Описание

Этот рабочий процесс реализует систему адаптивного извлечения дополненной генерации (RAG), которая интегрирует языковые модели Google Gemini и векторное хранилище Qdrant. Цель заключается в классификации входящих запросов пользователей на четыре различных типа — фактический, аналитический, мненческий или контекстуальный — и применении соответствующих стратегий извлечения и ответа. Затем рабочий процесс извлекает наиболее релевантные документы из векторной базы данных и генерирует ответ с учетом контекста, предоставляя более точные, полные или нюансированные ответы в зависимости от классификации запроса.

Логические блоки рабочего процесса включают:

• 1.1 Прием и стандартизация ввода: Принимает пользовательские запросы с сопутствующими метаданными и стандартизирует входные данные.
• 1.2 Классификация запроса: Классифицирует пользовательский запрос в одну из четырех категорий, используя Google Gemini.
• 1.3 Применение адаптивной стратегии: Основываясь на классификации, применяет соответствующую стратегию переработки или разбиения запроса, используя специализированные агенты Google Gemini.
• 1.4 Подготовка подсказки: Настраивает системные подсказки и выводы, адаптированные под каждый тип запроса для дальнейшей генерации.
• 1.5 Извлечение документов: Использует переработанный запрос для извлечения релевантных документов из векторного хранилища Qdrant.
• 1.6 Конкатенация контекста: Объединяет содержимое извлеченных документов в единую строку контекста.
• 1.7 Генерация ответа: Генерирует финальный ответ, используя Google Gemini, опираясь на конкатенированный контекст и память чата.
• 1.8 Доставка ответа: Отправляет сгенерированный ответ обратно пользователю через вебхук.

Кроме того, рабочий процесс включает буферы памяти чата для каждого стратегического направления, чтобы поддерживать контекст разговора, и содержит полные наклейки с заметками для руководства пользователей и описания стратегий.

Оригинал воркфлоу на сайте n8n.io

👉🏻 Скачать на сайте n8n

____________