n8n ile RAG Kurmak: Şirket Bilgisini Adım Adım Chatbot Haline Getirin

Retrieval-Augmented Generation (RAG), bir dil modelini şirketin kendi belgeleriyle birleştirir; böylece bir chatbot, yalnızca modelin genel eğitim bilgisine değil, gerçek dahili bilgiye dayalı yanıtlar verir. n8n'de bir RAG sistemi pratikte iki ayrı workflow olarak kurulur: birinci workflow belgeleri yükler, bunları metin bölümlerine ayırır, bir embedding modeli aracılığıyla vektörlere dönüştürür ve bir Vector Store node'unda saklar. İkinci workflow, bu Vector Store'u bir AI Agent node'u üzerinden aranabilir bir araç olarak bağlar; böylece chatbot her istekte uygun metin bölümlerini kendisi bulur ve yanıtına dahil eder. Güncelleme: Temmuz 2026.

Bir RAG workflow'unun n8n'de hangi yapı taşlarına ihtiyacı vardır?

n8n dokümantasyonuna göre, n8n'deki bir RAG workflow'u birlikte çalışan dört bileşenden oluşur: Document Loader, Text Splitter, Embeddings ve Retriever'lı Vector Store. Document Loader, örneğin bir dosyadan, bir webhook'tan veya bir veritabanı sorgusundan dış kaynak verilerini alır. Text Splitter, embedding modelinin anlamlı şekilde işleyebilmesi için uzun belgeleri chunk adı verilen daha küçük bölümlere ayırır. Embeddings, metni vektörlere, yani anlamın sayısal temsillerine dönüştürür; dokümantasyona göre n8n yalnızca metin embeddinglerini destekler. Son olarak Retriever, bir sorgu için veritabanından uygun vektörleri geri getirir ve bunları tekrar kullanılabilir metne çevirir. Bu bileşenlerle ilgili ayrıntılar resmi dokümantasyonda Store and search data with vectors.

Belgeleri Vector Store'a yüklemek için ilk workflow nasıl kurulur?

Yükleme için "Insert Documents" işlemine sahip bir Vector Store node'u ekleyin, bir embedding modeli bağlayın ve chunk'lara ayırma için bir Default Data Loader node'u ekleyin.

• Chunk boyutu: n8n dokümantasyonu, ince taneli arama için 200 ile 500 token arasında bölümler önerir; sınırlarda bağlamın kaybolmaması için chunk'lar arasında belirli bir örtüşme eklenmelidir.
• Splitter seçimi: Karakter uzunluğuna göre ayıran Character Text Splitter, token sayısına göre ayıran Token Text Splitter ve n8n'in çoğu kullanım durumu için önerdiği, Markdown, HTML veya kod yapılarına göre yönlendirilen Recursive Character Text Splitter arasından seçim yapabilirsiniz.
• Meta veriler: İsteğe bağlı olarak chunk'lar kaynak, belge türü veya tarih gibi ek bilgilerle zenginleştirilebilir; bu, sonraki filtrelemeyi kolaylaştırır.
• Clear Store: Ekleme modunda, yeniden doldurmadan önce mevcut deposu temizlemek için bir seçenek.

Hızlı testler için, vektörleri doğrudan n8n'in çalışma belleğinde tutan Simple Vector Store (In-Memory) node'u uygundur. Resmi node dokümantasyonuna göre bu node açıkça yalnızca geliştirme için düşünülmüştür.

Vector Store bir yapay zeka chatbot'u için nasıl aranabilir hale getirilir?

Erişim için, aynı Vector Store node'unu "Retrieve Documents (As Tool for AI Agent)" modunda bir AI Agent node'una bağlarsınız; bu node, bir yanıt için gerektiğinde aramayı kendisi başlatır. Bu modda, aracın ne zaman kullanılacağını anlaması için aracın Name ve Description'ını, döndürülen chunk sayısı için bir sınırı ve isteğe bağlı olarak kaynak bilgilerini eklemek için "Include Metadata" seçeneğini yapılandırırsınız. Dokümantasyona göre, sorgu yaparken verileri eklerken kullandığınız embedding modelinin aynısını kullanmanız önemlidir, aksi takdirde vektör uzayları eşleşmez ve arama kötü sonuçlar verir. Alternatif olarak, sorguyu ajana bırakmak yerine kendinizin sabit bir arama sorgusu belirlediği "Get Many" işlemi üzerinden doğrudan sorgu da mevcuttur. Tam süreç Retrieve relevant context içinde açıklanmıştır. Bu yapıyı kendisi sürdürmek istemeyenler, NordFlux'un Yapay Zeka Ajanları hizmetinde sabit fiyatlı ve Alman veri egemenliğine sahip bir uygulama bulur.

RAG'in n8n ile sınırları nerede?

RAG bir mucize çözüm değildir: yanıtların kalitesi doğrudan kaynak belgelerin yapısına bağlıdır ve n8n'e yerleşik Simple Vector Store, dokümantasyona göre açıkça yalnızca geliştirme için düşünülmüştür, çünkü veriler yeniden başlatmada kaybolur ve dokümantasyona göre, ilgili workflow'un izinlerinden bağımsız olarak, tüm kullanıcılar için instance genelinde görünürdür. Bu nedenle üretim ortamı için kalıcı, harici bir Vector Store'a ihtiyacınız vardır; n8n bunun için örneğin PGVector veya Azure AI Search gibi kendi node'larını sunar. Kötü yapılandırılmış kaynak belgeler, örneğin gerçek bir metin katmanı olmayan taranmış PDF'ler veya büyük, düzensiz tablolar, uygunsuz şekilde kesilmiş chunk'lara ve dolayısıyla chatbot'un yanlış veya eksik yanıtlarına yol açar. Temiz, iyi yapılandırılmış kaynak veriler, sonuç kalitesi için genellikle daha büyük bir embedding modeli seçmekten daha önemlidir.

RAG ve n8n hakkında sık sorulan sorular

Vector Store'un araç olarak kullanılması ile Get Many üzerinden doğrudan sorgu arasındaki fark nedir?

"Get Many" ile Vector Store'a sabit, önceden belirlenmiş bir arama sorgusu verirsiniz; "Retrieve Documents (As Tool for AI Agent)" modu ise kararı ajana bırakır. Ajan, aracın Name ve Description'ına dayanarak, mevcut kullanıcı sorusu için Vector Store'da bir aramanın anlamlı olup olmadığını ve ne zaman yapılması gerektiğini kendisi kontrol eder. Bu, belge referansı olmadan genel sorulara da yanıt vermesi gereken bir chatbot için kurulumu daha esnek hale getirir.

Kurumsal bilgi chatbot'u için hangi embedding modeli seçilmelidir?

n8n dokümantasyonuna göre, daha küçük embedding modelleri daha hızlı ve daha ucuzdur ve genel belgeler için uygundur; daha büyük modeller ise karmaşık uzmanlık konuları için daha iyi anlamsal anlayış sunar. Her durumda önemli olan, verileri eklerken ve daha sonra sorgularken aynı modeli kullanmanızdır, çünkü farklı modeller farklı vektör uzayları oluşturur.

n8n'in Simple Vector Store'unu üretimde kullanabilir miyim?

Hayır, n8n dokümantasyonuna göre Simple Vector Store (In-Memory) node'u açıkça yalnızca geliştirme için düşünülmüştür, çünkü veriler instance yeniden başlatıldığında kaybolur ve dokümantasyona göre tüm kullanıcılar için instance genelinde görünürdür. Üretimde kullanılan bir kurumsal bilgi chatbot'u için kalıcı, harici olarak barındırılan bir Vector Store'a ihtiyacınız vardır.

Arama için metin bölümleri ne kadar büyük olmalıdır?

n8n dokümantasyonu, ince taneli arama için 200 ile 500 token arasında chunk boyutları önerir; komşu bölümler arasında chunk sınırlarında bağlamın kaybolmaması için belirli bir örtüşme ile birleştirilir. Splitter stratejisi olarak n8n, çoğu kullanım durumu için, belgenin doğal yapısına göre yönlenip karakter sayısına göre keyfi bölmek yerine Recursive Character Text Splitter'ı önerir.