ساخت سیستم چت با n8n

مقدمه

ساخت سیستم چت با n8n:آموزش ساخت سیستم چت با فایل‌ها در n8n با Pinecone و OpenAI (پیاده‌سازی RAG Workflow)

در دنیای امروز که حجم داده‌ها به‌سرعت در حال افزایش است، داشتن یک سیستم هوشمند برای جستجو و پاسخ‌گویی به اطلاعات درون فایل‌ها یک نیاز جدی محسوب می‌شود. یکی از بهترین روش‌ها برای پیاده‌سازی این قابلیت، استفاده از معماری RAG (Retrieval-Augmented Generation) است. در این مقاله قصد داریم به‌صورت کامل و عملی، فرآیند ساخت چت با فایل‌ها در n8n را بررسی کنیم؛ سیستمی که با استفاده از آن می‌توانید اسناد، فایل‌ها یا محتوای ذخیره‌شده در Google Drive را به یک پایگاه دانش هوشمند تبدیل کنید.

تو این Workflow:

در این Workflow، از سرویس‌های قدرتمندی مانند Google برای ذخیره فایل‌ها، OpenAI برای تولید Embedding و مدل زبانی، و Pinecone برای ذخیره‌سازی برداری استفاده شده است. این ترکیب به شما اجازه می‌دهد تا یک سیستم پرسش و پاسخ هوشمند بسازید که به‌جای جستجوی ساده، مفهوم سوال را درک کرده و پاسخ دقیق ارائه دهد.
در ادامه این مقاله، تمام اجزای Workflow، نحوه کارکرد Nodeها، کاربردها، مزایا و حتی خطاهای احتمالی را به‌صورت کامل بررسی خواهیم کرد تا بتوانید این سیستم را در پروژه‌های واقعی خود پیاده‌سازی کنید.

ساخت سیستم چت با n8n

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؟

این Workflow یک سیستم کامل مبتنی بر RAG است که دو بخش اصلی دارد:

در بخش اول، یک فایل از Google Drive دریافت می‌شود، سپس محتوای آن به بخش‌های کوچک‌تر (Chunk) تقسیم شده و به‌وسیله مدل Embedding به بردارهای عددی تبدیل می‌شود. این بردارها در پایگاه داده Pinecone ذخیره می‌شوند.

در بخش دوم، کاربر یک سؤال مطرح می‌کند. سؤال به بردار تبدیل شده و سیستم در بین داده‌های ذخیره‌شده در Pinecone جستجو می‌کند. سپس مرتبط‌ترین بخش‌های متن بازیابی شده و همراه با سؤال کاربر به مدل زبانی OpenAI ارسال می‌شود تا پاسخ نهایی تولید شود.
در واقع، این Workflow باعث می‌شود بتوانید با فایل‌های خود مثل یک چت‌بات هوشمند صحبت کنید.

کاربردهای این Workflow

این سیستم کاربردهای گسترده‌ای دارد، از جمله:

ساخت چت‌بات پاسخ‌گو به اسناد داخلی شرکتجستجوی هوشمند در فایل‌های آموزشی و PDFایجاد دستیار دانش برای تیم‌های پشتیبانیتحلیل خودکار مستندات فنی و API Documentationاستفاده در سیستم‌های مدیریت دانش (Knowledge Base)ساخت ابزار آموزشی تعاملی برای دانشجویان و سازمان‌هاپیش‌نیازها

برای اجرای این Workflow به موارد زیر نیاز دارید:

نصب و راه‌اندازی n8nحساب کاربری در OpenAI و دریافت API Keyحساب Pinecone و ایجاد Vector Index با ابعاد 1536دسترسی به Google Drive و فایل موردنظرتنظیم Credentialهای Google Drive در n8nتنظیم Credentialهای Pinecone در n8nدسترسی به اینترنت برای ارتباط با APIهاایجاد Workflow در محیط n8nدانلود Template

ساخت سیستم چت با n8n

فایل JSON این Workflow را از این قسمت دانلود کنید.

پسوورد فایل فشرده: danixai.com

 

آموزش Import کردن Workflow

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

Google Drive Node

وظیفه: دانلود فایل از Google Drive

ورودی: لینک فایل

خروجی: فایل باینری

تنظیمات مهم: File ID یا URL

دلیل استفاده: تأمین داده اولیه از فضای ابری

 

Set Node (Set Google Drive file URL)

وظیفه: تعریف لینک فایل

ورودی: مقدار ثابت URL

خروجی: داده ساختاریافته

دلیل استفاده: ساده‌سازی مدیریت ورودی‌ها

Recursive Character Text Splitter

Default Data Loader

وظیفه: تبدیل فایل به ساختار قابل پردازش

ورودی: فایل باینری

خروجی: متن قابل استفاده

دلیل استفاده: استانداردسازی داده قبل از Embedding

Embeddings OpenAI

Insert into Pinecone Vector Store

وظیفه: ذخیره بردارها

ورودی: Embedding + متن

خروجی: ذخیره در پایگاه برداری

دلیل استفاده: ساخت دیتابیس هوشمند

Read Pinecone Vector Store

وظیفه: خواندن داده‌های ذخیره‌شده

ورودی: درخواست جستجو

خروجی: داده‌های مرتبط

دلیل استفاده: بازیابی اطلاعات

Vector Store Retriever

وظیفه: جستجوی معنایی در Pinecone

ورودی: Embedding Query

خروجی: مرتبط‌ترین Chunkها

دلیل استفاده: هسته اصلی

RAGOpenAI Chat Model

وظیفه: تولید پاسخ نهایی

ورودی: سؤال + Context

خروجی: پاسخ متنی

دلیل استفاده: تولید پاسخ انسانی

Question and Answer Chain

وظیفه: مدیریت کل فرآیند RAG

ورودی: سؤال کاربر

خروجی: پاسخ نهایی

دلیل استفاده: هماهنگ‌کننده کل سیستم

Chat Trigger

وظیفه: دریافت پیام کاربر

ورودی: پیام چت

خروجی: Query برای سیستم

دلیل استفاده: شروع تعامل کاربر

Manual Trigger

وظیفه: اجرای تست Workflow

کاربرد: بارگذاری اولیه داده‌ها

 

نحوه شخصی‌سازی Workflow

• تغییر Prompt مدل OpenAI برای سبک پاسخ‌دهی
• تغییر مدل زبانی در OpenAI
• تغییر API یا Index در Pinecone
• تغییر Chunk Size برای بهبود دقت جستجو
• تغییر Trigger از Chat به Webhook یا Schedule
• تغییر فایل منبع از Google Drive به API دیگر
• تغییر مسیر Retrieval برای کنترل Context
• اضافه کردن شرط‌ها با IF Node
• مزایای استفاده از این Workflow
• امکان ساخت سیستم چت با فایل‌ها در n8n بدون کدنویسی سنگین
• افزایش دقت پاسخ‌ها با استفاده از RAG
• کاهش مصرف توکن در مدل‌های زبانی
• قابلیت اتصال به منابع مختلف داده
• مقیاس‌پذیری بالا با Pinecone
• مناسب برای سیستم‌های سازمانی و آموزشی

نکات مهم

• اندازه Chunk تأثیر مستقیم روی کیفیت پاسخ دارد.
• API Keyهای OpenAI باید امن نگه‌داری شوند.
• Index در Pinecone باید قبل از اجرا ساخته شود.
• Embedding Model باید ثابت باشد.
• داده‌های حجیم ممکن است نیاز به تقسیم‌بندی بیشتر داشته باشند.
• Chat Trigger فقط در حالت Live فعال می‌شود.
• Clear Namespace در Pinecone می‌تواند داده‌ها را حذف کند.
• بهتر است فایل‌های غیرساختاریافته را قبل از ورود تمیز کنید.

ساخت سیستم چت با n8n

خطاهای رایج (Troubleshooting)

1. خطای عدم اتصال به Pinecone

علت: API Key اشتباه

راه‌حل: بررسی Credentialها

2. عدم تولید Embedding

علت: محدودیت API OpenAI

راه‌حل: بررسی Quota و key

3. بازیابی نتایج نامرتبط

علت: Chunk Size نامناسب

راه‌حل: تنظیم مجدد Text Splitter

4. خطای Google Drive Download

علت: دسترسی محدود فایل

راه‌حل: تغییر سطح دسترسی فایل

5. عدم پاسخ‌دهی Chat

علت: عدم اتصال Retriever

راه‌حل: بررسی Vector Store Retriever

 

ساخت سیستم چت با n8n

جمع‌بندی

در این مقاله به‌صورت کامل با ساخت یک سیستم پیشرفته چت با فایل‌ها در n8n آشنا شدیم. این Workflow با استفاده از معماری RAG و ترکیب ابزارهایی مانند Google Drive، OpenAI و Pinecone، یک سیستم هوشمند برای جستجو و پاسخ‌گویی به اسناد ایجاد می‌کند.

با این روش می‌توانید هر نوع فایل متنی را به یک منبع دانش قابل مکالمه تبدیل کنید. این سیستم نه‌تنها برای پروژه‌های شخصی، بلکه برای سازمان‌ها و کسب‌وکارها نیز کاربردی است. در نهایت، با تنظیم درست Nodeها و بهینه‌سازی Chunkها و Embeddingها، می‌توان یک دستیار هوشمند بسیار قدرتمند ساخت که دقت بالایی در پاسخ‌دهی دارد.

GIT