RAG (Retrieval Augmented Generation)

Visão geral

O workflow do n8n utiliza RAG para fundamentar as respostas em documentos e notas técnicas. Na prática, isso é feito com:

• Embeddings (OpenAI) para indexar e consultar textos;
• Supabase (Vector Store + função SQL) para armazenar e recuperar trechos relevantes;
• Ferramentas do LangChain no n8n (toolVectorStore) conectadas aos agentes.

O objetivo é que os agentes especialistas consultem a base antes de responder, reduzindo alucinação e mantendo aderência às Notas Técnicas.

Como está configurado hoje (no workflow)

No export atual em n8n.json, existem Vector Stores e ferramentas com estas características:

Vector Store “documents” (consulta)

• Tabela: documents
• Query (função): match_documents
• Usada por ferramentas:
  • ferramenta_rag_geral
  • ferramenta_rag_geral2
  • ferramenta_rag_geral3

Vector Store “notes_endocri” (consulta)

• Tabela: notes_endocri
• Query (função): match_notes_endocri
• Usada pela ferramenta: ferramenta_rag_geral4

Vector Store “notes_cardi” (inserção / treino)

Existe um fluxo de treino que insere chunks na tabela notes_cardi usando a query match_notes_cardi.

Observação importante: no export atual, o agente de Cardiologia consulta a ferramenta ferramenta_rag_geral2, que está ligada à tabela documents (não notes_cardi). Se a intenção é que Cardiologia use notes_cardi, é necessário ajustar o node de ferramenta/Vector Store no n8n.

Fluxo de “treinamento” (ingestão)

No export atual, há um fluxo com:

• Manual Trigger → Google Drive (Download file) → Text Splitter → Data Loader → Supabase Vector Store (insert)

Isso serve para:

• baixar um arquivo (ex.: PDF/texto do Drive);
• converter em documentos;
• dividir em chunks;
• gerar embeddings;
• inserir no Supabase.

Boas práticas para prompts + RAG

Para que o RAG funcione bem no n8n:

• no prompt do agente, exigir explicitamente o uso da ferramenta (já está configurado nos agentes especialistas);
• manter o output do agente em JSON estrito, para passar pelo node de normalização sem perdas;
• manter documentos curtos e bem segmentados (chunking consistente).

Diagnóstico rápido

Se o agente “não consulta o RAG” na prática:

• verifique se o agente realmente tem a ferramenta conectada no canvas;
• verifique se o modelo e o node de ferramenta estão ligados ao agente correto;
• confirme se a tabela/queryName do Supabase está correta;
• teste a função match_* diretamente no Supabase (retorno, filtros, e similaridade).