Crear un chatbot RAG sobre sus documentos de Google Drive

Qué va a crear

Un chatbot que responde preguntas usando los documentos de su empresa en Google Drive: políticas, documentación de producto, procedimientos. Cuando alguien añade o actualiza un archivo en una carpeta, se indexa automáticamente. Los empleados hacen preguntas en una ventana de chat y obtienen respuestas basadas en esos archivos.

Sigue la plantilla de n8n «RAG chatbot for company documents using Google Drive and Gemini».

Cómo funciona RAG en un párrafo

La generación aumentada por recuperación (RAG) divide sus documentos en fragmentos pequeños, convierte cada fragmento en un vector (un embedding) y los guarda en una base de datos vectorial. Cuando un usuario pregunta algo, el sistema busca los fragmentos más parecidos y se los da al modelo de lenguaje, que responde con ese contexto en lugar de adivinar.

Qué necesita

• Credenciales OAuth2 de Google Drive (guía de configuración).
• Una clave de API de Google Gemini desde Google AI Studio (para embeddings y chat). OpenAI u Ollama también sirven.
• Una base vectorial: la plantilla usa Pinecone (cree un índice, por ejemplo company-files, con la dimensión de su modelo de embeddings). Qdrant, Supabase y Postgres con pgvector son alternativas.

Parte 1: workflow de indexación

Nodo	Configuración
Google Drive Trigger (archivo creado)	Vigilar la carpeta de conocimiento
Google Drive Trigger (archivo actualizado)	La misma carpeta, para volver a indexar los cambios
Google Drive: Download	Convertir los Google Docs a texto/PDF
Pinecone Vector Store (insert)	Conectado a los subnodos de abajo
↳ Default Data Loader	Lee el archivo binario
↳ Recursive Character Text Splitter	Por ejemplo, tamaño de fragmento 1.000 y solapamiento 200
↳ Embeddings Google Gemini	Modelo de embeddings, por ejemplo text-embedding-004

Consejo: guarde el ID y el nombre del archivo como metadatos de cada fragmento. Cuando se actualice un archivo, borre primero sus fragmentos antiguos para evitar respuestas duplicadas u obsoletas.

Parte 2: workflow de chat

Nodo	Configuración
Chat Trigger	Ventana de chat pública o interna
AI Agent	Mensaje de sistema: «Responde solo a partir de los documentos de la empresa. Si la respuesta no está ahí, dilo.»
↳ Google Gemini Chat Model	Modelo de chat
↳ Window Buffer / Simple Memory	Los últimos mensajes
↳ Vector Store tool (Pinecone)	El mismo índice y modelo de embeddings que en la indexación

Consejos de calidad

• Use el mismo modelo de embeddings para indexar y para consultar.
• Pida al agente que cite el nombre del archivo de origen en cada respuesta.
• Mantenga carpetas bien acotadas; mezclar borradores y versiones finales confunde la búsqueda.
• Pruebe con preguntas reales de su equipo y ajuste el tamaño de fragmento si las respuestas quedan incompletas.

Dónde poner el chat

• La página de chat alojada por n8n (modo público del Chat Trigger).
• Un widget de chat integrado en su intranet.
• Slack o Telegram cambiando el trigger (bots de Slack, asistente de Telegram).

Artículos relacionados

• Ejecutar LLM locales con Ollama para una versión totalmente privada
• Chatear con su base de datos usando IA