آموزش ساخت RAG با n8n و Embedding API پاستا

برای ساخت RAG با n8n به دو Workflow جدا نیاز دارید: یکی سند را می‌خواند، Chunk می‌کند و Embedding را ذخیره می‌کند؛ دیگری سؤال را Embed می‌کند، متن مرتبط را می‌گیرد و پاسخ مستند می‌سازد. جداکردن این دو مسیر، خطا و هزینه پردازش دوباره را کم می‌کند.

این آموزش از HTTP Request استفاده می‌کند تا قرارداد API روشن بماند. هاست n8n پاستا اجرای دائمی Workflow را فراهم می‌کند و API هوش مصنوعی پاستا مسیر سازگار با OpenAI برای Embedding و گفتگو دارد.

معماری Workflow ورود سند

1. Webhook یا Trigger دریافت فایل؛
2. استخراج متن؛
3. Code node برای پاک‌سازی و Chunking؛
4. Loop Over Items برای Batchها؛
5. HTTP Request به POST /embeddings؛
6. ذخیره متن، Metadata و بردار؛
7. ثبت وضعیت موفق یا خطای قابل Retry.

Credential امن بسازید

کلید را داخل JSON یا Code node ننویسید. یک Header Auth Credential بسازید و Header زیر را به آن بدهید:

Authorization: Bearer {{$env.PAASTA_AI_KEY}}

برای این Workflow کلیدی با مدل‌های مجاز و سقف مصرف جدا بسازید. خروجی Execution را هم بررسی کنید تا متن حساس در Log طولانی‌مدت باقی نماند.

Chunking در Code node

const text = $json.text.replace(/\s+/g, " ").trim();
const size = 2200;
const overlap = 250;
const chunks = [];

for (let start = 0; start < text.length; start += size - overlap) {
  chunks.push({
    json: {
      documentId: $json.documentId,
      content: text.slice(start, start + size),
      chunkIndex: chunks.length,
    }
  });
}
return chunks;

این نسخه برای شروع است. برای PDF و Markdown بهتر است مرز عنوان و پاراگراف حفظ شود. اندازه را با آزمون Retrieval تنظیم کنید.