我在前一段时间翻译开源了Google的新书《Agentic Design Patterns》，这是一本系统性介绍AI Agent构建模式的书籍，非常推荐大家阅读下，我在github中也提供了英文原版和中文版的精排版电子书，可以直接下载，具体可以看我github项目地址https://github.com/xindoo/agentic-design-patterns。

  最近，我用 n8n 为这本书开发了一个问答机器人。机器人内置了全书内容，掌握每个细节，可以作为你的阅读助手。无论你想深入了解某个设计模式，还是对书中概念有疑问，它都能提供详细解答和指导。 另外我又通过 n8n 的 GitHub 节点，让机器人与代码库保持实时同步。后续的翻译更新会自动同步到机器人，无需手动维护。

  我已将这个机器人集成到翻译项目的中文官网https://adp.xindoo.xyz/ 中，你可以直接点击右下角唤起。欢迎大家体验，希望它能为你阅读这本书提供帮助。

接下来，我将详细介绍如何使用 n8n 搭建这样一个问答机器人，以及如何将其集成到的 GitHub 页面中。整个过程并不复杂，即使你是第一次接触 n8n 也能快速上手。

前置依赖

• n8n 是目前国外最流行的自动化平台之一，通过直观的可视化节点编辑器，让用户可以像搭积木一样连接各种应用和服务。它支持超过 400 种集成，涵盖了从数据库、API、云服务到各类 SaaS 应用的方方面面。n8n 完全开源且可自部署，你可以将其部署在自己的服务器上，确保数据安全和隐私。它还提供强大的 JavaScript 自定义能力，让开发者可以编写自定义逻辑来处理复杂的业务场景。此外，n8n 拥有活跃的社区和丰富的模板库，用户可以直接使用或参考他人分享的工作流模板，大大降低了学习成本，让任何人都能快速构建出符合自己需求的自动化工作流。

  首先你肯定需要一个n8n实例，可以自己部署，也可以直接使用n8n的云服务。如果选择自己部署，可以使用Docker或者直接在服务器上安装。除此之外，你还需要准备好自己的AI API Key，用于调用大语言模型（也不一定用openai、国内阿里字节都可以）。另外，你可能还需要一个向量数据库，来存储书籍内容和实现语义搜索。如果你没有自己的向量数据库，也可以使用n8n内置的Pinecone或Supabase等向量数据库服务。

  整个机器人的构建分为三个关键步骤：数据写入向量数据库、问答功能实现和网页集成。下面我会详细介绍每个步骤的具体实现方法。

数据写入向量数据库

  要让机器人能够准确回答问题，首先需要将书籍内容存储到向量数据库中。整个过程主要包括以下几个步骤:

• 获取GitHub仓库内容: 使用n8n的GitHub节点,通过API获取仓库中的文档文件。我这里设置监听项目的release事件，只要项目库又发新版本，就会自动同步最新的翻译内容。
• 文本分块处理: 将获取到的文档内容进行分块(Chunking)处理。这一步很关键,需要将长文本切分成合适大小的片段,既要保证语义完整性,又要控制每个片段的长度。通常建议每个分块在500-1000字符之间。
• 生成向量嵌入: 使用OpenAI的Embedding API将文本分块转换为向量表示。n8n提供了embeding节点，可以直接调用像openai的text-embedding等模型生成嵌入向量。
• 存储到向量数据库: 将生成的向量连同原始文本一起存储到向量数据库中。n8n支持多种向量数据库，如Pinecone、Qdrant、Supabase等。存储时建议添加元数据,比如文档来源、章节信息等,便于后续检索和追溯。

  虽然步骤看起来很多，但 n8n 已经为我们封装好了向量存储（Vector Store）节点。你只需配置数据库连接、Embedding 模型和文本分块策略，n8n 就会自动完成文本向量化和存储工作，大大简化了开发流程。此外，你还可以在 Text Splitter 节点中根据需求调整分块大小和重叠度，以获得更好的检索效果。

  这里分享一个实用技巧。有经验的同学可能已经看出来了，这本质上是一个 RAG 系统。RAG 的劣势在于难以把握全局信息。为了解决这个问题，我采用了一个巧妙的方法：将项目的 README.md 文件作为独立的文档片段完整存入向量数据库，因为它包含了完整的项目介绍。同时，我在 AI 的系统提示词中也预设了一些项目全局信息。这样当用户提出"这本书主要讲什么"之类的全局性问题时，AI 就能从这个完整摘要中获取信息，给出更全面的回答。

  再回到具体实现，这里我使用了基于 Postgress 的 PGVector ，它是 PostgreSQL 的一个扩展，可以直接在关系数据库中存储和检索向量数据。相比专门的向量数据库，PGVector 的优势在于可以与现有的 PostgreSQL 数据库无缝集成，减少了系统的复杂度。配置过程也很简单，只需要在 n8n 的 Vector Store 节点中选择 PGVector，填入数据库连接信息即可。

具体流程如下图所示：

问答机器人的实现

用户提问后，机器人通过以下步骤生成回答：

• 接收用户问题: 通过n8n的Webhook节点接收来自网页的用户提问。这个接口可以处理HTTP请求，并将问题传递给后续的处理流程。
• 向量检索相关内容: AI会提供用户提问和系统内置提示词，生成相应的检索查询词，然后使用向量数据库进行相似度搜索。系统会找出与问题最相关的文档片段，作为上下文信息提供给大语言模型。这个过程通过n8n的Vector Store检索节点自动完成，通常会返回3-5个最相关的文档片段。
• 构建提示词并调用 LLM：将检索到的相关内容与用户问题组合成完整的提示词，发送给大语言模型。提示词会要求模型基于提供的上下文回答问题，以确保答案准确且相关。

  同样，整个过程也都是n8n封装好相应的节点，我们也只需要在n8n中配置好相应节点和参数即可。下面是具体的实现流程图：

集成到网页

  完成问答机器人的搭建后,最后一步就是将它集成到github主页中了，这一步对于开发者来说就更简单了，n8n官方提供了嵌入对话的代码片段，只需要将如下代码嵌入到主页中即可，注意：这里的YOUR_PRODUCTION_WEBHOOK_URL需要替换成你在n8n中创建的Webhook URL，这个URL可以在n8n的Webhook节点中找到。

<link href="https://cdn.jsdelivr.net/npm/@n8n/chat/dist/style.css" rel="stylesheet" />
<script type="module">
    import { createChat } from 'https://cdn.jsdelivr.net/npm/@n8n/chat/dist/chat.bundle.es.js';

    createChat({
        webhookUrl: 'YOUR_PRODUCTION_WEBHOOK_URL'
    });
</script>

  代码会在网页右下角显示一个聊天窗口，用户点击后就可以与机器人对话了。你也可以通过配置选项自定义聊天窗口的样式、位置和行为，使其更好地融入你的网站设计。

总结

  通过本文的介绍，我们完成了一个功能完整的GitHub项目问答机器人的搭建。整个过程主要包括三个核心步骤：将书籍内容存储到向量数据库、实现智能问答功能，以及集成到网页中供用户使用。

  n8n 的可视化工作流让整个开发过程变得简单直观，即使是没有深厚技术背景的开发者也能快速上手。更重要的是，这套方案具有很好的可扩展性和通用性。你可以将同样的思路应用到任何需要知识问答的场景中，比如产品文档助手、客户服务机器人、学习资料问答系统等。

  如果你也有类似的需求，不妨动手尝试一下。在实践过程中如果遇到问题，欢迎在评论区交流讨论。最后，如果你对AI Agent的设计模式感兴趣，欢迎关注我的开源项目《Agentic Design Patterns》，也欢迎star支持。