Monte um agente com RAG e documentos próprios

O RAG combina geração de texto com busca em documentos externos. Você carrega os arquivos em um vector store e disponibiliza essa busca ao agente. Os embeddings representam os trechos como vetores numéricos, usados para encontrar conteúdo por semelhança de significado.

Prepare a carga dos documentos

Monte primeiro o caminho de ingestão. Obtenha um arquivo ou conteúdo JSON com o Node adequado à origem e conecte um Simple Vector Store em Insert Documents. Para o exercício, use um documento curto com informações que você consiga conferir.

Conecte Default Data Loader ao vector store. Em Type of Data, selecione Binary para arquivos ou JSON para conteúdo estruturado. Configure o carregamento conforme a entrada recebida. Em Text Splitting, Simple usa o divisor padrão. Custom permite conectar outro text splitter.

Adicione Embeddings OpenAI ou outro Node de embeddings compatível. Configure sua credencial e selecione o modelo. Os trechos preparados pelo loader serão representados numericamente para a busca.

Configure a consulta do agente

No caminho do chat, conecte outro Simple Vector Store como ferramenta do AI Agent. Selecione Retrieve Documents (As Tool for AI Agent) e use a mesma Memory Key preenchida na carga.

Conecte o mesmo modelo de embeddings usado na ingestão. Em Description, explique quais documentos a ferramenta consulta. Ajuste Limit para definir a quantidade de trechos retornados. O modelo de embeddings prepara a busca. O modelo de chat do agente escreve a resposta.

Compare a resposta com o documento

Execute a carga antes de consultar o chat. Faça uma pergunta respondida pelo arquivo e examine os trechos encontrados. Depois, faça uma pergunta ausente do documento. Configure a instrução do agente para indicar quando a consulta não trouxer conteúdo suficiente.

Avalie a busca separadamente da redação: um trecho incorreto exige revisar a ingestão ou a consulta. Uma resposta que extrapola um trecho correto exige revisar o comportamento do agente.

Limites do exercício em memória

O n8n recomenda Simple Vector Store apenas para desenvolvimento. O conteúdo se perde quando a instância reinicia e pode ser removido quando a memória disponível diminui. As chaves são globais: outros acessos à instância podem consultar o mesmo conteúdo por essa chave. Para documentos privados ou persistência, escolha outro vector store documentado e configure suas permissões antes do uso real.