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
- Wyzwalacz: nowy lub zmieniony plik w Google Drive, harmonogram albo webhook z CMS.
- Odczyt treści: PDF, dokumenty, strony www.
- Podział na fragmenty (np. po kilkaset słów z zakładką) i dodanie metadanych: tytuł, data, link.
- Embeddingi i zapis w bazie wektorowej, np. Qdrant, Pinecone, Supabase lub PGVector.
- Usuwanie starych fragmentów po zmianie dokumentu.
Workflow 2: rozmowa
- Chat Trigger na stronie, WhatsApp, Messenger lub Slack.
- AI Agent z narzędziem wyszukiwania w bazie wektorowej i instrukcją: odpowiadaj tylko na podstawie znalezionych fragmentów.
- Odpowiedź z linkiem do źródła albo przekazanie do człowieka, gdy brak informacji.
- 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.