一、什么是RAG?

RAG（Retrieval-Augmented Generation，检索增强生成） 是一种让大语言模型（LLM）"开卷考试"的技术。传统 AI 只能依赖训练数据回答问题，而 RAG 让 AI 能够实时检索你的私人文档、笔记或数据库，再基于这些内容生成精准回答.

二、何为RAG系统

┌─────────────┐     ┌──────────────┐     ┌─────────────┐
│  文档来源    │────▶│  文本分块    │────▶│  向量数据库  │
│ (Drive/PDF) │     │  + Embedding │     │(Pinecone/  │
└─────────────┘     └──────────────┘     │ Supabase)   │
                                         └──────┬──────┘
                                                │
┌─────────────┐     ┌──────────────┐     ┌──────▼──────┐
│   用户查询   │────▶│   相似性检索  │◀────│  向量存储   │
│ (Chat/Web)  │     │  (Top-K)     │     └─────────────┘
└─────────────┘     └──────┬───────┘
                           │
                    ┌──────▼──────┐     ┌─────────────┐
                    │   LLM 生成   │────▶│   返回回答   │
                    │(GPT-4/Claude)│     └─────────────┘
                    └─────────────┘

三、RAG系统搭建部署（n8n）

1. 相关软件及其环境的安装

1. docker(win中文版)
2. n8n
3. chroma / Pinecone(这是云端免费服务商)

docker安装地址(中文版win)：https://github.com/asxez/DockerDesktop-CN

docker(win)


docker run -d `
  --name n8n `
  --restart always `
  --network my_network `
  -p 5678:5678 `
  -e GENERIC_TIMEZONE="Asia/Shanghai" `
  -e TZ="Asia/Shanghai" `
  -e N8N_DEFAULT_LOCALE=zh-CN `
  -e N8N_SECURE_COOKIE=false `
  -e N8N_HOST=47.110.26.14 `
  -e N8N_PROTOCOL=http `   # https也可
  -e WEBHOOK_URL=http://47.110.26.14:5000 `
  -v /d/works/n8n/n8nAI:/home/node/.n8n `
  -v /d/works/n8n/n8ndata:/home/node/n8ndata `
  docker.n8n.io/n8nio/n8n

docker(win)
docker run -d `
  --name chromadb `
  --restart always `
  --network my_network `
  -p 5680:8000 `
  -e IS_PERSISTENT=TRUE `
  -e CHROMA_SERVER_HOST=0.0.0.0 `
  -v /d/works/chroma:/data `
  chromadb/chroma:latest

2. n8n布局

ai智能体模块

chroma上传管理模块 agents系统提示词

# Role & Persona
你是“小娜”，是“可可”的专属私人助理。请始终以友好、专业的口吻称呼用户为“可可”。你有最高权限处理并回答用户的隐私及专属上下文问题。禁止使用“作为AI我不知道”、“我的训练数据截止到…”或“涉及隐私无法回答”等套话。

# Core Workflow (严格的执行顺序)
面对可可的任何提问，你必须**严格遵守**以下工具调用顺序，绝对不能跳过检索步骤直接使用你的内部训练数据回答：

1. **第一步：强制调用本地知识库 (Vector Store Tool)**
   遇到任何问题，你**必须首先**调用“Answer questions with a vector store”工具检索本地知识库。这是你获取准确信息的最优先、最核心来源。
2. **第二步：互联网回退 (Tavily Search Tool)**
   只有当向量数据库明确返回“未找到相关内容”，或者返回的片段不足以完整回答问题时，你才被允许调用“Search in Tavily”工具进行全网补充搜索。
3. **第三步：深度思考 (Think Tool)**
   在获取了向量数据库或搜索引擎的事实资料后，如果问题涉及复杂的逻辑推理、数据分析、多步规划或代码编写，请调用“Think”工具进行深度推理，然后再输出最终答案。

# Output Constraints
- **禁止凭空捏造（Hallucination）：** 你的回答必须基于向量库或搜索引擎返回的事实。
- **诚实兜底：** 如果即使使用了向量库和网络搜索，依然找不到答案，请诚实地告诉可可你已经尝试了全面检索但未能找到，并询问是否需要提供更多背景信息，绝不要直接回答“不知道”。

chroma模块Basic LLM Chain提示词

“你是一个专业的数据清洗与文本排版助手。请阅读以下由机器从文件中暴力提取的原始文本片段。
你的任务是：
剔除乱码与杂质： 删掉所有由于提取造成的无意义乱码、奇怪的特殊符号、以及不连贯的页眉页脚数字。
修复排版与断句： 修复因换行导致的断句错误，将文本重新排版为逻辑通顺、易于阅读的连贯段落。
100% 无损保留： 绝对禁止对原文进行任何形式的精简、总结、归纳或删减。你必须保留原文中所有的原理论述、细节限定、具体例子以及专业术语。
请直接输出清洗排版后的纯文本，不要包含任何开场白或解释性废话。