# n8n में RAG Pipeline — n8n के साथ AI Automation

Source: https://www.geekswithgeeks.com/hi/n8n-ai-automation/tools-rag-pipeline

> Loaders, splitters, embeddings और vector store के साथ ingestion व query workflows बनाएँ।

## दो workflows

**RAG** (retrieval-augmented generation) आपके दस्तावेज़ों से उत्तर देता है। इसके दो flows हैं। **Ingestion** (दस्तावेज़ बदलने पर चलाएँ): files लोड करें, उन्हें chunks में बाँटें, chunks को **embeddings** में बदलें, और **vector store** में रखें (n8n Qdrant, Pinecone, Supabase जैसे विकल्प और परीक्षण के लिए in-memory store समर्थित करता है)। **Query**: agent को vector store tool के रूप में मिलता है, वह सवाल के लिए सबसे अच्छे chunks लाता है और उनसे उत्तर देता है।

## दोनों flows साथ-साथ

दोनों तरफ़ वही embedding model उपयोग होना चाहिए, वरना vectors मेल नहीं खाएँगे।

```text
INGEST   Trigger -> Load file -> Split text (500-1000 chars, ~10% overlap)
                   -> Embeddings (model X) -> Vector store: insert

QUERY    Chat trigger -> AI Agent
                          |- Chat model
                          |- Memory
                          \- Tool: Vector store (retrieve, Embeddings: model X)
```

## Agent से स्रोत देने और कमी मानने को कहें

System message में अपेक्षा रखें कि उत्तर स्रोत chunk का उद्धरण या नाम दें और retrieval कुछ प्रासंगिक न लाए तो "मुझे दस्तावेज़ों में यह नहीं मिला" कहें। Retrieved text डेटा है, निर्देश नहीं।

**Quiz:** Ingestion और query में वही embedding model क्यों होना चाहिए?

- [x] अलग models के vectors की तुलना नहीं हो सकती
- [ ] यह सिर्फ़ disk जगह बचाता है
- [ ] n8n दो models मना करता है
- [ ] यह सिर्फ़ नामकरण का नियम है

*Answer:* अलग models के vectors की तुलना नहीं हो सकती. Similarity search तभी चलती है जब दोनों तरफ़ एक ही vector space हो।