Chatboty11 września 20252 min czytania

Chatbot RAG w n8n: jak połączyć dane firmy z AI

Jak zbudować chatbota RAG w n8n: indeksowanie dokumentów firmy w bazie wektorowej, workflow rozmowy z agentem, zastosowania w marketingu i sprzedaży oraz kontrola jakości.

Patryk WlochCodeless
Co znajdziesz w tym artykule?

Chatbot RAG odpowiada na pytania na podstawie dokumentów firmy: ofert, katalogów, regulaminów, instrukcji. W n8n budujesz go z dwóch workflow. Pierwszy indeksuje dokumenty: pobiera je (np. z Google Drive, Notion lub strony), dzieli na fragmenty, tworzy embeddingi i zapisuje w bazie wektorowej. Drugi obsługuje rozmowę: pytanie użytkownika trafia do agenta, który wyszukuje pasujące fragmenty i odpowiada na ich podstawie, podając źródło. Dzięki temu chatbot mówi o Twojej ofercie, a nie ogólnikami z internetu.

Workflow 1: indeksowanie danych firmy

  1. Wyzwalacz: nowy lub zmieniony plik w Google Drive, harmonogram albo webhook z CMS.
  2. Odczyt treści: PDF, dokumenty, strony www.
  3. Podział na fragmenty (np. po kilkaset słów z zakładką) i dodanie metadanych: tytuł, data, link.
  4. Embeddingi i zapis w bazie wektorowej, np. Qdrant, Pinecone, Supabase lub PGVector.
  5. Usuwanie starych fragmentów po zmianie dokumentu.
Dokumenty połączone strzałkami z bazą danych i dymkami rozmowy, z ikoną pliku i znacznikiem zatwierdzenia na ciemnym tle.

Workflow 2: rozmowa

  1. Chat Trigger na stronie, WhatsApp, Messenger lub Slack.
  2. AI Agent z narzędziem wyszukiwania w bazie wektorowej i instrukcją: odpowiadaj tylko na podstawie znalezionych fragmentów.
  3. Odpowiedź z linkiem do źródła albo przekazanie do człowieka, gdy brak informacji.
  4. Zapis rozmowy do przeglądu jakości.

Zastosowania w marketingu i sprzedaży

  • pytania o ofertę, ceny i dostępność na stronie,
  • dobór produktu na podstawie potrzeb klienta,
  • asystent handlowca z wiedzą o produktach i case studies,
  • zbieranie leadów: chatbot proponuje kontakt i zapisuje dane w CRM.

Przykład wdrożenia: chatbot AI z RAG dla Ataszek.pl. Różnice między klasycznym i agentowym RAG opisaliśmy w artykule Agentic RAG.

Jakość odpowiedzi

  • aktualne dokumenty to podstawa: nieaktualny cennik da nieaktualne odpowiedzi,
  • zestaw testowych pytań sprawdzany po każdej zmianie,
  • jasna informacja, że rozmawia się z botem, i droga do człowieka.

Chatbot RAG z Codeless

Zobacz usługę chatbotów albo umów bezpłatną konsultację.

Patryk Wloch

Codeless. Wdrażamy automatyzacje i AI w firmach. Piszemy o tym, co sprawdziło się u klientów.

Porozmawiajmy o Twoim procesie

Przykłady wdrożeń

Tak to wygląda u naszych klientów: konkretne procesy i liczby.

Obraz dekoracyjny

Codeless: firmowe skille Claude, które zespół instaluje raz

Claude CodeGitHubn8n

Jak zapisaliśmy sposób pracy firmy jako skille Claude, które cały zespół instaluje raz i dostaje w nowej wersji po każdej zmianie.

Zobacz case study
Obraz dekoracyjny

Codeless: system marketingu i sprzedaży, w którym AI robi szkice

Claude Coden8nHubSpot

Jak zbudowaliśmy u siebie system marketingu i sprzedaży, w którym agenci AI przygotowują posty, rolki, kampanie i treści na stronę, a my akceptujemy.

Zobacz case study
Obraz dekoracyjny

Codeless Buddy: monitorowanie n8n u wszystkich klientów

n8nSlackGitHub

Jak pilnujemy n8n u wszystkich klientów: produkcja zgodna z repozytorium, jeden alert na Slacku przy błędzie i furtka naprawcza po stronie klienta.

Zobacz case study

Masz podobny problem? Porozmawiajmy.

30 minut z osobą, która potem to buduje. Po rozmowie wiesz, co da się zautomatyzować i ile to odda.

Umów 30 minut rozmowy

Pytania

Często zadawane pytania

Znajdź odpowiedzi na pytania związane z tym artykułem

Nie ma tu Twojego pytania?

Zadaj je na 30-minutowej rozmowie. Odpowiadamy konkretnie, na Waszym przykładzie.

Umów rozmowę →

To chatbot, który przed odpowiedzią wyszukuje fragmenty dokumentów firmy i odpowiada na ich podstawie, zamiast korzystać tylko z ogólnej wiedzy modelu.