n8n使用强化学习和 RAG 构建聊天机器人-AI应用集

此模板专为内部支持团队、产品专家和知识经理设计，他们希望通过 Telegram 构建具有检索增强生成 (RAG) 和从人类反馈中强化学习 (RLHF) 的人工智能知识助手。

这个工作流程解决了什么问题？

手动知识管理和解答支持查询可能非常耗时且容易出错。此解决方案可自动将官方文档导入 MongoDB 矢量搜索并编入索引，并通过基于 Telegram 的用户反馈增强 AI 响应，从而持续提升解答质量。

这些工作流程的作用

工作流程 1：文档提取和索引

手动触发的工作流程从 Google Docs 导入产品文档。
文档被分成可管理的块并使用 OpenAI 嵌入进行嵌入。
嵌入式文档块存储在 MongoDB Atlas 向量存储中以实现语义搜索。

工作流程 2：带有 RLHF 反馈循环的 Telegram 聊天

通过 Telegram 机器人集成监听用户消息。
使用 MongoDB 上的向量相似性搜索来检索相关文档块。
使用检索增强生成通过 OpenAI GPT-4o-mini 模型生成答案。
通过 Telegram 发回答复并等待用户反馈（批准或不批准）。
捕获反馈，将其映射为正面或负面，并将其与对话数据一起存储以供将来模型改进。

设置

设置向量嵌入

验证 Google Docs 并连接包含您想要索引的产品文档的 Google Docs URL。
验证 MongoDB Atlas 并连接您想要存储向量嵌入的集合。在此集合上创建搜索索引以支持向量相似性查询。
确保索引名称与 n8n（data_index）中配置的名称匹配。
请参阅下面的示例 MongoDB 搜索索引模板以供参考。

使用 Telegram RLHF 设置聊天

使用 /newbot 命令在 Telegram 中通过 @botFather 创建一个机器人。
连接上一个工作流程中用于向量搜索的 MongoDB 数据库和搜索索引。同时在 MongoDB Atlas 中创建两个新集合：一个用于反馈，一个用于聊天记录。复制提供的模板，为反馈创建一个搜索索引。
在“知识库代理”节点中配置 AI 系统提示，确保它引用模板提示中提供的所有三个连接的工具（productDocs、feedbackPositive、feedbackNegative）。

确保

产品文档和反馈收集必须连接到同一个 MongoDB 数据库。
有三个不同的 MongoDB 集合：一个用于产品文档，一个用于反馈，一个用于聊天历史记录（聊天历史记录集合可以单独）。
Telegram API 凭证有效并且 webhook URL 设置正确。

MongoDB 搜索索引模板

文献收集索引

{
“映射”：{
“动态”：false，
“字段”：{
“_id”：{
“type”：“string”
}，
“文本”：{
“type”：“string”
}，
“嵌入”：{
“type”：“knnVector”，
“维度”：1536，
“相似性”：“余弦”
}，
“源”：{
“type”：“string”
}，
“doc_id”：{
“type”：“string”
}
}
}
}

反馈收集索引

{
“映射”：{
“动态”：false，
“字段”：{
“提示”：{
“类型”：“字符串”
}，
“响应”：{
“类型”：“字符串”
}，
“文本”：{
“类型”：“字符串”
}，
“嵌入”：{
“类型”：“knnVector”，
“维度”：1536，
“相似性”：“余弦”
}，
“反馈”：{
“类型”：“令牌”
}
}
}
}