Zmožnosti AI v n8n temeljijo na integraciji LangChain, ki je na voljo prek približno 70 namenskih vozlišč AI. Arhitektura sledi modularnemu vzorcu: agente sestavite tako, da korensko vozlišče AI Agent povežete s podvozlišči za model LLM, pomnjenje in orodja.
Izberite sprožilec
Sprožilec Chat (pogovorni), webhook (klici API), urnik (občasno) ali ročni (testiranje).
Dodajte vozlišče AI Agent
Korensko vozlišče, ki usklajuje vedenje agenta in njegovo zanko sklepanja.
Nastavite model LLM
Pripnite podvozlišče jezikovnega modela. Podprti ponudniki: OpenAI, Anthropic Claude, Google Gemini, AWS Bedrock, Azure OpenAI, Mistral, Ollama (lokalni modeli) in drugi.
Dodajte pomnjenje
Pripnite podvozlišča pomnjenja za ohranjanje pogovora: okensko pomnjenje, medpomnilniško pomnjenje, povzeto pomnjenje ali zunanje prek Zep.
Dodajte orodja
Pripnite podvozlišča orodij, ki jih agent lahko kliče med izvajanjem za sodelovanje z zunanjimi storitvami.
Povežite se s podatki
Vozlišča vektorskih shramb za RAG (Pinecone, Qdrant, Supabase, Zep) ali katera koli integracija n8n kot vir podatkov.
Izpišite rezultate
Rezultate pošljite prek odgovora v klepetu, webhooka, e-pošte, Slacka ali katere koli povezane storitve.
Orodje Workflow Tool: edinstvena prednost n8n
Zajemite dokumente
Naložite dokumente z vozlišči za nalaganje dokumentov in jih z razdeljevalniki besedila razdelite na koščke
Ustvarite vdelave
Ustvarite vektorske vdelave z modeli za vdelave OpenAI, Cohere ali HuggingFace
Shranite v vektorsko bazo
Shranite vdelave v Pinecone, Qdrant, Supabase ali drugo podprto vektorsko podatkovno bazo
Uporabnik postavi vprašanje
Poizvedba prispe prek sprožilca Chat, webhooka ali druge vstopne točke
Pridobite vsebino
Vektorska shramba na podlagi pomenske podobnosti vrne najustreznejše koščke dokumentov
Model LLM ustvari odgovor
Jezikovni model pridobljeno vsebino združi z vprašanjem in ustvari utemeljen odgovor
Zajemite dokumente
Naložite dokumente z vozlišči za nalaganje dokumentov in jih z razdeljevalniki besedila razdelite na koščke
Ustvarite vdelave
Ustvarite vektorske vdelave z modeli za vdelave OpenAI, Cohere ali HuggingFace
Shranite v vektorsko bazo
Shranite vdelave v Pinecone, Qdrant, Supabase ali drugo podprto vektorsko podatkovno bazo
Uporabnik postavi vprašanje
Poizvedba prispe prek sprožilca Chat, webhooka ali druge vstopne točke
Pridobite vsebino
Vektorska shramba na podlagi pomenske podobnosti vrne najustreznejše koščke dokumentov
Model LLM ustvari odgovor
Jezikovni model pridobljeno vsebino združi z vprašanjem in ustvari utemeljen odgovor