Chatbot Especialista em Documentação com RAG e Gemini - Fluxo de trabalho n8n

Desenvolvedores e usuários avançados do n8n que precisam de respostas instantâneas e factuais da documentação.
Engenheiros que desejam experiência prática na construção de uma solução RAG de nível empresarial.
Usuários que procuram modelos avançados de n8n que integrem agentes de IA e bancos de dados vetoriais.
Equipes que necessitam de um especialista em IA confiável e baseado em base de conhecimento para suas ferramentas específicas.

Este sofisticado fluxo de trabalho do n8n demonstra o poder da Geração Aumentada por Recuperação (RAG) ao transformar todo o site de documentação do n8n em uma base de conhecimento especializada. Ele resolve o problema comum dos Modelos de Linguagem Grandes (LLMs) de 'alucinação', garantindo que as respostas da IA sejam estritamente derivadas da documentação oficial. O fluxo de trabalho completo do n8n é dividido em duas partes: um fluxo de indexação que raspa, processa e armazena trechos de conhecimento em um banco de dados vetorial do Supabase, e um fluxo de chatbot ao vivo, iniciado por um gatilho do n8n, que recupera o contexto relevante para responder às perguntas do usuário usando o LLM Gemini. Este é um dos modelos de n8n mais poderosos disponíveis para criar especialistas em IA precisos e específicos para um domínio.

O fluxo de trabalho do n8n opera em duas fases distintas:

Fase 1: Indexação (Criação da Base de Conhecimento)

1. Iniciação: O processo começa com o gatilho manual "Start Indexing" (Iniciar Indexação) do n8n. Ele raspa a página principal de documentação do n8n.


2. Extração e Limpeza de Links: Nós centrais do n8n (HTML, Remove Duplicates, Filter) extraem, limpam e desduplicam todos os links de documentação, preparando uma lista abrangente de páginas.


3. Loop Eficiente em Memória: Um nó Execute Workflow do n8n inicia um loop de sub-fluxo, processando páginas em lotes para um gerenciamento de memória superior, um recurso chave ao indexar conjuntos de dados massivos como toda a documentação do n8n.


4. Processamento de Conteúdo: Dentro do loop, cada página é raspada (HTTP Request), limpa (HTML, Set) e verificada em relação a um cache de memória de longo prazo (Remove Duplicates) para evitar a nova indexação.


5. Criação de Vetores: Um nó Recursive Character Text Splitter divide o texto limpo em pequenos blocos (chunks) sobrepostos. O nó Gemini Chunk Embedding do n8n converte esses blocos em vetores numéricos (embeddings).


6. Armazenamento: O nó Your Supabase Vector Store do n8n insere esses vetores e seus respectivos blocos de texto no banco de dados Supabase configurado, completando a base de conhecimento.

Fase 2: Chatbot ao Vivo (RAG)

1. Ativação: O chat ao vivo é iniciado pelo gatilho "RAG Chatbot" do n8n, que fornece uma interface de URL pública para as perguntas dos usuários.


2. Orquestração do Agente: A entrada do usuário alimenta o nó n8n Docs AI Agent do n8n, que mantém o histórico da conversa usando o nó Simple Memory do n8n.


3. Recuperação: O Agente identifica a necessidade de informação e usa a ferramenta Vector Store "Official n8n Documentation" (Documentação Oficial do n8n). O nó Gemini Query Embedding do n8n converte a pergunta do usuário em um vetor.


4. Recuperação de Contexto: O Vector Store pesquisa no Supabase os 10 blocos de documentação mais semelhantes ao vetor da pergunta do usuário.


5. Síntese: O Agente, alimentado pelo nó Gemini 2.5 Flash do n8n, sintetiza uma resposta final e autoritária baseada apenas no contexto recuperado, garantindo que a resposta seja factualmente correta e específica para o nó ou recurso de fluxo de trabalho do n8n solicitado.

Para usar este poderoso modelo de fluxo de trabalho do n8n, você deve configurar as credenciais do Supabase e do Google AI.

1. Configuração do Supabase (Banco de Dados Vetorial)

1. Criar Projeto: Cadastre-se no Supabase e crie um novo projeto.


2. Executar SQL: Navegue até o Editor SQL no seu projeto Supabase. Copie o código SQL encontrado no grande nó "Nota Adesiva" na tela do n8n (ele cria a extensão vector, a tabela documents e a função de busca).


3. Credenciais: Obtenha sua URL do Projeto e a chave de API service_role em Project Settings > API (Configurações do Projeto > API).


4. Conectar no n8n: Selecione o nó Your Supabase Vector Store. Crie uma nova credencial do Supabase, colando a URL do Projeto em Host (Hospedeiro) e a Chave de Serviço de Função (Service Role Key) em API Key (Chave de API).

2. Configuração do Google AI (Gemini)

1. Obtenha uma chave de API para o modelo Gemini no Google AI Studio.


2. Conectar no n8n: Selecione o nó Gemini 2.5 Flash. Crie uma nova credencial do Google AI e cole sua chave de API do Gemini.

3. Aplicar Credenciais aos Nós Restantes

4. Executar Indexação

1. Localize o gatilho do n8n Start Indexing (canto superior esquerdo).


2. Clique em Execute workflow (Executar fluxo de trabalho) e aguarde aproximadamente 15-20 minutos para que toda a documentação do n8n seja indexada. Não prossiga até que esta etapa seja concluída.

5. Ativar Chatbot

1. Ative o fluxo de trabalho completo do n8n usando o interruptor principal.


2. Abra o nó de gatilho RAG Chatbot para acessar a URL Pública e comece a conversar com seu especialista em n8n.

RAG Chatbot (Gatilho de Chat): O ponto de entrada e a interface pública para o chatbot. É um gatilho do n8n ao vivo que inicia o processo RAG ao receber uma mensagem.
n8n Docs AI Agent (Agente): O centro de controle. Ele usa seu prompt de sistema personalizado para impor o comportamento de especialista e decidir quando usar a ferramenta de recuperação (o armazenador vetorial) antes de formular a resposta final através do LLM.
Gemini 2.5 Flash (LLM): O modelo de IA generativa que fornece raciocínio e geração de texto final com base no contexto recuperado pelo armazenador vetorial.
Official n8n Documentation (Vector Store - Recuperação): Configurado para recuperar 10 blocos de documentos relevantes do banco de dados Supabase usando o vetor gerado pelo nó Gemini Query Embedding do n8n.
Your Supabase Vector Store (Vector Store - Inserção): Lida com a inserção em lote de blocos de documentação e seus embeddings correspondentes na tabela Supabase durante a execução inicial de indexação.
Remove Duplicate Documentation Content (Remover Duplicatas): Usa a operação Remove items seen in previous executions (Remover itens vistos em execuções anteriores), uma configuração poderosa que fornece memória de longo prazo para o fluxo de trabalho do n8n, garantindo que as páginas de documentação sejam indexadas apenas uma vez, mesmo que o fluxo de trabalho seja executado várias vezes.

• Recursive Character Text Splitter (Divisor de Texto): Essencial para a qualidade do RAG, ele divide as longas páginas de documentação do n8n em blocos menores e contextualmente relevantes (1500 caracteres com sobreposição de 200 caracteres) para uma vetorização precisa.