Документы в Qdrant через Google Gemini — шаблон n8n
Документы обрабатываются по страницам: для каждой создаётся контекстное резюме и векторное представление. Workflow в n8n связывает Google Gemini с Qdrant, чтобы сохранять эмбеддинги для последующего поиска.
Оригинал на n8n.io: Build document RAG system with Kimi-K2, Gemini embeddings and Qdrant — Jimleuk
Открыть шаблон на n8n.io бесплатно- Сложность
- сложный15 видов узлов
- Просмотров на n8n.io
- 2 253
- Опубликован
- Обновлён
- Автор
- Jimleukпроверен n8n.io
- Сверено
Что делает шаблон
Коллекция Qdrant хранит эмбеддинги страниц документа вместе с контекстными резюме; их можно получать через агента, сервер MCP или другой workflow. Резюме строится по текущей странице, предыдущей и следующей, а эмбеддинги создаёт модель models/gemini-embedding-001. Для генерации резюме используется Featherless.ai: подписка начинается от $10 и включает неограниченное использование токенов. При расходах на инференс свыше $10–$25 в месяц такая схема может оказаться дешевле. Исходный импорт документа можно заменить Google Drive или внутренним репозиторием; также меняются триггер и стратегия создания эмбеддингов. Сам текст документа тоже можно индексировать отдельно для многоэтапных запросов.
Как работает workflow по шагам
- Manual Trigger запускает обработку документа вручную.
- HTTP Request загружает документ, а Extract from File извлекает из него текст.
- Loop Over Items передаёт страницы по одной для подготовки контекстных резюме.
- Featherless.ai создаёт резюме текущей страницы с учётом соседних страниц.
- HTTP Request отправляет текст в Gemini embedding API, а эмбеддинги сохраняются в коллекции Qdrant.
Что нужно для запуска
- Учётная запись и API-ключ Featherless.ai для генерации резюме
- Учётная запись Google Gemini и API-ключ для эмбеддингов
- Векторное хранилище Qdrant
Как подключить Google Gemini к n8n
Для эмбеддингов нужен API-ключ Google Gemini. Запрос отправляется к Gemini embedding API через узел HTTP Request, поскольку схема нового API не поддерживается в n8n.
Что изменить под себя
- Источник документа можно заменить на Google Drive или внутренний репозиторий.
- Ручной триггер можно заменить запуском при появлении документов.
- Стратегию эмбеддингов можно расширить: отдельно индексировать содержимое документа для многоэтапных запросов.
- Можно выбрать другую модель на Featherless.ai или разместить собственную дообученную модель.
Сервисы 1
Категории у источника: Извлечение данных из документов , RAG: ответы по своим документам
Узлы workflow 15
- HTTP Request
- No Operation, do nothing
- Edit Fields (Set)
- Loop Over Items (Split in Batches)
- Execute Sub-workflow
- Sticky Note
- Execute Workflow Trigger
- Manual Trigger
- AI Agent
- Call n8n Workflow Tool
- Extract from File
- Split Out
- Chat Trigger
- Google Gemini Chat Model
- MCP Server Trigger
Виды узлов, из которых собран сценарий, — как их перечисляет страница шаблона. Серым — служебные узлы n8n.
Автор и первоисточник
Сценарий «Build document RAG system with Kimi-K2, Gemini embeddings and Qdrant» опубликовал на n8n.io Jimleuk. 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.