用 n8n 从零搭建 AI 知识库问答 Agent（RAG 工作流实战）

很多团队买了大模型 API，却发现模型"不知道"自己公司的产品细节、内部文档和历史案例。解决这个问题的标准做法是 RAG（检索增强生成）：先把你自己的知识切片、向量化、存起来，用户提问时先检索相关内容，再交给大模型作答。n8n 作为可视化工作流工具，正好把这条链路串起来，而且全部节点可拖拽，不用写一行服务端代码。

本文基于 n8n 2026 年版本与社区模板，按「知识摄入 → 向量存储 → 问答链路」三步搭建，最后给出常见坑。

一、准备：两种跑法

n8n 有两种常用部署方式：

方式	适合场景	命令要点
npm 本地运行	个人测试、快速上手	`npx n8n` 或 `npm install -g n8n` 后 `n8n start`
Docker（推荐生产）	团队使用、数据持久化	`docker compose up -d`，配 Postgres + Redis 队列模式

生产环境建议用 Docker + Postgres + Redis 队列模式（EXECUTIONS_MODE=queue），工作流多了以后可以横向扩展多个 worker，避免单进程瓶颈。

二、知识摄入工作流：把文档变成向量

这一步的目标：读取源文档 → 切片 → 向量化 → 入库。n8n 官方模板（知识摄入模板）可以直接套用：

触发器：选"定时"（每天跑一次，适合文档定期更新）或"Webhook"（手动触发）。
读数据：按你的知识来源选节点——PDF 文件、网页抓取、CSV、数据库都可以。
切片（Split）：文档太长必须先切块，常见策略是固定长度切片，比如每块 500-800 字符并保留少量重叠，避免把一句话从中间切断。
向量化（Embed）：接一个 Embedding 模型节点（OpenAI、本地 Ollama 等都可以），把每块文本转成向量。
入库（Store）：写入 n8n Data Table 或外部向量数据库（如 Qdrant、pgvector）。

这套摄入工作流只在知识更新时跑一次，不需要每次问答都重复。

三、问答链路：检索 + 生成

问答部分拆成两个节点即可：

AI Agent 节点（核心编排）：配置你的大模型凭据、角色系统提示词，接一个 Memory 节点保存多轮对话上下文。
知识库工具节点：接上一步的向量库作为工具。用户提问时，Agent 先在知识库里检索最相关的切片，再结合切片内容生成回答，回答可以带出处引用。

n8n 官方提供了两个可直接用的模板：知识摄入模板（n8n.io/workflows/13353）和问答 Agent 模板（n8n.io/workflows/13354），改改数据源和模型即可跑通。

四、进阶：给 Agent 配多个工具

问答 Agent 不只能查知识库。在 AI Agent 节点下可以挂多个工具子节点：

HTTP Request 工具：调外部 API（查天气、查价格）
Gmail / Sheets 工具：读写邮件、表格
Code 工具：执行自定义 JavaScript 处理逻辑

一个 Agent 同时具备"查内部知识 + 调外部接口"的能力，就接近真正的数字员工了。

五、常见坑与建议

切片策略别乱调：切片太小丢失上下文，太大会稀释检索精度。从 500-800 字符起步，用真实问题测召回效果再微调。
Memory 类型按场景选：窗口缓冲内存适合大多数场景、token 消耗可控；知识密集型场景用向量存储内存；生产环境要跨重启持久化，用 Postgres 内存。
来源要有引用：知识条目带出处，Agent 回答时能引用来源，可信度高很多，也方便人工复核。
先小步验证：别一次灌 10 万条文档。先放 50 条，把检索质量调对，再规模化。

小结

n8n 搭建知识库问答 Agent 的本质，是把「文档 → 切片 → 向量 → 检索 → 生成」这条 RAG 链路可视化、可维护化。它不要求你会写后端，适合内容团队、运营团队自己维护"企业专属 AI 问答"，这也是 2026 年落地最广的 Agent 场景之一。

以上为社区公开教程与官方模板口径，版本更新较快，以 n8n 官方文档为准。