Почему мой RAG-агент не отвечает из базы данных? 5 самых частых причин (FAQ)

RAG-агент в n8n должен получать ответы исключительно из подключённой базы знаний, но на практике часто этого не делает: он игнорирует vector store, придумывает содержание или утверждает, что информация отсутствует, хотя она есть в индексе. Причина почти никогда не кроется в самой языковой модели, а в конфигурации между индексацией и запросом: несогласованные эмбеддинги, неудачный чанкинг, фильтр ретривера, который исключает слишком много или слишком мало, либо системный промпт, который недостаточно чётко предписывает использование инструмента. В этой статье разбираются пять самых частых типичных ошибок из тредов сообщества n8n и официальной документации, и для каждой указывается практическое решение. По состоянию на: июль 2026.

Причины на этапе индексации и запроса

• Несоответствие эмбеддингов: Если документы при индексации были обработаны другой моделью эмбеддингов или с другой размерностью вектора, чем поисковый запрос при обращении, поиск по сходству перестаёт возвращать полезные результаты, потому что векторные пространства больше не соответствуют друг другу. В n8n это типично происходит, когда в workflow вставки используется другой node эмбеддингов, чем в workflow извлечения, например OpenAI при индексации и локальная модель Ollama при запросе. Решение: жёстко прописать одну и ту же модель эмбеддингов в обоих workflow и полностью пересобирать индекс при каждой смене модели, а не просто дополнять его.
• Проблемы с чанкингом: Слишком большие чанки смешивают несколько тем в одном векторе и снижают точность результатов, а слишком маленькие чанки разрывают контекст, из-за чего ответ остаётся семантически близким, но неполным по содержанию. Хорошей отправной точкой обычно являются 500-1000 символов с заметным перекрытием, при этом Recursive Character Text Splitter в n8n ориентируется на абзацы и заголовки и поэтому разделяет текст чище, чем простая граница по символам. Решение: экспериментально варьировать размер чанка и перекрытие и проверять качество результатов на реальных вопросах пользователей, а не только на примерах текста.
• Отсутствующий или неверный фильтр ретривера: Фильтры метаданных в node vector store по умолчанию объединяют несколько условий оператором И, поэтому слишком узко заданный фильтр, например комбинация категории и даты, исключает все документы, хотя подходящее содержимое есть в индексе. На форуме n8n также сообщается, что динамические фильтры в режиме инструмента агента работают менее надёжно, чем в режиме цепочки. Решение: сначала полностью убрать логику фильтрации, чтобы проверить базовое извлечение, а затем постепенно снова добавлять фильтры.

Причины в промпте и подключении инструментов

• Агент не использует инструмент vector store: Особенно небольшие языковые модели не вызывают инструмент извлечения надёжно, если системный промпт явно не предписывает его использование, и вместо этого отвечают на вопросы из своих знаний обучения. В сообществе n8n в качестве решения хорошо зарекомендовал себя явный системный промпт, который принудительно требует использования инструмента перед каждым ответом, разрешает ответы исключительно на основе результатов инструмента и предписывает агенту открыто указывать пробелы в знаниях, а не импровизировать.
• Ответ инструмента отклоняется агентом: Даже если ретривер выдаёт корректный результат, агент может проигнорировать ответ, если вывод инструмента сильно структурирован, например содержит много абзацев и переносов строк сразу из нескольких документов. В таких случаях модель отвечает, что информация отсутствует, хотя подходящие результаты есть. Решение: уменьшить количество возвращаемых документов (top-K) и сделать вывод инструмента в node ретривера более компактным, чтобы агент однозначно распознавал его в контексте как основу для ответа.

Тем, кто хочет не просто починить такой пайплайн, а с самого начала аккуратно его настроить, стоит обратить внимание на консультации по ИИ-агентам от NordFlux с подходом на основе фиксированной цены и немецкого суверенитета данных в качестве основного принципа.

Часто задаваемые вопросы о RAG-агентах в n8n

Почему мой агент n8n полностью игнорирует vector store?

Чаще всего в системном промпте отсутствует чёткое указание использовать инструмент извлечения перед каждым ответом. Небольшие модели редко выводят такое поведение самостоятельно и вместо этого опираются на свои общие знания обучения, даже если подключён подходящий инструмент.

Как распознать несоответствие эмбеддингов?

Типичный признак: поиск по сходству стабильно выдаёт низкие или произвольные оценки совпадения, хотя искомое содержимое доказуемо есть в индексе. Проверьте, используют ли workflow вставки и извлечения точно один и тот же node эмбеддингов с одной и той же версией модели, см. документацию n8n по vector store.

Какого размера должны быть чанки для RAG в n8n?

Хорошей отправной точкой обычно являются 500-1000 символов с небольшим перекрытием между чанками. Однако подходящий размер зависит от структуры исходных документов, и его следует подбирать на основе реальных тестовых вопросов, а не по фиксированному эмпирическому правилу.

Нужно ли переиндексировать после смены модели эмбеддингов?

Да. Поскольку разные модели эмбеддингов создают разные векторные пространства, старые и новые векторы нельзя осмысленно искать вместе. После смены модели весь индекс следует пересобрать заново, что подтверждают и несколько тредов в сообществе n8n при схожих типичных ошибках.