Criar um chatbot RAG sobre os seus documentos do Google Drive
· Por AI Compare
Indexe automaticamente os ficheiros da empresa no Google Drive e deixe a sua equipa conversar com eles.
O que vai criar
Um chatbot que responde a perguntas com base nos documentos da sua empresa no Google Drive: políticas, documentação de produto, procedimentos. Quando alguém adiciona ou atualiza um ficheiro numa pasta, este é indexado automaticamente. Os colaboradores fazem perguntas numa janela de chat e recebem respostas fundamentadas nesses ficheiros.
Segue o modelo do n8n «RAG chatbot for company documents using Google Drive and Gemini».
Como funciona o RAG num parágrafo
A geração aumentada por recuperação (RAG) divide os seus documentos em pequenos excertos, transforma cada excerto num vetor (um embedding) e guarda-os numa base de dados vetorial. Quando um utilizador faz uma pergunta, o sistema encontra os excertos mais semelhantes e entrega-os ao modelo de linguagem, que responde com esse contexto em vez de adivinhar.
O que precisa
- Credenciais OAuth2 do Google Drive (guia de configuração).
- Uma chave de API do Google Gemini a partir do Google AI Studio (para embeddings e chat). OpenAI ou Ollama também funcionam.
- Uma base vetorial: o modelo usa o Pinecone (crie um índice, por exemplo
company-files, com a dimensão do seu modelo de embeddings). Qdrant, Supabase e Postgres com pgvector são alternativas.
Parte 1: workflow de indexação
| Nó | Definições |
|---|---|
| Google Drive Trigger (ficheiro criado) | Monitorizar a pasta de conhecimento |
| Google Drive Trigger (ficheiro atualizado) | A mesma pasta, para reindexar as alterações |
| Google Drive: Download | Converter os Google Docs em texto/PDF |
| Pinecone Vector Store (insert) | Ligado aos sub-nós abaixo |
| ↳ Default Data Loader | Lê o ficheiro binário |
| ↳ Recursive Character Text Splitter | Por exemplo, tamanho do excerto 1000, sobreposição 200 |
| ↳ Embeddings Google Gemini | Modelo de embeddings, por exemplo text-embedding-004 |
Dica: guarde o ID e o nome do ficheiro como metadados de cada excerto. Quando um ficheiro for atualizado, apague primeiro os excertos antigos para evitar respostas duplicadas ou desatualizadas.
Parte 2: workflow de chat
| Nó | Definições |
|---|---|
| Chat Trigger | Janela de chat pública ou interna |
| AI Agent | Mensagem de sistema: «Responde apenas com base nos documentos da empresa. Se a resposta não estiver lá, diz isso.» |
| ↳ Google Gemini Chat Model | Modelo de chat |
| ↳ Window Buffer / Simple Memory | As últimas mensagens |
| ↳ Vector Store tool (Pinecone) | O mesmo índice e modelo de embeddings da indexação |
Dicas de qualidade
- Use o mesmo modelo de embeddings na indexação e nas consultas.
- Peça ao agente que cite o nome do ficheiro de origem em cada resposta.
- Mantenha as pastas focadas; misturar rascunhos e versões finais confunde a pesquisa.
- Teste com perguntas reais da sua equipa e ajuste o tamanho dos excertos se as respostas ficarem incompletas.
Onde colocar o chat
- Na página de chat alojada pelo n8n (modo público do Chat Trigger).
- Num widget de chat incorporado na sua intranet.
- No Slack ou no Telegram, trocando o trigger (bots do Slack, assistente no Telegram).
Artigos relacionados
- Executar LLMs locais com o Ollama para uma versão totalmente privada
- Conversar com a sua base de dados usando IA
