n
n8n RAG 向量資料庫 Chatbot Pinecone AI 客服

n8n RAG Chatbot 建置教學：用向量資料庫打造智慧客服

想做一個能回答自家產品問題的 AI 客服？這篇教你用 n8n + 向量資料庫（Pinecone/Qdrant）建置 RAG Chatbot，讓 AI 讀懂你的資料再回答。

N8NMarket 2026年4月5日 14 分鐘閱讀

你有沒有試過用 ChatGPT 回答客戶問題，結果它瞎掰一通？那是因為它根本不知道你公司的產品、價格、退貨政策。RAG 就是解決這個問題的方法。

RAG 白話版：就是讓 AI 先去翻你的資料庫，找到相關內容再回答，而不是亂掰。

這篇帶你用 n8n 建一個 RAG Chatbot，從準備資料、建向量資料庫、到讓 AI 根據你的資料回答問題，全部用 n8n 工作流搞定。

什麼是 RAG？為什麼普通 ChatGPT 不夠用？

先搞清楚問題在哪：

  • 普通 ChatGPT：只知道它訓練過的公開資料，不知道你公司的東西
  • Fine-tuning（微調）：把你的資料餵給模型重新訓練。貴、慢、而且資料更新很麻煩
  • RAG：不動模型本身，而是在 AI 回答之前，先幫它「查資料」

RAG 的全名是 Retrieval-Augmented Generation（檢索增強生成），但你不用記這個。記住一件事就好：

RAG = AI 回答問題之前，先去你的資料庫找答案

流程是這樣的：

使用者問問題
    ↓
把問題轉成向量（Embedding）
    ↓
去向量資料庫找最相關的內容
    ↓
把找到的內容 + 問題一起丟給 AI
    ↓
AI 根據你的資料回答（不瞎掰）

架構概覽

整個 RAG 系統分兩條工作流：

工作流 A：建立知識庫（跑一次）

資料來源（PDF / 網頁 / Google Docs）
    ↓
文件切割（Chunking）
    ↓
轉成向量（Embedding）
    ↓
存入向量資料庫

工作流 B：問答查詢（持續使用）

使用者提問
    ↓
問題轉成向量
    ↓
從向量資料庫找最相關的段落
    ↓
段落 + 問題 → 丟給 LLM
    ↓
回覆使用者

向量資料庫怎麼選？

n8n 原生支援多種向量資料庫，包括 Pinecone、Qdrant、Supabase、Weaviate、Milvus、PGVector 等（來源：n8n 官方文件）。

這裡推薦兩個：

比較項目PineconeQdrant
架設方式雲端（免費方案有）可自架或用雲端
免費額度1 個 Index，2GB 儲存自架免費，雲端有免費方案
設定難度超簡單自架要裝 Docker
適合誰想快速測試的人在意資料隱私、想省錢的人
2026 新功能內建 Embedding 生成、BYOC 支援內建 Embedding 生成

建議：先用 Pinecone 跑起來，之後需要省錢或控制資料再換 Qdrant。

Step 1 — 準備知識庫資料

你的 RAG 只會跟資料一樣聰明。垃圾進、垃圾出。

支援的資料格式：

  • PDF 文件（產品手冊、FAQ 文件）
  • 網頁內容（公司官網、幫助中心）
  • Google Docs
  • Notion 頁面
  • 純文字 / Markdown

建議：先從一份最常被客戶問到的 FAQ 文件開始。不用一次把所有資料都丟進去。

Step 2 — 設定 Pinecone 向量資料庫

2.1 註冊 Pinecone

  1. 到 Pinecone 官網 註冊
  2. 免費方案就夠用了
  3. 建立一個 Index：
    • Dimensions 設 1536（配合 OpenAI text-embedding-3-small）
    • Metric 選 cosine

2.2 在 n8n 設定 Pinecone 憑證

  1. n8n → Credentials → Add Credential
  2. 搜尋 Pinecone
  3. 填入 API Key（從 Pinecone 後台複製）
  4. 填入 Environment（例如 us-east-1）

Step 3 — 建立 Embedding 工作流（知識庫寫入）

這條工作流負責把你的文件「吃進」向量資料庫。

3.1 整體架構

Manual Trigger（手動執行）
    ↓
讀取資料來源（Google Drive / HTTP Request）
    ↓
Text Splitter（切割文件）
    ↓
Embeddings OpenAI（轉成向量）
    ↓
Pinecone Vector Store（存入）

3.2 文件切割（Chunking）

為什麼要切割？因為 AI 模型有 token 限制，而且太長的文本 Embedding 效果不好。

n8n 有內建的 Recursive Character Text Splitter 節點：

  • Chunk Size：建議 500-1000 字元
  • Chunk Overlap：建議 100-200 字元（讓前後段落有重疊，避免切斷語意）

3.3 Embedding 設定

用 Embeddings OpenAI 節點：

  • Model 選 text-embedding-3-small（便宜又夠用）
  • 這個節點會自動把文字轉成 1536 維的向量

3.4 存入 Pinecone

用 Pinecone Vector Store 節點：

  • Operation 選 Insert Documents
  • 選好你的 Index
  • Metadata 欄位可以加上來源、日期等資訊（後面查詢時可以過濾用）

跑一次這個工作流，你的知識庫就建好了。

Step 4 — 建立查詢工作流（AI 問答）

這條工作流是使用者實際互動的部分。

4.1 使用 AI Agent 節點

n8n 的 AI Agent 節點可以直接把 Pinecone 當工具使用，不用自己串查詢邏輯（來源：n8n Advanced AI 文件）。

Chat Trigger / Webhook
    ↓
AI Agent
    ├── Chat Model: OpenAI GPT-4o
    ├── Tool: Pinecone Vector Store（Retrieve 模式）
    └── System Prompt: 你是一位客服助理...

4.2 System Prompt 範例

你是 [公司名] 的客服助理。
請根據提供的參考資料回答客戶問題。

規則：
1. 只根據參考資料回答，不要自己編造
2. 如果資料中沒有答案，回覆「這個問題我需要轉給真人客服」
3. 用繁體中文回答
4. 語氣親切、簡潔

這個 System Prompt 很重要——它告訴 AI「不知道就說不知道」，避免瞎掰。

4.3 測試

用 n8n 內建的 Chat UI 測試：

  1. 問一個你資料裡有答案的問題 → 應該能正確回答
  2. 問一個你資料裡沒有的問題 → 應該回覆「需要轉給真人」

Step 5 — 串接前端

Chatbot 做好了，接下來要讓使用者能用。幾種串接方式：

Webhook（最萬用）

用 Webhook 節點當入口，任何前端都能串：

  • 自家官網嵌入聊天視窗
  • 第三方客服平台

LINE Bot（台灣必備）

台灣用戶最多的通訊軟體就是 LINE。把 RAG Chatbot 串上 LINE Bot，客戶在 LINE 上問問題，AI 自動回覆。

詳細做法看這篇：n8n + LINE Bot 完整串接教學。

n8n Chat Embed

n8n 有內建的聊天介面，可以直接嵌入網頁。最快的方式。

效果優化技巧

RAG 建好了但回答不夠準？試試這些：

1. 調整 Chunk 大小

  • Chunk 太大：找到的內容太雜，AI 抓不到重點
  • Chunk 太小：缺少上下文，AI 看不懂
  • 實測建議：FAQ 類文件用 300-500 字元，長文件用 800-1000 字元

2. 優化 Metadata

存入向量資料庫時加上 Metadata（例如：分類、日期、來源頁面），查詢時可以用 Metadata 過濾，提高準確度。

3. Prompt 工程

System Prompt 加上「引用來源」的要求：

回答時請附上參考資料的來源段落。如果多個來源有衝突，以最新日期的為準。

結合向量搜尋（語意）+ 關鍵字搜尋（精確），效果更好。Pinecone 和 Qdrant 都支援。

5. 定期更新知識庫

用 Schedule Trigger 定期重跑 Embedding 工作流，確保資料是最新的。

模板下載

這篇教學的完整工作流模板：

  1. 知識庫建立工作流（Pinecone 版）
  2. RAG 問答工作流（含 System Prompt）

直接上模板 >> n8nstart.cc/templates

下一步

RAG Chatbot 是你的第一個智慧 AI 應用，接下來可以繼續深入：

本週限量包有完整的 RAG Chatbot 工作流模板，含 Pinecone 和 Qdrant 兩個版本 >> n8nstart.cc/weekly

常見問題 FAQ

RAG 和 Fine-tuning 哪個好？

看需求。RAG 適合「讓 AI 查你的資料」，Fine-tuning 適合「改變 AI 的行為和風格」。大部分客服場景用 RAG 就夠了。RAG 的優點是資料更新快、成本低、不用重新訓練模型。

向量資料庫要花多少錢？

Pinecone 免費方案有 2GB 儲存空間，一般中小企業的 FAQ 和產品文件完全夠用。Qdrant 自架的話免費，只有 VPS 費用。

Chunk 大小怎麼決定？

沒有標準答案，要看你的資料類型。FAQ 類（一問一答）用小 Chunk（300-500 字元），長文件用大 Chunk（800-1000 字元）。建議先試中間值，再根據回答品質調整。

資料更新了怎麼辦？

重跑 Embedding 工作流就好。建議用 Schedule Trigger 設定自動更新（例如每天凌晨跑一次）。Pinecone 支援 upsert，相同 ID 的文件會自動覆蓋。