

خیر. Pinecone یکی از بهترین گزینه‌ها برای جستجوی برداری است، اما در صورت نیاز می‌توان از سایر Vector Databaseهای سازگار با n8n نیز استفاده کرد.

3.آیا می‌توان از مدل دیگری به‌جای Google Gemini استفاده کرد؟

بله. در صورت پشتیبانی n8n، امکان جایگزینی مدل زبانی و مدل Embedding با سرویس‌های دیگر وجود دارد.

4.آیا فایل‌های جدید به‌صورت خودکار پردازش می‌شوند؟

بله. با فعال بودن Triggerهای Google Drive، هر فایل جدید یا فایل ویرایش‌شده به‌صورت خودکار وارد فرآیند پردازش و ایندکس‌گذاری می‌شود.

5.آیا این Workflow برای اسناد فارسی نیز مناسب است؟

بله. در صورتی که متن فایل‌ها به‌درستی استخراج شود و مدل هوش مصنوعی از زبان فارسی پشتیبانی کند، این Workflow می‌تواند اسناد فارسی را نیز پردازش کرده و بر اساس آن‌ها پاسخ ارائه دهد.

6.آیا این Template برای شرکت‌های بزرگ مناسب است؟

بله. به دلیل استفاده از پایگاه داده برداری و معماری RAG، این Workflow برای سازمان‌هایی با حجم بالای اسناد نیز مناسب است و با بهینه‌سازی تنظیمات، می‌تواند در مقیاس‌های بزرگ مورد استفاده قرار گیرد.

GIT