Pular para o conteúdo principal

RAG no n8n

O que é RAG?​

Recuperação Aumentada por Geração (RAG, do inglês Retrieval-Augmented Generation) é uma técnica que melhora a qualidade das respostas de modelos de linguagem ao combiná-los com fontes externas de dados. Em vez de depender apenas dos dados internos usados durante o treinamento do modelo, os sistemas RAG recuperam documentos relevantes e ancoram as respostas em conhecimento atualizado, específico de um domínio ou privado. Fluxos de trabalho RAG geralmente utilizam bancos de dados vetoriais para gerenciar e recuperar esses dados externos de forma eficiente.

O que é um banco de dados vetorial?​

Um banco de dados vetorial é um tipo especializado de banco de dados projetado para armazenar e recuperar vetores de alta dimensionalidade — representações numéricas de texto, imagens ou outros tipos de dados. Quando você envia um documento, o banco de dados vetorial o divide em vários fragmentos e usa um modelo de embedding para converter cada fragmento em um vetor.

Você pode consultar esses vetores usando busca por similaridade, que retorna resultados com base no significado semântico, e não em correspondência exata de palavras-chave. Isso torna os bancos de dados vetoriais uma base poderosa para sistemas RAG e outras aplicações de IA que exigem recuperação e raciocínio sobre grandes volumes de conhecimento.

Como usar RAG no n8n?​

Comece com um modelo RAG​

👉 Use o modelo inicial de RAG para experimentar rapidamente o RAG no n8n. Esse modelo inclui dois fluxos de trabalho prontos: um para enviar arquivos e outro para fazer perguntas sobre eles.

Inserir dados no banco de dados vetorial​

Antes que um agente possa acessar sua base de conhecimento personalizada, você precisa inserir os dados no banco de dados vetorial:

  1. Adicione os nós necessários para obter os dados de origem.
  2. Insira um nó de banco de dados vetorial (por exemplo, Simple Vector Store) e selecione a operação Inserir documentos.
  3. Escolha um modelo de embedding para converter o texto em vetores. Para mais informações sobre como escolher o modelo ideal, consulte as Perguntas Frequentes.
  4. Adicione um nó Default Data Loader para dividir o conteúdo em fragmentos. Você pode usar as configurações padrão ou personalizar a estratégia de divisão:
    • Divisão por caractere: divide com base no número de caracteres.
    • Divisão recursiva por caractere: divide recursivamente com base em Markdown, HTML, blocos de código ou caracteres comuns (recomendado para a maioria dos casos).
    • Divisão por token: divide com base no número de tokens.
  5. (Opcional) Adicione metadados a cada fragmento para enriquecer o contexto e facilitar a filtragem posterior.

Consultar dados​

Você pode consultar os dados de duas formas principais: usando um agente ou diretamente por meio de nós.

Usando um agente​

  1. Adicione um agente ao seu fluxo de trabalho.
  2. Adicione o banco de dados vetorial como uma ferramenta e forneça uma descrição clara para ajudar o agente a entender quando usá-lo:
    • Defina o limite de fragmentos a serem retornados.
    • Ative Incluir metadados para fornecer contexto adicional a cada fragmento.
  3. Adicione o mesmo modelo de embedding usado na inserção dos dados.

💡 Dica profissional

Para economizar tokens de modelos caros, você pode primeiro usar a ferramenta Vector Store Question Answer Tool para recuperar os dados relevantes e, em seguida, passar esses resultados para o agente. Veja este modelo para ver isso em ação.

Usando nós diretamente​

  1. Adicione um nó de banco de dados vetorial à tela e selecione a operação Obter vários.
  2. Insira sua consulta ou pergunta:
    • Defina o limite para controlar quantos fragmentos serão retornados.
    • Ative Incluir metadados, se necessário.

Perguntas Frequentes​

Como escolher o modelo de embedding adequado?​

O modelo ideal depende do seu caso de uso.

De modo geral, modelos menores (como text-embedding-ada-002) são mais rápidos e econômicos, sendo adequados para documentos curtos, cenários genéricos ou fluxos de trabalho RAG leves. Modelos maiores (como text-embedding-3-large) oferecem melhor compreensão semântica e são mais indicados para documentos longos, temas complexos ou situações em que a precisão é crítica.

Qual método de divisão de texto é mais adequado ao meu cenário?​

Isso depende muito das características dos seus dados:

  • Fragmentos pequenos (por exemplo, de 200 a 500 tokens) são ideais para recuperação granular.
  • Fragmentos maiores podem conter mais contexto, mas também correm o risco de se tornarem vagos ou ruidosos.

Definir um tamanho apropriado de sobreposição entre fragmentos é fundamental para que a IA compreenda o contexto ao redor de cada bloco. Por isso, dividir com base em Markdown ou blocos de código geralmente produz melhores resultados.

Outra boa prática é enriquecer os fragmentos com mais contexto (por exemplo, indicando de qual documento eles vieram). Se quiser se aprofundar nesse tema, recomendamos a excelente publicação da Anthropic.