第一個 AI Agent 工作流：RAG 客服機器人 30 分鐘搭好

很多人問我：「N8N 串 AI 最實用的第一個案子是什麼？」

我的答案一直是：RAG 客服機器人。

不是因為它最炫，而是因為它解決了一個幾乎所有人都有的問題——你有一堆知識（FAQ、產品說明、政策文件），但你不可能 24 小時守在旁邊回答問題。

這篇文章就是帶你一步一步搭出來。

我會假設你已經有一個可以用的 N8N 環境，以及一個 OpenAI 的 API Key。除此之外，你不需要任何技術背景。

什麼是 RAG？為什麼你需要它

RAG 的全名是 Retrieval-Augmented Generation，中文可以理解為「先查資料再生成回答」。

一般的 AI（不用 RAG）：你問它問題，它根據訓練時學到的知識回答。問題是它的訓練數據截止到某個時間，它不知道你們公司的退換貨政策，它也可能會「幻覺」——自信地說出看起來合理但根本不對的答案。

RAG 架構的 AI：你問它問題，它先去你的知識庫找相關資料，然後根據找到的資料來回答。它只說知識庫裡有的東西，不會亂猜。

對客服場景來說，這個差別非常關鍵。你要的不是一個「看起來很聰明」的 AI，你要的是一個「說對話、不出錯」的 AI。RAG 讓這件事成為可能。

你需要準備什麼

在開始之前，把這些東西準備好：

一、N8N 環境（Cloud 或自架都可以）

二、OpenAI API Key（用來做 Embeddings 和生成回答）

三、Supabase 帳號（免費方案夠用，用來當 Vector Store 存向量資料）

四、一份你的 FAQ 文件（純文字就好，5-20 條問答最適合入門）

Supabase 是這裡最需要額外設定的部分，但不難。我們等一下會走過設定步驟。

整體架構說明

這個 RAG 客服機器人由兩條流程組成：

流程 A 是知識庫建立流程，只跑一次，或知識庫更新時跑。把你的 FAQ 文字切成小段，轉成向量，存進 Supabase。

流程 B 是客服對話流程，每次有人問問題就觸發。收到問題後把問題轉成向量，在 Supabase 找最相近的資料，把資料加上問題丟給 GPT，輸出回答。

這樣設計的好處是：知識庫和對話是分離的。你更新了 FAQ，只需要重跑流程 A，流程 B 自動就用到最新的資料。

第一步：設定 Supabase Vector Store

Supabase 是一個開源的 Firebase 替代品，有免費方案，支援 pgvector 擴充套件，可以直接當 Vector Store 用。

進到 Supabase 後台，點「SQL Editor」，執行以下 SQL 建立你需要的資料表和函式：

-- 啟用向量擴充套件
create extension if not exists vector;

-- 建立文件儲存表
create table documents (
  id bigserial primary key,
  content text,
  metadata jsonb,
  embedding vector(1536)
);

-- 建立向量相似度搜尋函式
create or replace function match_documents (
  query_embedding vector(1536),
  match_count int default 5,
  filter jsonb default '{}'
) returns table (
  id bigint,
  content text,
  metadata jsonb,
  similarity float
)
language plpgsql
as $$
begin
  return query
  select
    documents.id,
    documents.content,
    documents.metadata,
    1 - (documents.embedding <=> query_embedding) as similarity
  from documents
  where metadata @> filter
  order by documents.embedding <=> query_embedding
  limit match_count;
end;
$$;

執行成功後，你就有了一個可以存向量資料並且做相似度搜尋的資料庫。

接下來在 Supabase 的「Settings > API」取得你的 Project URL 和 anon/service role API key。這兩個等一下 N8N 設定時會用到。

第二步：建立知識庫建立流程（流程 A）

回到 N8N，新建一條流程，我們叫它「建立知識庫」。

節點一：Manual Trigger

新增一個 Manual Trigger。這條流程我們手動跑就好，不需要排程。

節點二：Edit Fields 輸入 FAQ 資料

新增一個「Edit Fields（Set）」節點，在這裡直接把你的 FAQ 資料貼進來。

欄位設定：Field Name 填 text，Field Value 把你的 FAQ 文字貼進來，一次貼全部，不同問題用換行分開。

範例內容：

Q: 訂單多久會出貨？
A: 一般訂單在確認付款後 1-2 個工作天內出貨。

Q: 可以退換貨嗎？
A: 商品到貨 7 天內可申請退換貨，需保持商品完整未使用狀態。

Q: 運費怎麼算？
A: 消費滿 500 元免運費，未達門檻運費 60 元。

在實際使用中，你可以改成從 Google Docs 或 Notion 讀取，讓知識庫的更新更方便。

節點三：Text Splitter 切分文字

新增「Recursive Character Text Splitter」節點（在 Document Loaders 分類下找）。

設定 Chunk Size 為 500（每段最多 500 字元），Chunk Overlap 為 50（相鄰段落重疊 50 字元，防止語意被切斷）。

切分的目的：太長的文字轉成向量後，相似度搜尋的準確率會下降。切成小段，搜尋更精準。

節點四：Embeddings OpenAI 轉換成向量

新增「Embeddings OpenAI」節點。選你的 OpenAI API Key，Model 選 text-embedding-3-small（小模型就夠用，便宜）。

節點五：Supabase Vector Store 儲存向量

新增「Supabase Vector Store」節點，選「Insert Documents」模式。

設定 Credential（填入 Project URL 和 API Key），Table Name 填 documents，Query Name 填 match_documents（對應我們剛才建立的函式名稱）。

連結方式：把 Text Splitter 輸出接到 Embeddings OpenAI，再接到 Supabase Vector Store。

現在點「Test Workflow」，如果設定正確，你的 FAQ 資料就會被切分、轉成向量、存進 Supabase。

去 Supabase 的「Table Editor」點開 documents 表，你應該會看到幾筆資料，每筆都有 content（文字）和 embedding（一大串數字，就是向量）。

第三步：建立客服對話流程（流程 B）

新建第二條流程，叫它「客服對話」。

節點一：Webhook Trigger

新增「Webhook」節點，選「POST」方法。

這個 Webhook URL 是你的「問題輸入口」。任何人或任何系統把問題 POST 到這個 URL，就會觸發這條流程。

HTTP Method 選 POST，Response Mode 選 Last Node。

Webhook 啟用後，你會拿到一個 URL，後面的步驟測試時會用到。

節點二：AI Agent 節點

新增「AI Agent」節點。這是整個流程的核心。

System Message 設定：

你是一個友善的客服助手。根據提供給你的知識庫內容回答客戶問題。
如果知識庫裡沒有相關資訊，請誠實地說你不確定，並請客戶聯繫人工客服。
回答要簡潔清楚，不要超過 150 字。

節點三：連接 OpenAI Chat Model

在 AI Agent 節點下方，新增「OpenAI Chat Model」作為 Language Model。選你的 OpenAI API Key，Model 選 gpt-4o-mini（夠用，便宜）。

節點四：連接 Supabase Vector Store 作為知識工具

在 AI Agent 節點下方，再新增「Supabase Vector Store」節點，這次選「Retrieve Documents (As Tool for AI Agent)」模式。

這個設定讓 Supabase 成為 AI Agent 可以主動查詢的工具。

Table Name 填 documents，Query Name 填 match_documents。

Tool Description 填：「搜尋 FAQ 知識庫，找出與問題相關的答案。當你需要回答客戶問題時使用此工具。」

同樣需要連結 Embeddings OpenAI 節點到這個 Vector Store，讓搜尋時能把問題也轉成向量。

節點五：Respond to Webhook 回傳結果

新增「Respond to Webhook」節點，把 AI Agent 的輸出回傳給請求方。

Respond With 選 First Incoming Item，Response Body 填 {{ $json.output }}。

第四步：測試整個流程

流程 B 設定好之後，先不要 Activate，用手動方式測試。

打開終端機或 API 測試工具（Postman 也可以），發一個 POST 請求到你的 Webhook URL：

{
  "chatInput": "我的訂單多久會出貨？"
}

如果一切正常，你應該在幾秒內收到一個回覆，內容會參考你知識庫裡的訂單出貨說明。

試試幾個不同的問題：

「可以退貨嗎？」應該回答退換貨政策。

「你們有 VIP 方案嗎？」應該說不確定，請聯繫人工客服（因為知識庫裡沒有這條資訊）。

第二個測試很重要。你要確認 AI 在知識庫沒有答案的時候，不會亂說話。

常見問題與除錯

「向量搜尋結果不準確」：通常是文字切分的問題。試著把 Chunk Size 調小到 300-400，或者在 FAQ 的寫法上讓每個問答更獨立，不要互相引用。

「AI 回答的內容不在知識庫裡」：System Message 加強限制，說明只根據工具回傳的資料回答問題，不要使用自己的知識。這樣可以大幅降低 AI 自行發揮的機率。

「Supabase 連接失敗」：確認 API Key 用的是 service_role 而不是 anon，因為 anon key 預設有 Row Level Security 的限制。

「Webhook 沒有回應」：確認流程是 Active 狀態（右上角切換），而且 Webhook 節點的 Execution Mode 在正式上線要切到 Active，不是只有 Listen for test event。

進階：讓知識庫更聰明

這個基本版的 RAG 系統搭好之後，有幾個方向可以讓它更好用：

加入對話記憶：在 AI Agent 節點裡加一個 Window Buffer Memory，讓它記住同一個對話的前幾輪問答，這樣客戶說「那第二個問題呢？」它才知道在說哪個問題。

知識庫自動更新：改成從 Notion 或 Google Docs 讀取 FAQ，每週自動重跑知識庫建立流程。這樣更新知識庫不需要動到 N8N 的節點設定。

加入多來源知識庫：除了 FAQ，把你的退換貨政策 PDF、產品說明書也加進向量資料庫。用 metadata 欄位標記每筆資料的來源，讓 AI 回答時可以說「根據退換貨政策…」。

加入人工升級機制：在 AI Agent 後面加一個 IF 節點，判斷問題裡有沒有「退款」「客訴」「投訴」等高風險關鍵字，符合條件就轉給 Slack 通知人工客服介入。

你的第一個 AI Agent 就在這裡

30 分鐘，你搭好了一個真正能用的 RAG 客服機器人。

它不是玩具，它是一個可以接到你網站、LINE、甚至任何 Webhook 的真實服務。它根據你自己的知識庫回答問題，說不知道的時候也會說不知道。

你的 FAQ 文件現在在哪裡？是 Notion 還是 Google Docs 還是純文字檔？留言告訴我，我可以說說怎麼直接從那邊讀取資料，省掉手動貼文字的步驟。

想看完整的 AI Agent 架構與設計原則，請閱讀主文「N8N x AI Agent 完全指南」。或前往 N8Nstart 模板庫找現成的 RAG 客服機器人模板直接套用。