Einen RAG-Chatbot über Ihre Google-Drive-Dokumente bauen
· Von AI Compare
Unternehmensdateien aus Google Drive automatisch indexieren und Ihr Team mit ihnen chatten lassen.
Was Sie bauen
Einen Chatbot, der Fragen anhand der Dokumente Ihres Unternehmens in Google Drive beantwortet: Richtlinien, Produktdokumentation, Arbeitsanweisungen. Wenn jemand eine Datei in einem Ordner hinzufügt oder ändert, wird sie automatisch indexiert. Mitarbeitende stellen Fragen in einem Chatfenster und erhalten Antworten, die auf diesen Dateien beruhen.
Das folgt der n8n-Vorlage „RAG chatbot for company documents using Google Drive and Gemini“.
So funktioniert RAG in einem Absatz
Retrieval-Augmented Generation (RAG) teilt Ihre Dokumente in kleine Abschnitte, wandelt jeden Abschnitt in einen Vektor (ein Embedding) um und speichert ihn in einer Vektordatenbank. Stellt jemand eine Frage, findet das System die ähnlichsten Abschnitte und gibt sie dem Sprachmodell, das mit diesem Kontext antwortet, statt zu raten.
Was Sie brauchen
- Google-Drive-OAuth2-Credentials (Anleitung zur Einrichtung).
- Einen Google-Gemini-API-Schlüssel aus Google AI Studio (für Embeddings und Chat). OpenAI oder Ollama funktionieren ebenfalls.
- Einen Vektorspeicher: Die Vorlage nutzt Pinecone (legen Sie einen Index an, zum Beispiel
company-files, mit der Dimension Ihres Embedding-Modells). Qdrant, Supabase und Postgres mit pgvector sind Alternativen.
Teil 1: Workflow für die Indexierung
| Node | Einstellungen |
|---|---|
| Google Drive Trigger (Datei erstellt) | Den Wissensordner überwachen |
| Google Drive Trigger (Datei aktualisiert) | Derselbe Ordner, damit Änderungen neu indexiert werden |
| Google Drive: Download | Google Docs in Text/PDF umwandeln |
| Pinecone Vector Store (insert) | Mit den Sub-Nodes unten verbunden |
| ↳ Default Data Loader | Liest die Binärdatei |
| ↳ Recursive Character Text Splitter | Zum Beispiel Chunk-Größe 1.000, Überlappung 200 |
| ↳ Embeddings Google Gemini | Embedding-Modell, zum Beispiel text-embedding-004 |
Tipp: Speichern Sie Datei-ID und Dateinamen als Metadaten an jedem Abschnitt. Wird eine Datei aktualisiert, löschen Sie zuerst ihre alten Abschnitte, um doppelte oder veraltete Antworten zu vermeiden.
Teil 2: Chat-Workflow
| Node | Einstellungen |
|---|---|
| Chat Trigger | Öffentliches oder internes Chatfenster |
| AI Agent | Systemnachricht: „Antworte nur auf Basis der Unternehmensdokumente. Wenn die Antwort dort nicht steht, sag das.“ |
| ↳ Google Gemini Chat Model | Chat-Modell |
| ↳ Window Buffer / Simple Memory | Die letzten Nachrichten |
| ↳ Vector Store tool (Pinecone) | Derselbe Index und dasselbe Embedding-Modell wie bei der Indexierung |
Tipps für die Qualität
- Nutzen Sie dasselbe Embedding-Modell für Indexierung und Abfragen.
- Lassen Sie den Agenten in jeder Antwort den Namen der Quelldatei nennen.
- Halten Sie Ordner fokussiert; eine Mischung aus Entwürfen und Endversionen verwirrt die Suche.
- Testen Sie mit echten Fragen Ihres Teams und passen Sie die Chunk-Größe an, wenn Antworten unvollständig sind.
Wo der Chat laufen kann
- Auf der gehosteten Chat-Seite von n8n (öffentlicher Modus des Chat Trigger).
- Als eingebettetes Chat-Widget in Ihrem Intranet.
- In Slack oder Telegram, indem Sie den Trigger austauschen (Slack-Bots, Telegram-Assistent).
Verwandte Artikel
- Lokale LLMs mit Ollama betreiben für eine vollständig private Version
- Mit Ihrer Datenbank per KI chatten
