從 GitHub 儲存庫學習的 AI 程式碼助理 - n8n 工作流程

• 開發人員與 DevOps 團隊： 需要針對大型程式碼庫快速獲得帶有上下文的答案。


• 技術文件撰寫者： 正在尋找一種自動化的方式來查詢儲存在 GitHub 上的文件。


• 自動化工程師： 正在尋找使用 n8n AI Agent 節點及 RAG 模式的進階範例。


• 探索 n8n 範本的使用者： 特別是那些專注於複雜 AI 串接的用戶。

管理大量的原始碼或文件時，要找到特定的技術細節通常很具挑戰性。這個創新的 n8n 工作流程透過將你的 GitHub 儲存庫變成 AI 代理程式可搜尋的知識庫來解決這個問題。

這個穩健的 n8n 範本將流程拆分為兩個關鍵階段：同步流程（資料索引）和即時對話流程（回答問題）。它展示了 n8n 如何在單一、連貫的 n8n 工作流程中，無縫處理大型二進位資料、文字分割、向量嵌入生成和向量儲存。透過使用這個 n8n 節點設定，開發人員可以用對話的方式查詢他們的程式碼庫，大幅減少搜尋時間並提升生產力。

這個完整的 n8n 工作流程分兩個不同的階段運行：

階段 1：資料同步（索引）

1. 啟動索引： 流程由 Sync Data n8n 觸發器（一個手動觸發節點）啟動。


2. 設定配置： Config n8n 節點用來定義 GitHub 儲存庫中的關鍵參數，例如 repoowner（儲存庫擁有者）、reponame（儲存庫名稱）和 subpath（子路徑）。


3. 檔案擷取： GitHub 的 List files n8n 節點會使用這些參數來識別指定路徑下的所有相關檔案。


4. 下載與載入： HTTP Request 的 Get File n8n 節點會下載每個檔案的實際內容。


5. 預先處理： Default Data Loader 處理二進位資料，而 Recursive Character Text Splitter 則將內容切割成更小、易於管理的區塊（具有 100 字元的重疊），以適合進行向量嵌入。


6. 嵌入與儲存： Embeddings OpenAI n8n 節點會計算這些區塊的向量嵌入。最後，Simple Vector Store1 n8n 節點會將向量資料插入到以 source-code 為鍵的記憶體知識庫中。

階段 2：對話式 AI 代理程式

1. 對話開始： 當用戶提問時，工作流程會由 When chat message received n8n 觸發器啟動。


2. 啟動 AI 代理程式： 核心的 AI Agent n8n 節點會接收查詢，並利用 OpenAI Chat Model1 進行推理。


3. 記憶體與上下文： Window Buffer Memory n8n 節點負責維護對話歷史記錄。


4. RAG 檢索： 代理程式會使用名為 projectsource_tool 的專用 Vector Store Tool n8n 節點，對已索引的知識庫（Simple Vector Store）執行相似度搜尋（檢索前 K=5 筆）。這個檢索步驟對於提供上下文基礎至關重要。


5. 生成回應： 代理程式接收來自儲存庫的相關上下文片段，然後針對用戶的問題生成精確的技術性回答，從而完成這個複雜的 n8n 工作流程。

要使用這些 n8n 範本來部署這個強大的 n8n 工作流程，請遵循以下步驟：

1. 匯入 JSON： 複製提供的 JSON 資料，並透過工作流程（Workflows）區塊（從 JSON 匯入 Import from JSON）匯入到你的 n8n 實例中。


2. 憑證設定： 確保你已設定好必要的憑證：

1. 設定參數： 開啟 Config n8n 節點，並根據你的儲存庫更新參數：

1. 初始同步： 在使用聊天代理程式之前，先執行一次 Sync Data n8n 觸發器，用你的 GitHub 內容來填入向量儲存庫。

Sync Data (手動觸發)： n8n 工作流程中負責資料索引部分的啟動觸發器，用於手動重新整理知識庫。
Config (Set)： 一個基礎的 n8n 節點，用於動態設定在整個索引流程中使用的環境變數（repoowner、reponame、subpath）。
List files (GitHub)： 這個 n8n 節點會從設定好的 GitHub 儲存庫路徑中擷取檔案列表，提供後續下載所需的檔案細節。
Get File (HTTP Request)： 使用 GitHub n8n 節點提供的 downloadurl 下載檔案的實際內容，為後續的嵌入（embedding）做準備。
Recursive Character Text Splitter： 一個關鍵的 RAG 預處理 n8n 節點，它能高效地將大檔案分割成小區塊，以優化向量搜尋。此處設定的區塊重疊量為 100。
Embeddings OpenAI / Embeddings OpenAI1： 這個 n8n 節點的兩個實例，負責使用 OpenAI 服務將文字區塊和接收到的查詢轉換成高維度的數值向量。
Simple Vector Store / Simple Vector Store1 (記憶體向量儲存庫)： 這些 n8n 節點使用 source-code 這個鍵來維護 RAG 知識庫。一個設定為 insert（插入）模式（用於索引），另一個設定為 default（預設）模式（用於搜尋檢索）。
When chat message received (聊天觸發器)： AI 代理程式部分的啟動觸發器，用於監聽 n8n 聊天介面中的用戶互動。
AI Agent (LangChain 代理程式)： n8n 工作流程的核心大腦。設定了系統訊息，指導它根據原始碼回答技術問題時，要使用 projectsourcetool。
Vector Store Tool： 定義 AI 代理程式如何與知識庫互動的 n8n 節點，專門設定為檢索最相關的前 5 個文件區塊（topK=5）。