一条把 RAG（检索增强生成）从头讲到尾的 n8n 教学模板，9 个节点分成两段：第一段是一次性的建库过程——自动爬取 n8n 官方文档全部页面，用递归字符切分器拆成小块，调 OpenAI Embeddings 生成向量，存进 n8n 内置的 Simple Vector Store；第二段是聊天界面——AI Agent 收到提问后先去向量库里检索最相关的片段，再把这些片段连同「只能依据以下信息作答」的硬约束一起喂给模型。
它的价值不在于「做一个 n8n 文档机器人」，而在于把文档换成你自己的知识库，整套骨架直接复用：爬取 → 切分 → 向量化 → 检索 → 受约束生成，每一步都是独立可见的节点。不需要外部数据库，是本站收录里最适合拿来理解 RAG 结构的一条。
n8n 模板页数据：作者 ayhamjo7，2025-07-22 发布，浏览量约 183（采集于 2026-07-27）；模板致谢 Lucas Peyrin。
能做什么
- 自动爬取 n8n 官方文档的全部页面（HTTP Request + HTML 解析节点）
- 用递归字符切分器把长文档拆成适合检索的小块
- 调用 OpenAI Embeddings 为每个块生成向量，存入 n8n 内置向量库
- AI Agent 基于检索结果作答，并受「仅依据检索内容」的提示词约束，减少凭空编造
- Memory 节点提供多轮对话记忆
- Chat Trigger 提供一个可公开访问的聊天页 URL
前置条件
- n8n（云或自托管均可）
- OpenAI API Key（对话模型与 Embeddings 共用同一套凭据）
- 无需外部向量数据库——模板用的是 n8n 内置的 Simple Vector Store
使用步骤
- 导入模板，在任意一个 OpenAI 节点里新建凭据填入 API Key。
- 把这套凭据分别应用到另外两个 OpenAI 节点（对话模型与 Embeddings 都要选上）。
- 找到左上角的
Start Indexing手动触发节点，点击执行开始建库。按模板说明，抓取与向量化整份文档需要约 15–20 分钟。 - 建库完成后启用整条工作流，打开左下角 Chat Trigger 节点复制其 Public URL。
- 在新标签页打开该链接提问，例如「IF 节点怎么用」「什么是子工作流」。
- 要换成自己的知识库，把爬取节点的目标站点和解析规则改掉即可，后续链路无需改动。
适用场景
- 想动手理解 RAG 每一步在做什么的 n8n 使用者
- 给内部文档 / 产品手册 / 帮助中心做问答机器人的原型验证
- 团队新人自助查文档，减少重复答疑
- 作为教学素材演示「检索约束如何抑制幻觉」
注意事项
- 内置向量库是内存态的，n8n 实例一重启就清空，届时必须重跑一遍索引。要长期运行请把 Simple Vector Store 换成 Qdrant、Supabase 等持久化向量库。
- 建库耗时明显长于配置耗时（约 15–20 分钟 vs 约 2 分钟），第一次跑请留足时间，别中途取消。
- 模板文案里有处不一致：正文描述提到用 Gemini 作答，但实际节点用的是 OpenAI 对话模型与 Embeddings。以节点为准。
- 爬取整站文档会产生较多请求，注意目标站点的访问频率礼仪。
- Chat Trigger 的 Public URL 是公开可访问的，不要在里面索引敏感内部资料。
- OpenAI 为海外服务，国内访问通常需要国际网络；Embeddings 与对话调用均按量计费，具体价格以官方 pricing 页为准。