KI-Code-Assistent, der aus GitHub-Repositorys lernt - n8n-Workflow

• Entwickler und DevOps-Teams: die schnelle, kontextbewusste Antworten zu großen Codebasen benötigen.


• Technische Redakteure: die eine automatisierte Möglichkeit suchen, Dokumentationsdateien abzufragen, die auf GitHub gespeichert sind.


• Automatisierungsingenieure: die fortgeschrittene Beispiele für die Nutzung des n8n AI Agent Nodes und von RAG-Mustern erkunden.


• Benutzer, die n8n-Vorlagen erkunden: insbesondere solche, die sich auf komplexe KI-Integrationen konzentrieren.

Die Verwaltung riesiger Mengen an Quellcode oder Dokumentationen macht das Auffinden spezifischer technischer Details oft schwierig. Dieser innovative n8n-Workflow löst dieses Problem, indem er Ihr GitHub-Repository in eine durchsuchbare Wissensdatenbank für einen KI-Agenten umwandelt.

Diese robuste n8n-Vorlage trennt den Prozess in zwei Hauptphasen: einen Synchronisationsfluss (Indizierung der Daten) und einen Konversationsfluss in Echtzeit (Beantwortung von Fragen). Sie demonstriert, wie nahtlos n8n große Binärdaten, Textaufteilung, Embedding-Erstellung und Vektorspeicherung innerhalb eines einzigen, kohärenten n8n-Workflows handhabt. Durch die Nutzung dieses n8n-Node-Setups können Entwickler ihre Codebasis dialogorientiert abfragen, was die Suchzeit drastisch reduziert und die Produktivität steigert.

Dieser umfassende n8n-Workflow arbeitet in zwei unterschiedlichen Stufen:

Stufe 1: Datensynchronisation (Indizierung)

1. Indizierungsstart: Der Prozess startet mit dem n8n-Trigger Sync Data (einem Manuellen Trigger Node).


2. Konfiguration: Der n8n-Node Config definiert kritische Parameter wie repoowner, reponame und subpath innerhalb des GitHub-Repositorys.


3. Dateien abrufen: Der n8n-Node GitHub List files verwendet diese Parameter, um alle relevanten Dateien im angegebenen Pfad zu identifizieren.


4. Herunterladen und Laden: Der n8n-Node HTTP Request Get File lädt den eigentlichen Inhalt jeder Datei herunter.


5. Vorverarbeitung: Der Default Data Loader verarbeitet die Binärdaten, und der Recursive Character Text Splitter zerteilt den Inhalt in kleinere, handhabbare Blöcke (mit einer Überlappung von 100 Zeichen), die für das Vektor-Embedding geeignet sind.


6. Embedding und Speicherung: Der n8n-Node Embeddings OpenAI berechnet die Vektor-Embeddings für diese Blöcke. Schließlich fügt der n8n-Node Simple Vector Store1 die Vektordaten in eine In-Memory-Wissensdatenbank unter dem Schlüssel source-code ein.

Stufe 2: Konversationeller KI-Agent

1. Gesprächsstart: Der Workflow wird durch den n8n-Trigger When chat message received ausgelöst, wenn ein Benutzer eine Frage stellt.


2. KI-Agenten-Aktivierung: Der zentrale n8n-Node AI Agent übernimmt die Anfrage und nutzt das OpenAI Chat Model1 für die Entscheidungsfindung (Reasoning).


3. Speicher und Kontext: Der n8n-Node Window Buffer Memory pflegt den Konversationsverlauf.


4. RAG-Abruf: Der Agent verwendet den spezialisierten n8n-Node Vector Store Tool mit dem Namen projectsource_tool, um eine Ähnlichkeitssuche (Top K=5) gegen die indizierte Wissensdatenbank (Simple Vector Store) durchzuführen. Dieser Abrufschritt ist entscheidend für die kontextuelle Verankerung.


5. Antwortgenerierung: Der Agent erhält die relevanten Kontextausschnitte aus dem Repository und generiert eine präzise, technische Antwort auf die Frage des Benutzers, womit der komplexe n8n-Workflow abgeschlossen wird.

Um diesen leistungsstarken n8n-Workflow mit diesen n8n-Vorlagen bereitzustellen, folgen Sie diesen Schritten:

1. JSON importieren: Kopieren Sie die bereitgestellten JSON-Daten und importieren Sie sie über den Abschnitt "Workflows" (Import from JSON) in Ihre n8n-Instanz.


2. Credential-Einrichtung: Stellen Sie sicher, dass die notwendigen Anmeldeinformationen konfiguriert sind:

1. Parameter konfigurieren: Öffnen Sie den n8n-Node Config und aktualisieren Sie die Parameter entsprechend Ihrem Repository:

1. Ersts-Synchronisation: Führen Sie den n8n-Trigger Sync Data einmal aus, um den Vektorspeicher mit Ihren GitHub-Inhalten zu füllen, bevor Sie den Chat-Agenten verwenden.

Sync Data (Manual Trigger): Der Start-n8n-Trigger für die Indizierungsseite des n8n-Workflows, der zum manuellen Aktualisieren der Wissensdatenbank verwendet wird.
Config (Set): Ein grundlegender n8n-Node, der zum dynamischen Festlegen von Umgebungsvariablen (repoowner, reponame, subpath) dient, die im gesamten Indizierungsfluss verwendet werden.
List files (GitHub): Dieser n8n-Node ruft eine Liste von Dateien aus dem konfigurierten GitHub-Repository-Pfad ab und stellt die für den Download benötigten Dateiinformationen bereit.
Get File (HTTP Request): Lädt den eigentlichen Inhalt der Dateien über die vom GitHub-n8n-Node bereitgestellte downloadurl herunter und bereitet die Daten für das Embedding vor.
Recursive Character Text Splitter: Ein zentraler RAG-Vorverarbeitungs-n8n-Node, der große Dateien effizient in kleinere Blöcke aufteilt und diese für das Embedding und die Vektorsuche optimiert. Konfiguriert mit einer Blocküberlappung von 100.
Embeddings OpenAI / Embeddings OpenAI1: Zwei Instanzen dieses n8n-Nodes, die dafür verantwortlich sind, Textblöcke und eingehende Anfragen mithilfe des OpenAI-Dienstes in hochdimensionale numerische Vektoren umzuwandeln.
Simple Vector Store / Simple Vector Store1 (Vector Store In Memory): Diese n8n-Nodes verwalten die RAG-Wissensdatenbank unter Verwendung des Schlüssels source-code. Einer ist auf den Modus insert (zum Indizieren) und der andere auf default (zur Suche/Abruf) eingestellt.
When chat message received (Chat Trigger): Der initiierende n8n-Trigger für die KI-Agenten-Seite, der auf Benutzerinteraktionen in der n8n-Chatoberfläche wartet.
AI Agent (LangChain Agent): Das primäre Gehirn des n8n-Workflows. Konfiguriert mit einer Systemnachricht, die ihn anleitet, bei technischen Fragen die projectsourcetool basierend auf dem Quellcode zu nutzen.
Vector Store Tool: Ein n8n-Node, der definiert, wie der KI-Agent mit der Wissensdatenbank interagiert, speziell konfiguriert, um die 5 relevantesten Dokumenten-Teile (topK=5) abzurufen.