Construire un pipeline RAG pour la base de connaissances GLPI avec Google Gemini et PostgreSQL
Intermédiaire
Ceci est unInternal Wiki, Multimodal AIworkflow d'automatisation du domainecontenant 9 nœuds.Utilise principalement des nœuds comme Agent, ChatTrigger, LmChatGoogleGemini, MemoryBufferWindow, VectorStorePGVector. Construire un pipeline RAG pour la base de connaissances GLPI avec Google Gemini et PostgreSQL
Prérequis
- •Clé API Google Gemini
Nœuds utilisés (9)
Catégorie
Aperçu du workflow
Visualisation des connexions entre les nœuds, avec support du zoom et du déplacement
Exporter le workflow
Copiez la configuration JSON suivante dans n8n pour importer et utiliser ce workflow
{
"meta": {
"instanceId": "98986c4dc0b4b2af9fd0666d254f8b80e6e6b2044e2f3f3eedc76242999f4b5e",
"templateCredsSetupCompleted": true
},
"nodes": [
{
"id": "faa18c92-30d0-481f-b073-0b5efa68fbdf",
"name": "Agent IA",
"type": "@n8n/n8n-nodes-langchain.agent",
"position": [
3824,
992
],
"parameters": {},
"typeVersion": 1.8
},
{
"id": "dd67e0b2-9986-4506-813e-d9d79b0b9f7b",
"name": "Modèle de chat Google Gemini",
"type": "@n8n/n8n-nodes-langchain.lmChatGoogleGemini",
"position": [
3392,
1232
],
"parameters": {},
"typeVersion": 1
},
{
"id": "0667b08a-42f9-4c74-9560-75f196147468",
"name": "À la réception du message",
"type": "@n8n/n8n-nodes-langchain.chatTrigger",
"position": [
3488,
992
],
"webhookId": "8850cfe1-5a35-4bc9-9c02-91ccf4b82c58",
"parameters": {},
"typeVersion": 1.1
},
{
"id": "e828b8eb-b88f-425b-aaca-7081a0145c08",
"name": "Incorporations Google Gemini1",
"type": "@n8n/n8n-nodes-langchain.embeddingsGoogleGemini",
"position": [
4192,
1440
],
"parameters": {},
"typeVersion": 1
},
{
"id": "6f220ede-5bbf-48b7-a5b1-48052fb1dd87",
"name": "Note adhésive",
"type": "n8n-nodes-base.stickyNote",
"position": [
3488,
800
],
"parameters": {
"content": ""
},
"typeVersion": 1
},
{
"id": "761568e7-36aa-4dd2-8dc1-a037b0c27218",
"name": "Incorporations Google Gemini3",
"type": "@n8n/n8n-nodes-langchain.embeddingsGoogleGemini",
"position": [
3904,
1424
],
"parameters": {},
"typeVersion": 1
},
{
"id": "e25c8e1e-a871-491e-ad86-fd9575700f96",
"name": "CONHECIMENTO_TI_GLPI",
"type": "@n8n/n8n-nodes-langchain.vectorStorePGVector",
"position": [
4208,
1280
],
"parameters": {},
"typeVersion": 1.1
},
{
"id": "19487e55-30d4-4570-a9e2-6ff9ce92c615",
"name": "CONFLUENCE_TI_CONFLUENCE_SGU_GPL",
"type": "@n8n/n8n-nodes-langchain.vectorStorePGVector",
"position": [
3824,
1264
],
"parameters": {},
"typeVersion": 1.1
},
{
"id": "2fe1ca70-36ee-4593-bf7d-33bc1d4ea9f9",
"name": "Simple Mémoire",
"type": "@n8n/n8n-nodes-langchain.memoryBufferWindow",
"position": [
3648,
1248
],
"parameters": {},
"typeVersion": 1.3
}
],
"pinData": {},
"connections": {
"AI Agent": {
"main": [
[]
]
},
"Simple Memory": {
"ai_memory": [
[
{
"node": "AI Agent",
"type": "ai_memory",
"index": 0
}
]
]
},
"e25c8e1e-a871-491e-ad86-fd9575700f96": {
"ai_tool": [
[
{
"node": "AI Agent",
"type": "ai_tool",
"index": 0
}
]
]
},
"Google Gemini Chat Model": {
"ai_languageModel": [
[
{
"node": "AI Agent",
"type": "ai_languageModel",
"index": 0
}
]
]
},
"Embeddings Google Gemini1": {
"ai_embedding": [
[
{
"node": "e25c8e1e-a871-491e-ad86-fd9575700f96",
"type": "ai_embedding",
"index": 0
}
]
]
},
"Embeddings Google Gemini3": {
"ai_embedding": [
[
{
"node": "19487e55-30d4-4570-a9e2-6ff9ce92c615",
"type": "ai_embedding",
"index": 0
}
]
]
},
"When chat message received": {
"main": [
[
{
"node": "AI Agent",
"type": "main",
"index": 0
}
]
]
},
"19487e55-30d4-4570-a9e2-6ff9ce92c615": {
"ai_tool": [
[]
]
}
}
}Foire aux questions
Comment utiliser ce workflow ?
Copiez le code de configuration JSON ci-dessus, créez un nouveau workflow dans votre instance n8n et sélectionnez "Importer depuis le JSON", collez la configuration et modifiez les paramètres d'authentification selon vos besoins.
Dans quelles scénarios ce workflow est-il adapté ?
Intermédiaire - Wiki interne, IA Multimodale
Est-ce payant ?
Ce workflow est entièrement gratuit et peut être utilisé directement. Veuillez noter que les services tiers utilisés dans le workflow (comme l'API OpenAI) peuvent nécessiter un paiement de votre part.
Workflows recommandés
Construire un chatbot expert en documents avec un pipeline RAG Gemini
Construire un chatbot d'expert en documents avec un pipeline RAG Gemini
Set
Html
Filter
+
Set
Html
Filter
48 NœudsLucas Peyrin
Wiki interne
Chatbot de questions-réponses sur les règles de cricket IPL avec RAG et Google Gemini API
Chatbot de questions-réponses sur les règles de cricket IPL basé sur RAG et l'API Google Gemini
Http Request
Manual Trigger
Agent
+
Http Request
Manual Trigger
Agent
24 NœudsSidd
Ingénierie
🤖 Créez un robot expert en documents en utilisant RAG, Gemini et Supabase
🤖 Créer un robot expert en document en utilisant RAG, Gemini et Supabase
Set
Html
Filter
+
Set
Html
Filter
54 NœudsLucas Peyrin
Wiki interne
AIventesagent：WhatsAppet网站ventesagent（RAG）
AIventesagent：WhatsAppet网站ventesagent（RAG）
Set
Switch
Postgres
+
Set
Switch
Postgres
69 NœudsVansh Arora
Agent de vente automatisé multiplateformes
Agent de vente multiplateforme avec RAG, CRM et traitement des paiements
If
Set
Switch
+
If
Set
Switch
83 NœudsElectrabot
Ventes
Explorer les nœuds n8n dans la bibliothèque de références visuelles
Explorer les nœuds n8n dans la base de références visuelles
If
Ftp
Set
+
If
Ftp
Set
113 NœudsI versus AI
Autres
Informations sur le workflow
Niveau de difficulté
Intermédiaire
Nombre de nœuds9
Catégorie2
Types de nœuds7
Description de la difficulté
Auteur
Thiago Vazzoler Loureiro
@thiagovazzolerBuilding Custom Automations with n8n | Node.js Developer | Integration Specialist | Open Source Contributor If you need help with n8n workflows, API integrations, or custom nodes, feel free to connect on LinkedIn: http://linkedin.com/in/thiago-vazzoler-loureiro-24056227
Liens externes
Voir sur n8n.io →
Partager ce workflow