AI Agent – RAG &Workflow automation (n8n)

🎯1. 什麼是 RAG？

RAG 代表 檢索增強生成 (Retrieval-Augmented Generative)。 它是一種框架或架構，透過在 LLM 生成回應之前，讓它能存取最新、外部且特定領域的知識，從而增強其能力。你可以將其視為賦予 LLM 一種針對可信任資料庫的即時「查詢」能力。

📜 AquaStream 內部知識庫範例

讓我們想像一個情境：「AquaStream 水處理系統」公司有一個龐大且複雜的內部手冊。這本手冊包含原始 LLM 從未訓練過的細節。 以下是儲存在 RAG 系統知識庫中的兩段簡短、相關的摘錄：

文件編號	內容摘錄（「檢索」資料）
Doc-A14	「所有在 2024 年 1 月 1 日之後購買的 AquaStream Model 500 過濾裝置 的保固期為 24 個月。這僅涵蓋材料和工廠工藝的缺陷。」
Doc-B21	「要啟動 Model 500 的保固索賠，客戶必須將序號和購買證明通過電子郵件發送至 claims@aquastream.com。初次提交索賠不提供電話支援。」

❓ 使用者查詢

一位新員工向 LLM 提問：

「Model 500 的保固期是多久？客戶如何開始索賠？」

🧠 RAG 流程運作（實際案例）

1. 檢索 (R):

• RAG 系統接收到查詢。
• 它搜尋 AquaStream 知識庫（內部手冊）。
• 它識別出 Doc-A14 和 Doc-B21 是最相關的摘錄。

2. 增強 (A):

• RAG 系統將原始查詢與檢索到的摘錄結合起來，創建一個新的、增強的提示發送給 LLM。

發送給 LLM 的增強提示： 「請根據以下內容回答問題：『Model 500 的保固期是多久？客戶如何開始索賠？』 內容：

1. 『所有在 2024 年 1 月 1 日之後購買的 AquaStream Model 500 過濾裝置的保固期為 24 個月。這僅涵蓋材料和工廠工藝的缺陷。』
2. 『要啟動 Model 500 的保固索賠，客戶必須將序號和購買證明通過電子郵件發送至 claims@aquastream.com。初次提交索賠不提供電話支援。』」

3. 生成 (G):

• LLM 閱讀這個增強的提示。由於答案已明確在上下文中提供，LLM 只需生成一個清晰、準確且有依據的回應。

✅ LLM 的最終 RAG 回應

「AquaStream Model 500 過濾裝置的保固期為 24 個月（適用於 2024 年 1 月 1 日之後購買的裝置），涵蓋材料和工廠工藝的缺陷。 要啟動保固索賠，客戶必須將裝置的序號和購買證明通過電子郵件發送至 claims@aquastream.com。請注意，初次索賠不能通過電話支援提交。」 (來源: AquaStream 內部手冊, Doc-A14 & Doc-B21)

---

關鍵要點： LLM 以前並不知道「24 個月」這個細節。RAG 系統即時為它提供了這個關鍵的、專有資訊，從而確保了高度準確的回應。

---

📐2. 向量資料庫與嵌入 (Vector Databases and Embeddings)

理解向量資料庫是掌握 RAG 系統檢索步驟背後技術的關鍵。

🧠 核心問題：電腦如何「理解」意義？

傳統資料庫搜尋的是完全的關鍵字匹配。如果你搜尋「狗 (dog)」，它不會找到包含「犬科動物 (canine)」這個詞的文件。這對於理解人類查詢（通常有許多不同的措辭）來說是沒有用的。 向量資料庫透過將所有資訊——包括使用者的查詢和文件——以其意義而非其詞語來表示，從而解決了這個問題。

1. 什麼是嵌入？（將文字轉換為意義）

嵌入 (embedding) 是一個文字片段（一個詞、句子或文件區塊）的數字表示，它捕捉了該片段的意義和上下文。

• 它是一個長串數字，或是一個高維空間中的「向量」。
• 關鍵的特性是，意義相似的文字，它們的向量在這個空間中的數字距離會很接近。

2. 向量資料庫的作用（搜尋）

當 RAG 系統執行檢索步驟時，會發生以下情況：

1. 查詢編碼： 你的查詢（例如：「保固期是多久？」）首先會通過一個專業的模型（稱為嵌入模型），將其轉換為單一的數字查詢向量。
2. 相似度搜尋： RAG 系統將此查詢向量發送到向量資料庫。資料庫的工作是快速找到那些最接近（最相似）查詢向量的預存文件向量。這些向量之間的距離是通過 餘弦相似度 (cosine similarity) 等技術進行數學測量的——距離越小，摘錄的相關性越高。
3. 檢索： 資料庫返回與最接近向量相關聯的實際文字摘錄（例如：我們前面例子中的 Doc-A14 和 Doc-B21）。

整個過程確保了 RAG 系統是基於概念相關性（而不僅僅是關鍵字匹配）來檢索資訊的，這是其準確性的基石。

---

2.  Al Agent automation workflow – n8n

This video from the Facebook provides a comprehensive picture how n8n works. The customer would send a message or voice to the Telegram. Upon message received, a Switch node is connected which switch the message text or audio, and send the text file to AI Agent.  The AI Agent makes use of Open AI chat (LLM) with simply memory and draft a email to reply. The reply message will then send to owner’s Telegram. Below is the video links https://www.facebook.com/reel/1666405898100336 以下是n8n的工作流程, 利用AI Agent 去進行查問及回應… 在周易星象史話 請問與屯卦有關的星宿 ? 步驟 1 接收聊天訊息 步驟 2 AI 代理處理使用者訊息提示 步驟 3 使用查詢回答問題 步驟 4 Pinecone 向量資料庫以操作模式檢索文件 步驟 5 Azure OpenAI 聊天模型以 gpt-5-mini 存取「訊息」 步驟 6 使用 Azure OpenAI 的 “text-embedding-3-large” 進行嵌入查詢 步驟 7 使用簡單記憶 步驟 8 再次套用 Azure OpenAI 聊天模型將訊息傳回聊天

---

📊 流程表格（繁體中文）

步驟	說明
步驟 1	接收聊天訊息
步驟 2	AI 代理處理使用者訊息提示
步驟 3	使用查詢回答問題
步驟 4	Pinecone 向量資料庫以操作模式檢索文件
步驟 5	Azure OpenAI 聊天模型以 gpt-5-mini 存取「訊息」
步驟 6	使用 Azure OpenAI 的 “text-embedding-3-large” 進行嵌入查詢
步驟 7	使用簡單記憶
步驟 8	再次套用 Azure OpenAI 聊天模型將訊息傳回聊天

RAG Vector Store workflow automation

Step 1 Chat Message received

Step 2 AI Agent workout with User Message Prompt.

Step 3 Answer question with query

Step 4 Pinecone vector store with operation mode to retrieve documents

Step 5 Azure OpenAI Chat Model to access the “message ” with gpt-5-mini

Step 6 Embedding Azure OpenAI to query with “text-embedding-3-large” for embedding

Step 7 Using Simple Memory

Step 8 Apply Azure OpenAI chat model again to deliver the message back to chat.