Этот шаблон n8n представляет собой рабочий процесс для анализа отчетов о доходах компаний с использованием подхода RAG (Retrieval-Augmented Generation). Давайте разберем его пошагово.
Основная функциональность
Шаблон позволяет:
- Получать запросы от пользователя через текстовый интерфейс (чат).
- Извлекать релевантные данные из базы знаний (например, PDF-файлов с отчетами о доходах).
- Анализировать данные с помощью OpenAI для формирования ответа.
- Отправлять структурированный ответ пользователю.
Пошаговое описание работы
1. Триггер: “On new manual Chat Message”
- Это точка входа в рабочий процесс.
- Шаблон активируется, когда пользователь отправляет сообщение через чат-интерфейс.
- Сообщение передается в следующий узел для анализа.
Пример запроса:
- Пользователь: “Какие были финансовые результаты компании Tesla за последний квартал?”
2. Извлечение данных: “Document Search”
- Этот узел использует RAG-подход для поиска релевантных данных в базе знаний.
- База знаний может включать PDF-файлы или другие документы с отчетами о доходах.
Настройки:
- Поиск выполняется по ключевым словам из запроса пользователя.
- Результаты ранжируются по релевантности.
3. Анализ текста: “OpenAI Chat Model”
- Здесь используется модель OpenAI для анализа найденных данных.
- Модель генерирует ответ на основе входного текста.
Особенности:
- Можно использовать различные модели OpenAI (например, GPT-4o, gpt-4o-mini).
- Поддерживаются параметры, такие как температура (
temperature) и частота повторений (frequency_penalty).
4. Структурирование ответа: “Response Formatter”
- Этот узел форматирует ответ для удобства восприятия.
- Ответ может включать:
- Краткое резюме финансовых результатов.
- Ключевые показатели (например, выручка, прибыль).
- Графики или таблицы (если поддерживаются).
5. Отправка ответа: “Send Final Reply”
- Этот узел отправляет сформированный ответ обратно пользователю.
- Может быть интегрирован с различными платформами (например, Telegram, Discord, или другие API).
6. Sticky Notes (Заметки)
В шаблоне используются заметки для объяснения функционала каждого узла:
- “Document Search”: Описывает этапы поиска релевантных данных.
- “OpenAI Chat Model”: Рассказывает о выборе модели и ее настройках.
- “Response Formatter”: Объясняет, как форматируется ответ.
Какие задачи решает этот шаблон?
Автоматизация анализа отчетов:
- Пользователи могут отправлять запросы и получать структурированные ответы.
Улучшение пользовательского опыта:
- Агент уточняет детали, если запрос неясен.
- Диалог поддерживается естественным образом.
Интеграция с OpenAI:
- Используется мощная модель для анализа запросов и выполнения действий.
Как расширить функциональность?
Добавить больше инструментов:
- Например, добавить возможность извлекать данные из других форматов (Excel, CSV).
Интеграция с другими API:
- Можно добавить инструменты для работы с Gmail, Slack или другими сервисами.
Хранение истории запросов:
- Использовать базу данных для сохранения результатов.
Мультиязычная поддержка:
- Настроить агента на работу с разными языками.
Пример использования
Пользователь: Задает вопрос: “Какие были финансовые результаты компании Tesla за последний квартал?”
Система:
- Ищет релевантные данные в базе знаний.
- Анализирует текст с помощью OpenAI.
- Генерирует ответ: “Tesla сообщила о выручке $23.3 млрд и чистой прибыли $1.07 на акцию за последний квартал.”
Система: Отправляет ответ пользователю.
