RAG AI to sposób na to, żeby czat odpowiadał na podstawie twoich dokumentów: regulaminu, cennika, instrukcji albo bazy wiedzy firmy. Zanim model napisze odpowiedź, system wyszukuje w dokumentach kilka fragmentów pasujących do pytania i podaje je modelowi razem z pytaniem. W n8n da się to zbudować bez pisania kodu, z gotowych węzłów. Pokazujemy, czym RAG jest po ludzku i kiedy w ogóle nie jest potrzebny. Potem opisujemy dwa przepływy, z których składa się taki bot, oraz ustawienia, które warto znać. Na końcu omawiamy cztery pułapki, na których najczęściej wykłada się pierwsza wersja. Nazwy węzłów i parametrów podajemy za dokumentacją n8n w stanie z 28 września 2026 roku.
Czym jest RAG AI i co to znaczy w praktyce
Skrót RAG pochodzi od angielskiego retrieval-augmented generation, czyli generowania wspomaganego wyszukiwaniem. Pojęcie wprowadził w 2020 roku zespół Patricka Lewisa w pracy Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Autorzy połączyli model językowy z indeksem dokumentów, z którego model korzysta przy odpowiedzi. Według pracy takie odpowiedzi były bardziej konkretne i lepiej trzymały się faktów niż odpowiedzi samego modelu.
W praktyce model nie musi “pamiętać” twojego regulaminu. Wystarczy, że w chwili pytania dostanie jego właściwy fragment. Dzięki temu po zmianie dokumentu wystarczy go ponownie wczytać, a model niczego nie trzeba uczyć od nowa.
Do wyszukiwania fragmentów służy baza wektorowa. Każdy kawałek tekstu zamieniany jest na ciąg liczb, tak zwany embedding, przez osobny model embeddingowy. Dokumentacja n8n tłumaczy, że wyszukiwanie w takiej bazie działa według znaczenia i nie wymaga dosłownego dopasowania słów. Pytanie “ile kosztuje dostawa” znajdzie więc akapit o opłatach za wysyłkę, nawet jeśli nie pada w nim słowo “dostawa”.
{ agenci AI }Agent AI, który pracuje na danych Twojej firmy
Budujemy agentów, którzy odpowiadają klientom, czytają dokumenty i przygotowują raporty, podłączonych do Waszych systemów. Zaczynamy od jednego procesu i sprawdzamy efekt, zanim pójdziemy dalej.
Kiedy RAG nie jest potrzebny
Zanim zbudujesz bazę wektorową, sprawdź, czy dokument nie zmieści się po prostu w rozmowie. Współczesne modele przyjmują bardzo długie teksty. Cennik Claude’a podaje okno kontekstu do miliona tokenów, zależnie od modelu. Regulamin sklepu na dwadzieścia stron możesz wkleić do czatu w całości i zadawać pytania bez żadnej infrastruktury.
RAG ma sens w trzech sytuacjach:
- dokumentów jest dużo i razem nie mieszczą się w kontekście albo wklejanie ich za każdym razem kosztowałoby za dużo;
- z bota korzystają inne osoby, na przykład klienci na stronie albo zespół w firmowym komunikatorze;
- dokumenty często się zmieniają i odpowiedzi mają zawsze wynikać z aktualnej wersji.
Jeśli potrzebujesz tylko sam zadawać pytania kilku plikom, prościej będzie założyć projekt w Claudzie albo ChatGPT i wgrać do niego pliki. Anthropic opisuje w pomocy, że projekty w Claudzie mają własny tryb RAG, który włącza się przy większej ilości wiedzy. W n8n bot opłaca się wtedy, gdy ma działać dla innych albo być częścią większej automatyzacji.
Jak działa RAG w n8n: dwa przepływy
Bot RAG w n8n składa się z dwóch osobnych przepływów, tak jak w szablonie RAG Starter Template z dokumentacji n8n. Pierwszy wczytuje dokumenty do bazy wektorowej. Drugi odbiera pytania i odpowiada.
Oba przepływy muszą używać tego samego modelu embeddingowego. Pytanie zamienione na liczby innym modelem niż dokumenty nie trafi we właściwe fragmenty. To częsty powód, dla którego świeżo zbudowany bot “nic nie znajduje”.
W n8n role są rozdzielone między węzły. Węzeł bazy wektorowej przechowuje fragmenty i je przeszukuje. Podpięty do niego węzeł embeddingów zamienia tekst na liczby. Default Data Loader wczytuje pliki i tnie je na kawałki. Model czatu dostaje znalezione fragmenty i pisze odpowiedź.
Węzły baz wektorowych w n8n mają cztery tryby pracy: Get Many, Insert Documents, Retrieve Documents (As Vector Store for Chain/Tool) oraz Retrieve Documents (As Tool for AI Agent). Pierwszy przepływ korzysta z Insert Documents, drugi zwykle z trybu dla agenta.
Agenci AI · Kodożercy
Zbuduj agenta, który wykonuje zadania za Ciebie
Kurs Agenci AI od Kodożerców prowadzi przez pięciu agentów zbudowanych w n8n: bibliotekarza odpowiadającego na pytania z Twoich dokumentów, asystenta proszącego o zgodę przed ważnym krokiem, badacza, inżyniera i łącznika spinającego narzędzia przez MCP. Kod, tam gdzie jest potrzebny, pisze Claude pod Twoim nadzorem.
Zobacz program kursu →
Przepływ pierwszy: wczytanie dokumentów do bazy
Ten przepływ uruchamiasz na początku i potem przy każdej zmianie dokumentów. Kolejne kroki odpowiadają temu, co opisuje strona o RAG w dokumentacji n8n.
- Dodaj węzły, które pobiorą pliki. Może to być dysk w chmurze, formularz albo plik testowy.
- Dodaj węzeł bazy wektorowej w trybie Insert Documents. Na początek wystarczy Simple Vector Store, który trzyma dane w pamięci n8n. Ustawiasz w nim Memory Key, czyli nazwę zbioru. Parametr Clear Store czyści zbiór przed wczytaniem nowej wersji.
- Podepnij model embeddingowy. n8n ma węzły embeddingów między innymi dla OpenAI, Google Gemini, Mistrala, Cohere i Ollamy. Mniejsze modele są szybsze i tańsze, większe lepiej rozumieją długie teksty.
- Podepnij Default Data Loader. W polu Type of Data wybierasz Binary dla plików albo JSON dla danych. Ustawienie Text Splitting na Simple tnie tekst na kawałki po 1000 znaków z zakładką 200 znaków.
- Dodaj metadane. W opcji Metadata zapisz przy każdym kawałku na przykład nazwę pliku, wersję i datę. Przydadzą się przy filtrowaniu i przy podawaniu źródła w odpowiedzi.
Jeśli domyślny podział nie pasuje, przełącz Text Splitting na Custom i podepnij osobny węzeł, na przykład Recursive Character Text Splitter. Ma on dwa parametry: Chunk Size, czyli długość kawałka w znakach, oraz Chunk Overlap, czyli zakładkę między kawałkami.
Przepływ drugi: bot, który odpowiada na pytania
Drugi przepływ zaczyna się od węzła Chat Trigger. Daje on gotowe okno czatu, które możesz udostępnić innym albo osadzić na stronie. Szczegóły tego okna opisaliśmy w tekście o interfejsie czatu w n8n.
- Dodaj Chat Trigger. Parametr Make Chat Publicly Available zostaw wyłączony, dopóki testujesz. W polu Mode wybierasz Hosted Chat, czyli okno n8n, albo Embedded Chat pod własny interfejs. W Authentication ustawiasz, kto może pisać: każdy, osoby znające wspólny login i hasło albo zalogowani użytkownicy n8n.
- Dodaj węzeł AI Agent i podepnij do niego model czatu. Agent musi mieć co najmniej jedno narzędzie.
- Podepnij bazę wektorową jako narzędzie w trybie Retrieve Documents (As Tool for AI Agent). Wpisz Name i Description, bo z opisu agent wnioskuje, kiedy sięgnąć do bazy. W polu Limit ustawiasz, ile fragmentów wraca do modelu.
- Podepnij ten sam model embeddingowy co w pierwszym przepływie.
Są też dwa inne układy. Question and Answer Chain z węzłem Vector Store Retriever odpowiada na każde pytanie z bazy, bez decyzji agenta. Vector Store Question Answer Tool najpierw streszcza znalezione fragmenty tańszym modelem, a dopiero wynik trafia do agenta. Dokumentacja poleca to rozwiązanie, gdy agent pracuje na drogim modelu.
Pamiętaj o koszcie uruchomień. Każda wiadomość w czacie to jedno wykonanie przepływu, więc rozmowa z dziesięcioma pytaniami zużywa dziesięć wykonań z limitu twojego planu n8n.
Simple Vector Store, Qdrant czy PGVector
Simple Vector Store nadaje się wyłącznie do testów i tak opisuje go sama dokumentacja n8n. Dane żyją w pamięci, więc znikają po restarcie n8n. Mogą też zostać usunięte, gdy brakuje pamięci. Do tego klucze pamięci są globalne dla całej instancji. Każdy użytkownik tego samego n8n może dodać węzeł, wybrać twój klucz i przeczytać dane, niezależnie od uprawnień do twojego przepływu.
Do pracy na stałe potrzebna jest prawdziwa baza wektorowa. n8n ma węzły między innymi dla Qdranta, PGVector, czyli rozszerzenia PostgreSQL, Supabase, Pinecone, Weaviate, Milvusa i Redisa. W Qdrancie wskazujesz nazwę kolekcji, w PGVector nazwę tabeli. Oba obsługują Metadata Filter, czyli wyszukiwanie zawężone do fragmentów o określonych metadanych. Kilka warunków łączy się tam spójnikiem “i”, więc muszą być spełnione wszystkie naraz.
Naszym zdaniem wybór zależy od tego, co już masz. Jeśli firma używa PostgreSQL albo Supabase, PGVector oszczędzi ci stawiania kolejnej usługi. Jeśli zaczynasz od zera, Qdrant jest osobną bazą zbudowaną właśnie do wektorów.
Pułapki, na których wykłada się pierwsza wersja bota
Pierwsza wersja zwykle działa na demonstracji i zawodzi na prawdziwych pytaniach. Poniżej cztery powody, które warto sprawdzić, zanim udostępnisz bota komukolwiek.
Dzielenie tekstu na kawałki
Od podziału zależy, co w ogóle da się znaleźć. Dokumentacja n8n podaje, że małe kawałki, rzędu 200-500 tokenów, dobrze sprawdzają się przy precyzyjnym wyszukiwaniu. Duże niosą więcej kontekstu, ale ich treść się rozmywa. Zakładka między kawałkami pomaga nie przeciąć myśli w pół zdania. Przy dokumentach z nagłówkami lepiej sprawdza się podział według struktury Markdown albo HTML, który oferuje Recursive Character Text Splitter. Najprościej sprawdzić podział, zadając botowi pytanie, na które odpowiedź leży na granicy dwóch akapitów.
Stare wersje dokumentów
Jeśli wczytasz nową wersję regulaminu obok starej, baza będzie miała obie. Bot może wtedy zacytować zapis, który już nie obowiązuje. W Simple Vector Store przed wczytaniem pomaga Clear Store. Przy stałej bazie wymianę wersji trzeba zaplanować samemu. Dobrym punktem wyjścia jest zapisanie w metadanych nazwy pliku i wersji. Pozwala to odfiltrować nieaktualne fragmenty przy wyszukiwaniu albo usunąć je bezpośrednio w bazie.
Dane osobowe w bazie wektorowej
Baza wektorowa przechowuje obok liczb także sam tekst fragmentów. W PGVector jest na niego osobna kolumna. Jeśli wczytasz korespondencję z klientami albo akta pracowników, dane osobowe trafią do bazy. Przy zewnętrznym modelu embeddingowym przejdą też przez jego dostawcę. Ciebie jako administratora obowiązuje wtedy RODO. Jeśli żądanie usunięcia danych jest zasadne, trzeba je usunąć także z bazy wektorowej, a nie tylko z dokumentu źródłowego. Dlatego metadane z identyfikatorem źródła warto dodać od pierwszego dnia. Najbezpieczniej jest nie wczytywać danych osobowych, jeśli bot ich nie potrzebuje.
Halucynacje mimo RAG
RAG zmniejsza ryzyko zmyślania, ale go nie usuwa. Model może źle połączyć dwa fragmenty albo dopowiedzieć coś, czego w dokumentach nie ma. W instrukcji systemowej agenta napisz, że ma odpowiadać wyłącznie na podstawie znalezionych fragmentów. Gdy odpowiedzi w nich nie ma, powinien to powiedzieć. Poproś też, żeby przy odpowiedzi podawał nazwę pliku z metadanych. Czytelnik może wtedy sprawdzić źródło sam.
Wariant lokalny, bez wysyłania danych na zewnątrz
Jeśli dokumenty nie powinny opuszczać firmy, cały przepływ da się uruchomić we własnej infrastrukturze, na samodzielnie hostowanym n8n. n8n ma węzeł Embeddings Ollama oraz model czatu Ollama Chat Model, a Qdrant i PostgreSQL można postawić na własnym serwerze. Kosztem jest utrzymanie własnego sprzętu i konieczność sprawdzenia, czy wybrane modele dają wystarczającą jakość po polsku na twoich dokumentach. Jak zainstalować Ollamę i podłączyć ją do n8n, pokazujemy w samouczku Ollama API krok po kroku.
Bot RAG to w gruncie rzeczy agent z jednym narzędziem. Jeśli chcesz go rozbudować o kolejne umiejętności, zacznij od naszego przewodnika po agentach AI w n8n i tekstu o tym, jak zbudować agenta AI krok po kroku.
Najczęstsze pytania
Co to jest RAG AI w prostych słowach?
To technika, w której system AI przed odpowiedzią wyszukuje w twoich dokumentach kilka pasujących fragmentów i przekazuje je modelowi razem z pytaniem. Model odpowiada na ich podstawie i nie musi polegać wyłącznie na tym, czego nauczył się wcześniej.
Czy do RAG w n8n trzeba umieć programować?
Nie. Cały przepływ składa się z gotowych węzłów: bazy wektorowej, embeddingów, Default Data Loader, AI Agent i Chat Trigger. Potrzebne są klucze do wybranych usług i podstawowa znajomość edytora n8n.
Czym RAG różni się od dotrenowania modelu?
Dotrenowanie zmienia sam model, a RAG podaje mu właściwe fragmenty w chwili pytania. Przy RAG aktualizacja wiedzy sprowadza się do ponownego wczytania dokumentu. Dlatego do firmowej bazy wiedzy RAG jest zwykle prostszy i tańszy.
Ile fragmentów powinien zwracać bot?
To zależy od długości kawałków i pytań. Parametr Limit w węźle bazy wektorowej ustawia, ile fragmentów wraca do modelu. Zacznij od kilku i sprawdź na prawdziwych pytaniach, czy odpowiedzi nie gubią informacji.
Podsumowanie
RAG AI pozwala modelowi odpowiadać z twoich dokumentów bez ponownego trenowania. System najpierw wyszukuje pasujące fragmenty w bazie wektorowej, a model pisze odpowiedź na ich podstawie. W n8n buduje się to z dwóch przepływów. Pierwszy wczytuje dokumenty przez Default Data Loader i model embeddingowy, drugi odbiera pytania przez Chat Trigger i AI Agent z bazą podpiętą jako narzędzie. Oba muszą używać tego samego modelu embeddingowego. Simple Vector Store wystarczy do testów, a do pracy na stałe potrzebna jest baza taka jak Qdrant albo PGVector. Przy małym dokumencie RAG nie jest potrzebny, bo tekst mieści się w rozmowie. Przy dużym trzeba zadbać o podział tekstu, wymianę starych wersji, dane osobowe i instrukcję, która każe modelowi przyznać, że czegoś w dokumentach nie ma.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
