Créer un chatbot RAG sur vos documents Google Drive
· Par AI Compare
Indexez automatiquement les fichiers de l’entreprise depuis Google Drive et laissez votre équipe dialoguer avec eux.
Ce que vous allez créer
Un chatbot qui répond aux questions à partir des documents de votre entreprise dans Google Drive : politiques internes, documentation produit, procédures. Quand quelqu’un ajoute ou modifie un fichier dans un dossier, il est automatiquement indexé. Les collaborateurs posent leurs questions dans une fenêtre de chat et obtiennent des réponses fondées sur ces fichiers.
Il reprend le modèle n8n « RAG chatbot for company documents using Google Drive and Gemini ».
Le RAG en un paragraphe
La génération augmentée par récupération (RAG) découpe vos documents en petits morceaux, transforme chaque morceau en vecteur (un embedding) et les stocke dans une base vectorielle. Quand un utilisateur pose une question, le système trouve les morceaux les plus proches et les transmet au modèle de langage, qui répond à partir de ce contexte au lieu de deviner.
Ce qu’il vous faut
- Des credentials OAuth2 Google Drive (guide de configuration).
- Une clé d’API Google Gemini depuis Google AI Studio (pour les embeddings et le chat). OpenAI ou Ollama fonctionnent aussi.
- Une base vectorielle : le modèle utilise Pinecone (créez un index, par exemple
company-files, avec la dimension de votre modèle d’embedding). Qdrant, Supabase et Postgres avec pgvector sont des alternatives.
Partie 1 : workflow d’indexation
| Nœud | Paramètres |
|---|---|
| Google Drive Trigger (fichier créé) | Surveiller le dossier de connaissances |
| Google Drive Trigger (fichier mis à jour) | Même dossier, pour réindexer les modifications |
| Google Drive: Download | Convertir les Google Docs en texte/PDF |
| Pinecone Vector Store (insert) | Relié aux sous-nœuds ci-dessous |
| ↳ Default Data Loader | Lit le fichier binaire |
| ↳ Recursive Character Text Splitter | Par exemple taille des morceaux 1 000, chevauchement 200 |
| ↳ Embeddings Google Gemini | Modèle d’embedding, par exemple text-embedding-004 |
Astuce : enregistrez l’ID et le nom du fichier comme métadonnées de chaque morceau. Quand un fichier est mis à jour, supprimez d’abord ses anciens morceaux pour éviter les réponses en double ou obsolètes.
Partie 2 : workflow de chat
| Nœud | Paramètres |
|---|---|
| Chat Trigger | Fenêtre de chat publique ou interne |
| AI Agent | Message système : « Réponds uniquement à partir des documents de l’entreprise. Si la réponse n’y figure pas, dis-le. » |
| ↳ Google Gemini Chat Model | Modèle de chat |
| ↳ Window Buffer / Simple Memory | Les derniers messages |
| ↳ Vector Store tool (Pinecone) | Même index et même modèle d’embedding que pour l’indexation |
Conseils de qualité
- Utilisez le même modèle d’embedding pour l’indexation et les requêtes.
- Demandez à l’agent de citer le nom du fichier source dans chaque réponse.
- Gardez des dossiers ciblés ; mélanger brouillons et versions finales perturbe la recherche.
- Testez avec de vraies questions de votre équipe et ajustez la taille des morceaux si les réponses sont incomplètes.
Où placer le chat
- La page de chat hébergée par n8n (mode public du Chat Trigger).
- Un widget de chat intégré à votre intranet.
- Slack ou Telegram en changeant de déclencheur (bots Slack, assistant Telegram).
À lire aussi
- Faire tourner des LLM locaux avec Ollama pour une version entièrement privée
- Discuter avec votre base de données grâce à l’IA
