PDF-вопросы и ответы с Qdrant и Google Gemini — шаблон n8n
PDF-файлы проходят OCR и становятся доступны для вопросов по содержимому. Workflow в n8n связывает Google Drive, Qdrant и Google Gemini для поиска фрагментов и генерации ответов.
Оригинал на n8n.io: Build a PDF Document RAG System with Mistral OCR, Qdrant and Gemini AI — Davide Boizza
Открыть шаблон на n8n.io бесплатно- Сложность
- сложный19 видов узлов
- Просмотров на n8n.io
- 48 142
- Опубликован
- Обновлён
- Автор
- Davide Boizzaпроверен n8n.io
- Сверено
Что делает шаблон
В чате можно задавать вопросы по PDF и получать ответы Google Gemini на основе найденных фрагментов документов. Текст и метаданные извлекаются через OCR Mistral, затем содержание индексируется в коллекции Qdrant с помощью эмбеддингов OpenAI. Источником PDF может служить Google Drive; для него задаётся ID папки. Можно индексировать полный текст страниц или использовать его краткое изложение. Размер частей текста и перекрытие настраиваются. Также workflow можно изменить для получения PDF из других источников и запускать как подчинённый workflow для пакетной обработки.
Как работает workflow по шагам
- Manual Trigger или Chat Trigger запускает обработку документов либо приём вопроса из чата.
- Google Drive ищет PDF в заданной папке, а HTTP Request передаёт файл API Mistral для OCR.
- Token Splitter делит извлечённый текст на части, а Summarization Chain при выбранном режиме готовит краткое изложение.
- Embeddings OpenAI преобразует текст в векторы, которые Qdrant Vector Store записывает в коллекцию.
- Vector Store Retriever ищет в Qdrant фрагменты по вопросу, а Question and Answer Chain передаёт контекст Google Gemini Chat Model для ответа.
Что нужно для запуска
- Учётные данные Mistral Cloud API для OCR.
- API-ключ OpenAI для эмбеддингов.
- API-ключ Google Gemini для ответов и суммаризации.
- Учётные данные Qdrant API и коллекция в базе данных.
- Учётные данные Google Drive, если PDF берутся с Google Drive.
Как подключить Qdrant к n8n
Для соединения с Qdrant нужны учётные данные Qdrant API. В узлах создания и обновления коллекции задаются адрес экземпляра Qdrant и имя коллекции; размер вектора и метрика расстояния должны соответствовать используемым эмбеддингам.
Что изменить под себя
- В узлах создания и обновления коллекции заменить QDRANTURL и COLLECTION на адрес экземпляра и имя коллекции.
- Для источника Google Drive указать ID папки в узле Search PDFs либо изменить workflow для другого источника PDF.
- В Token Splitter настроить размер частей текста и перекрытие.
- Переключить обработку между полным текстом страниц и кратким изложением.
Сервисы 6
- Google Drive269
- Question and Answer Chain
- OpenAI811
- Vector Store Retriever
- Qdrant34
- Google Gemini251
Категории у источника: Извлечение данных из документов , RAG: ответы по своим документам
Узлы workflow 19
- HTTP Request
- Edit Fields (Set)
- Loop Over Items (Split in Batches)
- Google Drive
- Execute Sub-workflow
- Wait
- Sticky Note
- Code
- Execute Workflow Trigger
- Manual Trigger
- Summarization Chain
- Question and Answer Chain
- Embeddings OpenAI
- Vector Store Retriever
- Token Splitter
- Default Data Loader
- Chat Trigger
- Qdrant Vector Store
- Google Gemini Chat Model
Виды узлов, из которых собран сценарий, — как их перечисляет страница шаблона. Серым — служебные узлы n8n.
Автор и первоисточник
Сценарий «Build a PDF Document RAG System with Mistral OCR, Qdrant and Gemini AI» опубликовал на n8n.io Davide Boizza. 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.