最近看了許多文章、影片，都在探討 RAG 的應用，所以研究了一下 N8N 如何建立自己的 RAG 系統， 並且結合 Line 來打造一個客服 AI 機器人，這篇文章就來分享一下整個流程和步驟。

由於 AI 領域的更新，可能是以天或者甚至以小時為單位在變化，參考了很多影片後，會發現不一定時做得出來你想要的需求

總共會使用到的服務有 N8N、Line OA、Gemini AI、Pinecone、Google Drive，這些服務大部分都有免費額度可以使用

建立 Line 帳號

首先進入到 Line OA 管理後台，建立自己一個新的官方帳號 Line OA 管理

create-line-oa.png

取得 Channel Access Token 和 Webhook 以及點擊下方的 LINE Developers Console 可以找到 Channel Secret 這 3 個資訊在後續 N8N 的設定中會用到。

line-access-secret-token.png

RAG 介紹

rag.png

RAG (Retrieval-Augmented Generation) 是一種結合檢索和生成的技術，主要用於提升自然語言處理模型的性能。 在大語言模型中經常會出現「幻覺」(Hallucination) 的問題，RAG 透過引入外部知識庫來減少這種現象。

主要分成三個部分：

  1. 檢索 (Retrieval)：從外部知識庫中檢索相關資訊，這些資訊可以是文件、文章、數據等。
  2. 增強 (Augmentation)：將檢索到的資訊與輸 入的查詢結合起來，形成一個更豐富的上下文。
  3. 生成 (Generation)：使用自然語言生成模型來產生回答，

RAG 與 生成式 AI (Generative AI) 的主要區別於 RAG 透過資料庫中的資訊來輔助回答問題， 而生成式 AI (例如 GPT 等)則主要依賴於模型本身的訓練數據來產生內容，但不一定保證內容正確性

N8N 設定

這次總共會使用到兩個 Flow，一個是用來建立 RAG 的流程，另外一個是用來處理 Line 的訊息，

RAG Flow 將資料切片放入 Pinecone

n8n-flow1.png

主要是將資料放於 Google Drive 透過 N8N 裡面的 Google drive 節點來讀取檔案內容，接下來就要使用 Pinecone 來建立向量資料庫

  1. 申請 Pinecone 帳號
  2. 建立一個 Index，選擇一個 model 作為向量模型 pinecone-create-index.png
  3. 根據圖中拉取 Search files and folders 節點來讀取 Google Drive 的檔案
  4. Download file 節點來下載檔案內容
  5. Pinecone Vector Store 節點來將檔案內容上傳至 Pinecone 向量資料庫
    • 建立 Pinecone Credential，輸入 API Key 和 Environment
    • Pinecone Index 選擇剛剛在 Pinecone 建立的 Index n8n-pinecone-setting.37.31.png
  6. Embedding Model 選擇 Google Gemini Embeddings n8n-gemini-embedding-setting.png
  7. Data Loader n8n-embedding-data-loader.png
  8. 下方要加上一個 Recursive Character Text Splitter 這邊就是要選擇要切割的方式，可以根據文件的特性來選擇適合的切割器，以及大小 n8n-embedding-Splitter.png
  9. 執行後就會將 Google Drive 裡面的檔案內容上傳至 Pinecone 向量資料庫 pinecone-index-result.png

整合 Line & AI & RAG Flow

n8n-flow2.png

  1. Webhook 節點，設定 Method 為 POST，這邊的網址就是要放在 Line OA 裡的 Messaging API Webhook URL 裡面
  2. AI Agent 節點，設定主要的 System Prompt，這邊可以根據自己的需求來設定 flow2-ai-agent-setting.png
  3. AI Agent 下方的 Chat model 我是選用 OpenRouter Chat Model 中的 Gemini-2.0-flash-001
  4. AI Agent 的 Tools 下要新增一個 Pinecone Vector Store，這邊要設定剛剛建立的 Pinecone Credential 以及 Index n8n-flow2-pinecone-setting.png
  5. 下方的 Embedding Model 也是選用 Google Gemini Embeddings
  6. 最後一個節點是 Line 節點，這邊要設定剛剛取得的 Channel Access Token 和 Channel Secret
    • URL : https://api.line.me/v2/bot/message/reply
    • Method : POST
    • Generic Auth Type : Bearer Token
    • Send Body
    • Body Content Type : JSON
    • Body Parameters :
    • replyToken :
    {
  "replyToken":"{{ $('Webhook').item.json.body.events[0].replyToken }}",
  "messages":[
    {
      "type":"text",
      "text": {{ JSON.stringify($json.output) }}
    }
  ]
}

結果

result-line1.png result-line2.png