Stärken Sie Ihre Google Drive-Dokumente mit KI-Chat & Qdrant RAG

KI-gestützter RAG-Chatbot für Google Drive-Dokumente

Dieser umfassende n8n-Workflow verwandelt Ihre statischen Google Drive-Dokumente in eine dynamische, interaktive Wissensbasis. Er vereinfacht das Dokumenteninziehen, extrahiert intelligent Metadaten und ermöglicht einen leistungsfähigen RAG (Retrieval-Augmented Generation) Chatbot, der von Google Gemini und Qdrant angetrieben wird und sofort kontextbezogene Einblicke bietet.

Hauptfunktionen

• Automatisierte Google Drive-Dokumentenintegration: Importieren Sie mühelos Dokumente aus angegebenen Google Drive-Ordnern zur Verarbeitung.
• KI-verbesserte Metadatenerfassung mit Gemini: Automatische Identifikation und Extraktion kritischer Metadaten mittels Google Gemini für reichhaltigere, präzisere Suchmöglichkeiten.
• Robuste Qdrant-Vektordatenbankintegration: Sichere Speicherung und Verwaltung von Dokument-Embeddings für leistungsstarke semantische Suche.
• Intelligente Retrieval-Augmented Generation (RAG): Bieten Sie hochgenaue, kontextbezogene Antworten, indem relevante Dokumentausschnitte vor der Antwortgenerierung abgerufen werden.
• Menschliche Kontrolle bei Dokumentlöschung: Gewährleisten Sie Datenintegrität durch einen Telegram-basierten Genehmigungsschritt zum Löschen von Einträgen aus dem Vektorenspeicher.
• Persistente Chatverlauf-Aufzeichnung: Speichern Sie automatisch alle Chatbot-Interaktionen in einem Google Doc für Prüfpfade und zukünftige Referenz.

Funktionsweise

Dieser Workflow läuft in zwei Hauptphasen ab: Dokumente werden in eine Qdrant-Vektordatenbank eingelesen und gespeichert, anschließend wird diese Datenbank verwendet, um einen KI-gesteuerten RAG-Chatbot zu betreiben.

Phase 1: Dokumentenverarbeitung und -speicherung

Der Workflow startet entweder manuell oder über einen Webhook zu einem bestimmten Google Drive-Ordner. Er ermittelt alle Datei-IDs im Ordner und lädt nach optionaler menschlicher Genehmigung via Telegram zum Löschen vorhandener Daten jedes Dokument herunter. Anschließend werden die Dokumentinhalte extrahiert und Google Gemini verwendet, um reichhaltige Metadaten zu extrahieren (wie übergeordnete Themen, wiederkehrende Themen, Schmerzpunkte und Schlüsselwörter). Der extrahierte Text wird durch einen Token-Splitter in handhabbare Größen aufgeteilt. Für diese Abschnitte werden OpenAI-Embeddings erzeugt, die zusammen mit ihren Metadaten in Ihrem Qdrant-Vektorspeicher abgelegt werden. Eine Telegram-Benachrichtigung bestätigt den Abschluss des Upsert-Prozesses.

Phase 2: KI-Chat-Interaktion

Wenn eine Chatnachricht eingeht, verwendet der Workflow ein Chatmodell von Google Gemini zusammen mit einem Fensterpuffer-Speicher, um den Gesprächskontext aufrechtzuerhalten. Ein KI-Agent nutzt dann ein Qdrant-Vektor-Datenbank-Tool, um semantische Suchen durchzuführen und die relevantesten Dokumententeile basierend auf der Anfrage des Benutzers und den extrahierten Metadaten abzurufen. Der Agent verknüpft diese abgerufenen Informationen mit seinen eigenen Fähigkeiten, um genaue und informative Antworten zu generieren. Abschließend wird die gesamte Interaktion einschließlich der Benutzereingabe und der KI-Antwort in einem zugewiesenen Google Doc für die historische Nachverfolgung protokolliert.