Поисковый ИИ-агент по вашей базе знаний

1. Введение

В этом гайде вы соберёте поискового ИИ-агента, который отвечает не на основе общих знаний из интернета, а строго по вашим внутренним документам — регламентам, инструкциям, прайсам, базам знаний.

Это и есть RAG-схема (Retrieval-Augmented Generation): прежде чем ответить, агент сначала ищет нужные фрагменты в вашей базе и формулирует ответ на их основе. Не выдумывает, не «галлюцинирует», а цитирует ваши же материалы.

Что найдёте в этой инструкции:

• Как подключить узел Postgres PGVector Store к уже готовому агенту
• Как собрать загрузчик документов из Google Drive (HTTP Request → Extract from File → PGVector Store)
• Как правильно превратить ссылку Google Drive в прямую ссылку на скачивание
• Как подключить ту же базу к агенту в режиме поиска (Tool)
• Как протестировать агента и опубликовать его для коллег

Зачем это нужно:

Сценарий	Что грузим	Кто пользуется
HR-помощник	Регламенты, велкам-бук, политики, FAQ	Новые сотрудники
Поддержка клиентов	База знаний продукта, инструкции	Клиенты в чате
Продажи	Прайсы, кейсы, скрипты, возражения	Менеджеры
Юр-ассистент	Договоры, методички, нормативка	Юристы и методологи
Внутренний методолог	Лекции, методички, типовые ответы	Преподаватели курсов

💡 Главный тезис. ИИ-агент на базе знаний — это не «бот, который умеет в ChatGPT». Это бот, который умеет в вашу компанию. Разница — в архитектуре, которую мы соберём за этот гайд.

2. Прежде чем начать — изучите базовые гайды

Этот гайд — третий по логике. Он работает поверх двух базовых, без которых дальше не получится. Перед началом обязательно пройдите их:

🔗 Гайд 1. Как создать AI-агента с нуля и опубликовать в Нейро42

Ссылка: https://neuro42.ru/manuals/usage/create-agent-cases/how-to-create-an-ai-agent-from-scratch/

Что вы должны уметь после Гайда 1:

• Создавать воркфлоу с нодой AI Agent
• Подключать к агенту Chat Model (OpenAI / Qwen / другая) и Memory (Simple Memory / Postgres Chat Memory)
• Запускать тестовый чат прямо в воркфлоу
• Публиковать агента и получать публичную ссылку для коллег

🔗 Гайд 2. Как создать базу данных в Нейро42

Ссылка: https://neuro42.ru/manuals/usage/create-agent-cases/database-in-neuro42/

Что вы должны уметь после Гайда 2:

• Создавать PostgreSQL-базу прямо в Нейро42 (через раздел «Разработка агентов» → «База данных»)
• Создавать векторную таблицу с тремя обязательными колонками: embedding, text, metadata
• Заполнять Postgres account в учётных данных (Host, Database, User, Password, Port)

⚠️ Важно. Если вы не прошли эти два гайда — остановитесь и пройдите. Здесь мы не повторяем ни создание агента, ни создание базы. Дальше идём от точки, где у вас уже есть рабочий агент и пустая (но готовая к заливке) векторная таблица.

3. Что понадобится

Что нужно	Зачем / Где взять
Готовый AI-агент в Нейро42	См. Гайд 1 — у агента уже должны быть Chat Model и Memory
Созданная база и таблица в Нейро42	См. Гайд 2 — таблица с колонками embedding, text, metadata
Postgres account	Учётные данные подключения к вашей базе (тоже из Гайда 2)
API-ключ OpenAI (или другого провайдера эмбеддингов)	Для модели Embeddings — text-embedding-3-small достаточно
Документ для тестовой загрузки	PDF, DOCX или TXT — например, регламент компании
Доступ к Google Drive (или другому облаку)	Чтобы получить прямую ссылку на скачивание

4. Как устроен воркфлоу — схема целиком

Прежде чем собирать, посмотрите на итоговую схему. Воркфлоу состоит из двух ветвей:

Ветвь A (сверху) — диалог с пользователем:

Нода	Что делает
Chat Trigger	Принимает сообщение от пользователя
AI Agent	Думает и формирует ответ
OpenAI Chat Model	Сама LLM, которая пишет ответ
Simple Memory	Помнит контекст диалога
Postgres PGVector Store (Tool)	Поиск по базе знаний во время диалога

Ветвь B (снизу) — загрузка документов в базу:

Нода	Что делает
Manual Trigger	Запуск загрузки вручную (или по расписанию)
HTTP Request	Скачивает файл по прямой ссылке
Extract from File	Достаёт текст из PDF / DOCX / TXT
Postgres PGVector Store (Insert Documents)	Запись документов в базу
Embeddings OpenAI	Считает векторы (общий узел для обеих веток)
Default Data Loader	Превращает файл в формат для PGVector

💡 Совет. Узел Embeddings один — он работает на обе ветки. Это критично: модель эмбеддингов в Loader (запись) и в Tool (поиск) должна быть одна и та же, иначе вектора при поиске не совпадут с теми, что лежат в базе.

5. Основные шаги

Часть 1. Подключаем PGVector Store к агенту в режиме записи

Шаг 1. Открываем рабочий воркфлоу с агентом

Откройте воркфлоу из Гайда 1 — там уже должен быть собран AI Agent с подключёнными Chat Model и Memory.

Если воркфлоу опубликован — снимите его с публикации (три точки «⋯» в правом верхнем углу → «Снять с публикации»). Это нужно, чтобы правки вступали в силу корректно.

Шаг 2. Добавляем Postgres PGVector Store

На холсте у ноды AI Agent найдите кнопку «+ Что будет дальше?» или панель добавления нод. В строке поиска введите postgres.

В правой панели появится список:

• Postgres (Data action) — обычная работа с PostgreSQL
• Other Vector Stores → Postgres PGVector Store — это наш узел
• Other Memories → Postgres Chat Memory
• Other Tools → Postgres Tool

Выберите Postgres PGVector Store.

Рис. 1

Шаг 3. Выбираем операцию Insert Documents

После выбора узла в правой панели появятся варианты использования:

• Get ranked documents from vector store
• Add documents to vector store  
• Insert Documents ← выбираем этот
• Retrieve documents for Chain/Tool as Vector Store
• Retrieve documents for AI Agent as Tool

Нажимаем Add documents to vector store (Insert Documents) — это режим записи новых документов в нашу таблицу.

Рис. 2

Шаг 4. Настраиваем подключение к базе

Откроется панель параметров узла. Заполняем:

Поле	Что вводить
Учётные данные	Postgres account из Гайда 2 (тот, который вы создали для своей базы)
Operation Mode	Insert Documents
Table Name	Имя вашей таблицы (в нашем примере baza)
Embedding Batch Size	200 (значение по умолчанию, можно не трогать)

Рис. 3

⚠️ Важно. Имя таблицы должно точно совпадать с тем, что вы создали в Гайде 2. Регистр имеет значение — baza и BAZA это разные таблицы.

✅ Часть 1 завершена. Узел PGVector Store на холсте, настроен на запись в нашу таблицу.

Часть 2. Подключаем Embeddings и Default Data Loader

PGVector Store сам по себе не умеет ни считать вектора, ни читать файлы. Ему нужны два «помощника»: модель эмбеддингов и загрузчик документов.

Шаг 5. Подключаем Embeddings OpenAI

Внизу узла PGVector Store есть слот Embedding *. Нажимаем плюсик под ним → выбираем Embeddings OpenAI.

В настройках узла:

• Model: text-embedding-3-small (быстрая и дешёвая, для большинства задач хватает)
• Альтернатива: text-embedding-3-large — точнее, но дороже в 6,5 раз

💡 Совет. Если вы работаете на отечественных провайдерах — используйте Embeddings Qwen или другую совместимую модель. Главное правило: какую модель поставите при загрузке (Insert) — такую же надо ставить и при поиске (Tool). Иначе вектора при поиске не совпадут с теми, что в базе.

Шаг 6. Добавляем Default Data Loader

Рядом со слотом Embedding есть второй слот — Document *. Нажимаем плюсик → справа открывается панель Document Loaders → выбираем Default Data Loader.

Рис. 4

Зачем нужен Data Loader. PGVector Store ждёт на входе не сырой файл, а уже подготовленный документ — нарезанный на чанки и приведённый к нужной структуре. Default Data Loader делает именно это: берёт входящий файл, режет его на куски подходящего размера и передаёт в PGVector Store по штуке.

✅ Часть 2 завершена. К PGVector Store подключены Embeddings OpenAI и Default Data Loader.

Часть 3. Собираем загрузчик документов (HTTP Request → Extract from File → Триггер)

Сейчас у нас есть только «приёмник» документов. Теперь нужна цепочка, которая возьмёт файл из облака, превратит его в текст и передаст в Default Data Loader.

Шаг 7. Переносим связку ниже по холсту

Чтобы было удобно работать — выделите PGVector Store, Embeddings и Default Data Loader (Cmd+A на маке или мышкой через рамку) и перенесите вниз по холсту, освободив место сверху.

Шаг 8. Добавляем HTTP Request

На холсте плюсик → в поиске введите http или HTTP Request → выберите узел HTTP Request.

Рис. 5

Зачем нужен HTTP Request. Это универсальный узел, который умеет делать запросы по любому URL. Мы будем им скачивать файлы напрямую из Google Drive, Yandex Disk, Dropbox или любого внутреннего CRM по API. Файл придёт в виде бинарных данных (байтов).

Шаг 9. Добавляем Extract from File

После HTTP Request снова плюсик → в поиске extract → выберите Extract from File.

Рис. 6

Зачем нужен Extract from File. HTTP Request возвращает бинарные байты — но Default Data Loader ждёт текст. Extract from File преобразует байты файла (PDF, DOCX, TXT, XLSX) в обычный текст. Без него Loader получит «кашу» и упадёт с ошибкой.

⚠️ Важно. В настройках Extract from File выберите тип файла, который вы скачиваете (PDF / DOCX / TXT). Если выбрать неправильный — текст вытащится с артефактами или не вытащится вовсе.

Шаг 10. Добавляем триггер для запуска загрузки

Перед HTTP Request ставим триггер. Откройте плюсик в начале цепочки — справа появится панель «Что запускает этот воркфлоу?»:

Триггер	Когда использовать
Запуск вручную (Manual Trigger)	Для тестирования и разовых загрузок
По расписанию (Schedule)	Автообновление базы (раз в сутки, раз в неделю)
При получении вебхука (Webhook)	Когда CRM/Google Drive присылает событие об изменении
При отправке формы (Form)	Когда документ загружают через форму на сайте
По событию в приложении	Триггер от Google Drive, Notion, Slack и др.

В нашем примере выбираем Запуск вручную — для первого теста этого хватит.

Рис. 7

После этого соедините ноды стрелками: Manual Trigger → HTTP Request → Extract from File → Postgres PGVector Store.

✅ Часть 3 завершена. Цепочка загрузки собрана, осталось добавить ссылку.

Часть 4. Получаем прямую ссылку Google Drive (это критично!)

⚠️ Самый частый затык всего гайда. HTTP Request с методом GET работает только с прямой ссылкой на скачивание. Стандартная кнопка «Поделиться → Копировать ссылку» в Google Drive отдаёт ссылку на просмотр (viewer), а не на скачивание. Если вставить её в HTTP Request — n8n скачает HTML-страницу «У вас нет доступа», а не файл.

Шаг 11. Превращаем viewer-ссылку в download-ссылку

Принцип простой: меняем формат URL по шаблону.

Тип ссылки	Шаблон
Было (просмотр)	https://drive.google.com/file/d/FILE_ID/view
Стало (прямая на скачивание)	https://drive.google.com/uc?export=download&id=FILE_ID

По шагам:

1. Откройте ссылку Google Drive и скопируйте кусок между `/d/` и `/view` — это и есть FILE_ID.  

Пример: https://drive.google.com/file/d/1B-pxq-wh_YFvR6Bl940NGwqRaE6CaKUs/view → FILE_ID = 1B-pxq-wh_YFvR6Bl940NGwqRaE6CaKUs

1. Подставьте FILE_ID в шаблон скачивания:  

https://drive.google.com/uc?export=download&id=1B-pxq-wh_YFvR6Bl940NGwqRaE6CaKUs

1. Готово — эту ссылку вставляем в HTTP Request в поле URL.

⚠️ Условие. Файл в Google Drive обязательно должен быть открыт по ссылке: Share → General access → Anyone with the link → Viewer. Иначе n8n скачает HTML с ошибкой доступа, а не сам файл.

💡 Совет про другие сервисы. Принцип тот же для любого облачного диска (Yandex.Disk, Dropbox, OneDrive): нужна именно ссылка прямого скачивания (download), а не просмотра. Простой тест: если по ссылке файл сразу скачивается на ваш компьютер — она подходит для HTTP Request. Если открывается просмотрщик — не подходит, надо переделывать.

💡 Промт для конвертации ссылок через нейросеть. Если у вас сразу 50 ссылок Drive — не делайте вручную, дайте задание ChatGPT/Claude:

 

Ты — конвертер ссылок Google Drive в прямую ссылку на скачивание для n8n.  Я даю ссылку вида: https://drive.google.com/file/d/FILE_ID/view (или любую ссылку Drive на просмотр файла)  Твоя задача: 1) Вытащить FILE_ID (это кусок между /d/ и /view, либо параметр id=… если он есть). 2) Вернуть ТОЛЬКО одну строку — прямую ссылку для скачивания в формате: https://drive.google.com/uc?export=download&id=FILE_ID  Правила: — Никаких объяснений, никаких лишних слов, никаких кавычек. — Если ссылок несколько — верни столько же строк, по одной на каждую. — Если не можешь найти FILE_ID — напиши ровно: ERROR: NO_FILE_ID  Вот ссылка: PASTE_LINK_HERE

Шаг 12. Вставляем ссылку в HTTP Request

Откройте параметры HTTP Request и заполните:

Поле	Значение
Method	GET
URL	Ваша прямая ссылка: https://drive.google.com/uc?export=download&id=…
Authentication	None
Send Query Parameters	OFF
Send Headers	OFF
Send Body	OFF

Рис. 8

✅ Часть 4 завершена. Загрузчик готов скачать файл из Google Drive.

Часть 5. Подключаем PGVector Store к агенту как Tool (поиск по базе)

Сейчас у нас собран загрузчик — он кладёт документы в базу. Но агент пока не умеет в эту базу заглядывать. Нужен второй PGVector Store — но в режиме поиска (Tool).

Шаг 13. Добавляем второй PGVector Store к Agent

Идём наверх к ноде AI Agent. У него есть слот Tool (внизу узла, обычно справа). Нажимаем плюсик под Tool → в поиске пишем postgres → выбираем Postgres PGVector Store.

Рис. 9

💡 Что важно понять. На холсте теперь будет ДВА узла Postgres PGVector Store: один снизу (записывает) и один сверху (ищет). Это нормально и так и должно быть. Они работают с одной и той же таблицей, просто в разных режимах.

Шаг 14. Настраиваем PGVector Store в режиме Tool

Откроются параметры нового узла. Заполняем:

Поле	Значение
Учётные данные	Тот же Postgres account
Operation Mode	Retrieve Documents (As Tool for AI Agent) ⬅ обязательно этот режим
Description	База знаний компании. Используй для любых вопросов про политики, правила, инструкции, цены, расписание.
Table Name	baza (та же таблица, что в Insert)
Limit	4 (количество фрагментов, которые агент получит)
Include Metadata	ON (чтобы агент мог цитировать источник)
Rerank Results	OFF (можно включить позже для улучшения качества)

Рис. 10

⚠️ Description — самое важное поле. AI Agent читает Description, чтобы понять, стоит ли вообще обращаться к этой базе при текущем вопросе. Чем точнее опишете назначение — тем точнее агент будет ходить в базу (а не отвечать «из головы»).

Хорошие примеры Description:

• «База знаний компании. Используй для любых вопросов про политики, правила, инструкции, цены, расписание.»
• «Регламенты HR-отдела. Используй для вопросов про отпуска, больничные, ДМС, испытательный срок.»
• «Прайс-лист и кейсы продаж. Используй когда клиент спрашивает про стоимость, сроки, портфолио.»

Плохой пример:

• «База» — слишком общо, агент не поймёт, когда сюда ходить.

Шаг 15. Подключаем тот же Embeddings, что у Loader

У нового PGVector Store снизу есть слот Embedding *. Нажимаем плюсик.

⚠️ Важно: НЕ создавайте новый Embeddings. В нашем воркфлоу уже есть Embeddings OpenAI (тот, что снизу под Loader). Подключите оба узла PGVector Store к одному и тому же Embeddings — просто протяните стрелку от слота Embedding нового узла к существующему Embeddings.

Почему это критично. Модель эмбеддингов в Loader (Insert) и в Tool (Retrieve) обязана быть одна. Если случайно поставите разные модели — вектора при поиске не совпадут с теми, что лежат в базе, и поиск не найдёт ничего.

✅ Часть 5 завершена. Финальная схема воркфлоу выглядит так:

Рис. 11

Сверху — диалоговая ветка (Chat Trigger → AI Agent + OpenAI Chat Model + Simple Memory + PGVector Store как Tool). Снизу — загрузочная ветка (Manual Trigger → HTTP Request → Extract from File → PGVector Store как Insert). По центру — общий узел Embeddings OpenAI и Default Data Loader.

Часть 6. Запускаем загрузку и проверяем

Шаг 16. Запускаем по нодам в ручном режиме

Чтобы проверить, что вся цепочка работает — запускаем не сразу всё, а по одной ноде.

1. Manual Trigger. Нажимаем на узле Manual Trigger → Execute step (или просто кнопку «Выполнить воркфлоу» внизу).
2. HTTP Request. Дальше нажимаем на HTTP Request → Execute step. Узел должен подсветиться зелёным — это значит файл скачался.

Рис. 12

3. Extract from File. Нажимаем на Extract from File → Execute step. Узел вытащит текст из бинарного файла.

Рис. 13

4. Postgres PGVector Store (нижний, Insert). Финальная нода — нажимаем → Execute step. Документы записываются в базу.

Рис. 14

💡 Совет. Если какой-то шаг падает с ошибкой — открывайте детали (правая панель «Выход») и читайте текст ошибки. Чаще всего проблема в одном из трёх:

• неправильная ссылка Google Drive (см. Часть 4)
• не выбран тип файла в Extract from File
• разные модели эмбеддингов в Loader и Tool

Шаг 17. Проверяем, что данные попали в базу

Идём в Нейро42 → Разработка агентов → вкладка «База данных» → ваша база (например, BAZA) → ваша таблица (например, baza).

Видим заполненные строки с колонками:

• embedding — длинный вектор чисел (сжатый смысл фрагмента)
• text — исходный текст фрагмента
• metadata — служебные данные (источник, ID документа)
• id — уникальный идентификатор записи

Рис. 15

Если строки есть — поздравляем, ваша база знаний наполнена. Если строк нет — возвращайтесь к Шагу 16 и смотрите, на каком этапе цепочка обрывается.

✅ Часть 6 завершена. Документы в базе, агент готов отвечать.

Часть 7. Тестируем агента в чате и публикуем

Шаг 18. Открываем тестовый чат

Возвращаемся в наш воркфлоу и нажимаем кнопку «Открыть чат» внизу рабочей области.

В появившемся окне пишем тестовый вопрос — обязательно по теме загруженных документов.

Пример: «Привет, какой дресс-код у нас в компании?»

Агент должен:

1. Сообразить, что вопрос относится к компании → пойти в Tool (PGVector Store)
2. Найти релевантные фрагменты в базе по смыслу
3. Сформулировать ответ на основе найденных фрагментов

Рис. 16

💡 Если ответ нерелевантный — проверьте:

• В базе действительно есть нужная информация (откройте таблицу и почитайте колонку text)
• Description у Tool написан осмысленно — «используй для вопросов про политики, правила…»
• Limit стоит хотя бы 4 — агенту нужно несколько фрагментов для контекста
• В Системном промпте AI Agent явно указано: «Перед каждым ответом ищи в базе знаний»

Шаг 19. Публикуем агента и расшариваем коллегам

По первому гайду (см. раздел «Прежде чем начать») опубликуйте воркфлоу через кнопку «Опубликовать» в правом верхнем углу.

После этого:

• Получите публичную ссылку на чат с агентом
• Можете отправить её коллегам — каждый зайдёт со своей сессией и получит свою память диалога
• Бот будет отвечать всем сразу на основе одной и той же базы знаний

✅ Готово! У вас работает поисковый ИИ-агент по вашей внутренней базе знаний.

Теперь любой документ — регламент, прайс, инструкцию, договор — вы можете загрузить через ту же связку (HTTP Request → Extract → PGVector Insert), и агент сразу начнёт отвечать с учётом нового материала.

6. Что делать, если не работает

Симптом	Причина	Что сделать
HTTP Request скачивает HTML вместо файла	Ссылка Google Drive — на просмотр, не на скачивание	См. Часть 4 — конвертируйте ссылку через шаблон uc?export=download&id=FILE_ID
HTTP Request падает с 403 / 404	Файл закрыт от публичного доступа	В Drive: Share → General access → Anyone with the link → Viewer
Extract from File падает с ошибкой	Не выбран тип файла	В параметрах узла укажите тип: PDF / DOCX / TXT — соответствующий вашему файлу
Postgres PGVector Insert: «authentication failed»	Неправильный пароль в Postgres account	Сменить пароль в карточке базы → ввести заново в Postgres account
Postgres PGVector Insert: «relation does not exist»	Неправильное имя таблицы	Сверьте Table Name с именем в разделе «База данных» — регистр важен
Insert работает, но в чате агент «ничего не знает»	В Tool стоит другая модель Embeddings	В Loader и Tool должна быть одна модель — text-embedding-3-small (или одна и та же другая)
Агент игнорирует базу и фантазирует	Description у Tool слишком общий	Уточните Description: «Используй для любых вопросов про…» — конкретные темы
В таблице 0 записей	Не нажали Execute step на узле PGVector Insert	Запустите цепочку по порядку: Manual → HTTP → Extract → Insert
Insert: записи появляются, но колонка text пустая	Default Data Loader не получил содержимое	Проверьте связь: HTTP Request → Extract from File → Default Data Loader → PGVector Store
У всех пользователей в чате одна общая память	Не задан Session ID в Memory	Поставьте {{ $json.sessionId }} (для веб-чата) или {{ $json.message.chat.id }} (для Telegram)

7. Что делать дальше

У вас в руках рабочая основа. Вот направления, в которые можно расти:

• Автообновление базы. Замените Manual Trigger на Schedule Trigger (раз в сутки/неделю) — база будет сама подтягивать свежие документы из Drive
• Несколько источников. Подключите параллельно HTTP Request под Yandex.Disk, Dropbox, Notion API — все они будут писать в одну таблицу
• Несколько баз под разные темы. Заведите отдельные таблицы под HR / Продукт / Юридическую базу — и подключите к агенту три PGVector Store как Tool с разными Description. Агент сам выберет, куда пойти
• Telegram-бот. Замените Chat Trigger на Telegram Trigger — агент будет работать в мессенджере (см. Кейс 5 курса Нейро42)
• Виджет на сайт. Включите в Chat Trigger режим Embedded Chat — встройте чат прямо в HTML-страницу (см. Кейс 6 курса Нейро42)
• Логирование запросов. Добавьте отдельную таблицу kb_logs и пишите туда каждый диалог — через неделю откройте логи и поймёте, на какие вопросы агент отвечает плохо
• Эскалация на человека. Если агент не уверен в ответе — пусть отправляет вопрос в чат менеджеру через ноду Telegram Send Message

Хотите собрать всё это под ключ?

Этот гайд — выжимка из курса «Нейро42» по N8N и AI-автоматизации. На полном курсе разбираем десятки готовых сценариев:

• Поисковый ИИ-агент на базе знаний (этот гайд) + расширенные кейсы
• Голосовой агент для входящих звонков
• Бот-методолог для онлайн-курсов
• HR-агент с интеграцией в 1С
• Юр-ассистент с цитированием статей и правовой базы
• Telegram-бот, который принимает голосовые и расшифровывает через Whisper
• Встраивание агента на сайт компании

Получаете живые шаблоны, доступ к инстансу Нейро42, проверку домашних заданий и комьюнити выпускников.