n8n: Локальный поиск по документам в Postgres с Ollama
Документы с компьютера обрабатываются и становятся источником ответов на вопросы: в n8n Postgres хранит данные для поиска, а Embeddings Ollama создаёт векторные представления текста.
Оригинал на n8n.io: Local document question answering with Ollama AI, Agentic RAG & PGVector — Jadai kongolo
Открыть шаблон на n8n.io бесплатно- Сложность
- сложный20 видов узлов
- Просмотров на n8n.io
- 10 758
- Опубликован
- Обновлён
- Автор
- Jadai kongoloпроверен n8n.io
- Сверено
Что делает шаблон
В Postgres сохраняются фрагменты документов и табличные данные; для таблиц используется JSONB, чтобы не создавать отдельную таблицу для каждого CSV. AI Agent выбирает подход к вопросу: поиск по фрагментам, SQL-запрос или чтение документа целиком. Система также связывает сведения из разных документов. Файлы берутся из папки на компьютере, смонтированной в контейнер n8n по пути /data/shared; по умолчанию это папка «shared» из локального пакета AI. Шаблон рассчитан на локальную обработку документов и допускает настройку под конкретную базу знаний.
Как работает workflow по шагам
- Local File Trigger запускает обработку после появления документов в папке.
- Read/Write Files from Disk читает файлы, а Extract from File извлекает их содержимое.
- Recursive Character Text Splitter делит текст на фрагменты, которые Embeddings Ollama преобразует в векторы.
- Postgres Pgvector Store сохраняет векторы; табличные данные передаются в Postgres.
- Chat Trigger принимает вопрос, а AI Agent выбирает способ поиска и ответа.
- Postgres Chat Memory хранит контекст диалога, после чего ответ возвращается через Respond to Webhook или чат-триггер.
Что нужно для запуска
- Postgres с таблицами, созданными узлами настройки
- Локальный пакет AI и папка на компьютере, смонтированная в контейнер n8n по пути /data/shared
- Доступы к Postgres и Embeddings Ollama
Что изменить под себя
- Системный запрос настраивается под конкретный случай использования.
- К документам можно добавить метаданные, например краткие содержания.
- Можно добавить более продвинутые методы RAG и настроить обработку больших баз знаний.
Кому подойдёт
Шаблон предназначен для локальной работы с базой документов: агент отвечает на вопросы, анализирует табличные данные и связывает сведения из разных файлов.
Сервисы 3
- Postgres66
- OpenAI811
- Embeddings Ollama
Категории у источника: База знаний , RAG: ответы по своим документам
Узлы workflow 20
- Postgres
- Edit Fields (Set)
- Loop Over Items (Split in Batches)
- Webhook
- Switch
- Local File Trigger
- Respond to Webhook
- Sticky Note
- AI Agent
- OpenAI Chat Model
- Recursive Character Text Splitter
- Read/Write Files from Disk
- Extract from File
- Aggregate
- Summarize
- Default Data Loader
- Chat Trigger
- Embeddings Ollama
- Postgres Chat Memory
- Postgres Pgvector Store
Виды узлов, из которых собран сценарий, — как их перечисляет страница шаблона. Серым — служебные узлы n8n.
Автор и первоисточник
Сценарий «Local document question answering with Ollama AI, Agentic RAG & PGVector» опубликовал на n8n.io Jadai kongolo. Файл шаблона и авторское описание — на странице шаблона.
Русское описание написано языковой моделью по странице шаблона и прошло автоматическую проверку: в нём нет сервисов и чисел, которых нет у автора. Сценарий принадлежит автору; каталог его не хранит.