用 n8n 搭一个企业 RAG 知识库问答

2026-06-17

企业 RAG 知识库问答，本质是给大模型配一个”专属资料库”：先把公司文档切片、向量化存进检索库，提问时先检索相关片段、再让大模型据此作答。 用 n8n 这类工作流编排工具，可以把”切分 → 入库 → 检索 → 问答”这几个环节用可视化节点串起来，不写一行后端代码就跑通一个内部答疑机器人。本文带你理清整条链路怎么搭、每个节点干什么、哪里最容易踩坑。

想先补概念的，建议先看 RAG 是什么，理解”开卷考试”这个核心比喻后再回来动手。

n8n 是什么，为什么用它搭 RAG

n8n 是一个开源的工作流自动化平台，用拖拽节点的方式把不同服务（数据库、API、大模型、网盘）连成一条自动执行的流水线，类似国外的 Zapier、国内的影刀，但更偏开发者、可自托管。

搭 RAG 知识库，你完全可以用 LangChain、Dify 这类专门框架。选 n8n 的理由很实际：

可视化：每个环节是一个看得见的节点，链路一目了然，方便调试和交接。
可自托管：文档不出内网，企业数据合规性好把控。
胶水能力强：天然擅长把飞书文档、企业网盘、数据库、IM 机器人这些”边角”接进来。

如果你要的是开箱即用的问答 SaaS，Dify 教程更省事；如果你要把知识库嵌进现有业务流程（比如工单系统自动答疑），n8n 的编排优势就出来了。

RAG 知识库的四个核心环节

动手前先记住这条主线，n8n 里搭的就是它：

环节	干什么	通俗说
文档切分	把长文档拆成小片段	把书撕成一页页便签
向量化入库	片段转成向量存进向量库	给每张便签贴上”语义指纹”
检索召回	按问题找最相关片段	翻出最对题的几张便签
大模型问答	带着片段让模型作答	开卷考试，照着便签答

前两步是离线建库（文档变了才重跑），后两步是在线问答（每次提问都走）。在 n8n 里通常对应两条独立工作流。

向量库怎么选，直接影响检索质量和运维成本，可参考向量数据库选型（规划中）。

第一步：搭建库工作流（离线）

建库流是”喂数据”的一次性（或定时）流程，典型节点顺序：

触发节点：手动触发，或定时（每天同步网盘新文档）。
读取文档：从飞书、企业网盘、本地目录拉取原始文件（PDF/Word/Markdown）。
提取文本：用对应节点把二进制文档转成纯文本。
文本切分：按固定长度 + 重叠（overlap）切片。切分粒度是 RAG 质量的命门——太大检索不准、太小丢上下文，常见做法是几百字一片、片间留一点重叠，具体参数以你的文档类型调试为准。
向量化：调 Embedding 模型把每个片段转成向量。
写入向量库：把”向量 + 原文 + 元数据（来源、章节）“一起存进去。

n8n 的 AI 相关节点已内置了 Embedding 与向量库的对接能力，具体节点名称与配置项以官方文档为准，不同版本会有差异。

第二步：搭建问答工作流（在线）

问答流是用户每次提问都会走的链路：

触发节点：接收提问。来源可以是 Webhook（对接 IM 机器人）、聊天触发器或表单。
问题向量化：用和建库时同一个 Embedding 模型把问题转成向量——两边模型必须一致，否则向量不在同一空间，检索全乱。
向量检索：拿问题向量去向量库里查最相似的 Top-K 个片段。
拼装 Prompt：把检索到的片段塞进提示词，模板大致是：

你是企业内部知识助手。只依据下面的资料回答问题，
资料里没有的，就说"知识库中未找到"，不要编造。

【资料】
{检索到的片段}

【问题】
{用户问题}

调用大模型：把拼好的 Prompt 发给大模型生成答案。
返回结果：把答案（最好带上来源出处）回给用户。

这条流跑通，你的内部答疑机器人就成型了——员工在群里 @ 它问”报销流程是什么”，它会照着公司制度文档回答，而不是张口胡说。

进阶：让答案更准、更可信

跑通只是起点，企业级答疑还要做这几件事：

带出处：回答时附上来源文档和章节，员工能溯源、敢信。
加兜底：检索相似度过低时直接回”知识库未覆盖”，宁可不答也别瞎答——这是企业场景的底线。
混合检索：向量检索 + 关键词检索结合，专有名词、编号类问题召回更稳。
定时同步：建库流挂定时触发，文档一更新就增量入库，避免答案过期。
问答留痕：把问题和答案记进数据库，定期看哪些问题答不好，反向优化文档和切分。

想把这套机器人长成完整的”数字员工”，可以延伸看企业 AI 知识库搭建（规划中）。

新手常见坑

两端 Embedding 模型不一致：建库和问答必须用同一个，换模型要重建整个库。
切分太粗暴：直接按字数硬切会把一句话劈两半，尽量按段落、标题等自然边界切。
不给兜底就上线：模型会”自信地编造”，没兜底的答疑机器人在企业里是事故源头。
元数据漏存：入库时不存来源信息，后面想做”带出处”就抓瞎，建库阶段一次存好。
拿 n8n 当数据库：n8n 是编排层，向量、原文该进专门的向量库，别想着塞进工作流变量里。

常见问题

用 n8n 搭 RAG 需要会写代码吗？ 基本不用。核心链路靠拖拽节点完成，少量地方（如 Prompt 模板、字段映射）写点表达式即可，比纯手写后端门槛低很多。

n8n 和 Dify、Coze 搭知识库有什么区别？ Dify、Coze 更偏”开箱即用的问答应用”，配好就能用；n8n 更偏”通用编排”，强在把知识库嵌进已有业务流程、对接内部系统。要快速出问答页选前者，要深度集成选 n8n。

企业文档不想外传，能本地化吗？ 能。n8n 可自托管部署在内网，向量库也能选本地方案，配合可私有部署的模型，整条链路数据不出内网。具体部署方式以官方文档为准。

为什么知识库问答还会答错？ 多半出在检索环节：要么切分太碎丢了上下文，要么 Embedding 没选好导致召回不准，要么没加兜底让模型硬编。先查”检索回来的片段对不对”，再怀疑模型。

👉 看看 AI 数字员工落地指南，或了解数字员工搭建实战课。需要为企业落地一整套知识库方案，欢迎找我们聊企业服务。