cerebro-vip INEMA.CLUB
início › INEMA.N8N

Aula da INEMA sobre construção de Agente RAG do zero usando n8n e…

INEMA.N8N · 2025-07-21 · ~8 min · ver no Telegram ↗

INEMA

dublado

youtube.com/watch ↗

🏆 10 Hacks para o Agente RAG no N8N⌗

🚀 1. Atualização automática do banco vetorial⌗

  • 🔥 Hack: Crie um fluxo que observa uma pasta no Google Drive.

  • Sempre que um novo PDF é adicionado, ele:

    1. Chunk + Embed automático
    2. Atualiza o Supabase sem precisar executar manualmente * Exemplo prático: Adicionar um nó “Watch Folder” → conecta ao pipeline de embeddings.

⚡ 2. Deleção automática de vetores antigos⌗

  • 🧽 Quando um documento é deletado do Drive, exclua os vetores relacionados no Supabase.
  • Por que? Evita dados obsoletos no banco e mantém a base leve.
  • Hack: Use o evento “File Deleted” do Google Drive → conecta com um Supabase Delete Node.

🧠 3. Memória por usuário (multiusuário)⌗

  • 🤝 Hack: Use o e-mail ou ID do usuário como Session ID no PostgreSQL Memory Node.

  • Assim, o agente lembra as conversas de cada pessoa separadamente.

  • Exemplo: Para suporte ao cliente via WhatsApp, o número do cliente vira o Session ID.

🕵️‍♂️ 4. Aprimore o contexto com metadados⌗

  • 📎 Adicione metadados ao armazenar vetores (ex.: autor, data, categoria).
  • Permite buscas mais refinadas com filtros no Supabase.
  • Exemplo: metadata: { "source": "Manual de Produto", "versão": "v2.1" }

🚀 5. Acelere com modelos mais leves⌗

  • 🎯 Use text-embedding-3-small para embeddings (mais rápido e barato).
  • 🧠 Para o chat, teste GPT-3.5 para respostas rápidas e GPT-4 só quando for essencial.

🔄 6. Fluxo de atualização incremental⌗

  • 🆕 Quando um documento é alterado:
  1. Detecta alterações (hash ou timestamp).
  2. Atualiza apenas os chunks modificados no Supabase. * Benefício: Mantém o banco vetorial sempre atualizado sem reprocessar tudo.

📦 7. Compacte grandes PDFs⌗

  • 🗜️ Antes de enviar para chunking, use um serviço de compressão para reduzir o tamanho do PDF.
  • Evita limitações no Google Drive API e melhora a velocidade do pipeline.

🧑‍💻 8. Ferramenta universal para o agente⌗

  • 🔥 Hack: Conecte várias bases vetoriais no mesmo agente.

  • Ex.: Supabase + Pinecone + Weaviate

  • Configure múltiplos “Tools” no agente → ele decide qual usar com base no contexto.

📊 9. Dashboard em tempo real⌗

  • 📈 Crie um painel com Supabase (ou Retool) para:

  • Ver dados vetorizados

  • Monitorar consultas ao agente
  • Auditar respostas e treinar melhorias

🧩 10. Integração com outros apps⌗

  • 📡 Conecte o agente a:

  • WhatsApp (via Twilio)

  • Telegram
  • E-mail (Gmail API)
  • Slack ou Teams
  • Permite que o agente responda perguntas diretamente nessas plataformas.

🔥 Bônus: Hacks Ninja⌗

  • ✅ Chunk Dinâmico: ajuste o tamanho do chunk com base no tipo de documento (curto = 500, longo = 2000).
  • ✅ RAG com Tradução: adicione um nó de tradução (Google Translate API) antes do embedding para suportar multi-idiomas.
  • ✅ Verificação de Fonte: retorne não só a resposta, mas também o trecho exato do documento como referência.

-

🔄 Etapa 7: Expansões sugeridas⌗

  • Upload automático: qualquer PDF adicionado ao Google Drive vai direto para o Supabase.
  • Atualização automática: quando o PDF muda, o agente atualiza os vetores.
  • Deleção automática: se o arquivo é excluído do Drive, remove os vetores associados.

🌟 Resultado Final⌗

Você terá um agente conversacional:

  • Consultando um banco vetorial com documentos
  • Respondendo perguntas com contexto
  • Com memória persistente via PostgreSQL
  • Totalmente no-code e expansível.

🟢 Passo a Passo: Do Zero ao Agente RAG no N8N com Supabase⌗

🚀 Objetivo⌗

Criar um Agente RAG (Retrieval-Augmented Generation) que:

  • Armazena documentos em um banco vetorial (Supabase)
  • Permite o agente responder perguntas usando o conteúdo
  • Com memória (PostgreSQL no Supabase)

📝 Etapa 1: Configurar o Supabase⌗

  1. Acesse https://supabase.com e crie uma conta (ou faça login).
  2. Clique em “Start your project” (botão verde).
  3. Nomeie o projeto (ex: RAG-Agent-Test) e defina uma senha para o banco de dados.
  4. Aguarde até o status ficar verde (projeto ativo).
  5. Salve:
  • Project URL → será o host
  • Service Role Secret → será a chave para o NADN

📥 Etapa 2: Preparar o Documento⌗

  1. Salve o PDF ou documento que quer usar no Google Drive.
  • Exemplo do vídeo: “Rules of Golf Simplified.pdf” 2. Compartilhe com permissões para leitura (se necessário).

🖱️ Etapa 3: Configurar o Pipeline RAG no NADN⌗

3.1. Conectar o Google Drive⌗

  • No NADN, crie um novo workflow.

  • Adicione um Google Drive Node:

  • Ação: Download File

  • Conecte sua conta Google.
  • Escolha o documento (ex.: “Rules of Golf”).
  • Clique em Execute Step para confirmar que o arquivo foi carregado.

3.2. Configurar o Supabase Vector Store⌗

  • Adicione um Supabase Vector Store Node:

  • Ação: Add Documents to Vector Store

  • Crie uma nova credencial com:

    • Host: Project URL do Supabase
    • Service Role Secret: chave copiada do Supabase
    • Salve com um nome descritivo.

3.3. Criar a Tabela no Supabase⌗

  • No Supabase:

  • Vá em SQL Editor → New Query

  • Cole o seguinte código e execute:

    create extension if not exists vector; create table documents ( id bigserial primary key, content text, metadata jsonb, embedding vector(1536) ); * Confirme que a tabela documents foi criada.

3.4. Chunk e Embed o Documento⌗

  • Adicione:

  • Default Data Loader (para chunking)

    • Tipo: Binary (porque o PDF está em binário)
    • Configuração padrão: 1000 caracteres com 200 de sobreposição

    • Embeddings Node (OpenAI)

    • Conecte com sua API Key do OpenAI

    • Modelo: text-embedding-3-small
    • Execute o fluxo para enviar os chunks vetorizados para o Supabase.

📌 Resultado esperado: tabela documents preenchida com os chunks vetoriais.

💬 Etapa 4: Criar o Agente RAG no N8N⌗

4.1. Adicionar o Chat Trigger⌗

  • Adicione um Chat Trigger Node → este será o ponto de entrada do usuário.

4.2. Conectar o Modelo de Chat⌗

  • Adicione um OpenAI Chat Model Node:

  • Use GPT-4.1 mini ou GPT-3.5

  • Conecte com a mesma API Key do OpenAI.

4.3. Ferramenta para Consulta ao Vector Store⌗

  • Adicione um Supabase Vector Store Node:

  • Ação: Retrieve Documents as Tool

  • Descrição: “Use esta ferramenta para buscar respostas no banco vetorial.”
  • Tabela: documents
  • Limite: 4 resultados
  • Conecte o Embeddings Node já configurado para vetorizar as perguntas.

🧠 Etapa 5: Adicionar Memória⌗

  • Adicione um Postgres Chat Memory Node:

  • Conecte com as credenciais do Supabase:

    • Host, Usuário, Porta (padrão: 6543)
    • Banco de Dados: postgres
    • Senha: mesma usada ao criar o projeto
    • Defina o tamanho da janela de contexto (ex.: 5 interações recentes).
    • Isso permitirá que o agente “lembre” conversas anteriores.

✅ Etapa 6: Testar o Agente⌗

  1. Execute o workflow.
  2. Pergunte algo sobre o documento (ex.: “Quais são as regras de prática no golfe?”).
  3. O agente deve buscar no Supabase e responder com base no PDF.
  4. Teste memória: Pergunte “Então eu não posso treinar entre buracos?” e veja se ele entende o contexto.

“Do Zero ao Agente RAG: Curso Completo para Iniciantes (sem código)” no YouTube mostra um passo a passo para criar um agente RAG sem escrever uma linha de código, usando o N8N e o Supabase como base de dados vetorial e memória. Aqui está o resumo completo com todos os tópicos e exemplos:

1. Conceito de RAG⌗

  • RAG significa Retrieval-Augmented Generation.
  • Simplificando: o agente recupera informações relevantes de uma base de dados e gera uma resposta com IA.
  • Exemplo: perguntar “quantos metros tem uma milha?” → o agente busca na base de dados e responde.

2. Arquitetura do Sistema⌗

  • Dois componentes principais:
  1. Pipeline RAG: Carrega e prepara os dados para o banco vetorial.
  2. Agente RAG: Responde a perguntas usando os dados vetorizados.

3. Pipeline RAG⌗

Etapas:⌗

  1. Obter documento (exemplo: PDF no Google Drive).
  2. Dividir em chunks (ex.: texto dividido em blocos de 1000 caracteres).
  3. Embeddings com OpenAI → converte texto em números vetoriais.
  4. Armazenar no Supabase → cria uma tabela documents.

Ferramentas usadas:⌗

  • NADN (Nitn): fluxo no-code com nodes arrastáveis.
  • Google Drive Node: busca e importa PDF.
  • Supabase Vector Store Node: armazena os embeddings.

4. Agente RAG⌗

Etapas:⌗

  1. Trigger: usuário faz uma pergunta no chat.
  2. Embeddings: transforma a pergunta em vetor numérico.
  3. Busca no Supabase: encontra vetores mais próximos.
  4. Geração da resposta: IA (GPT-4.1 mini) constrói a resposta.

Memória:⌗

  • Configurada com PostgreSQL no Supabase.
  • Lembra as 5 últimas interações por padrão.
  • Exemplo: após perguntar “Qual a missão da empresa X?”, na próxima pergunta “E os valores?” o agente ainda entende o contexto.

5. Exemplo prático⌗

  • Documento: “Regras Simplificadas de Golf” (PDF com 22 páginas).
  • Pergunta: “O que posso fazer para praticar?”
  • Resposta do agente: Retorna as regras diretamente do documento (busca no vetor e gera resposta).
  • Validação: Mostra no log os vetores consultados.

6. Expansões sugeridas⌗

  • Automatizar upload de novos documentos para atualizar o vetor no Supabase.
  • Criar fluxos para deletar vetores antigos ao remover arquivos do Google Drive.
  • Usar outros gatilhos (e-mails, formulários, SMS).
  • Aplicações reais: suporte ao cliente, análise de e-mails, assistentes pessoais.

7. Principais Ferramentas⌗

Ferramenta Função
N8N Criar workflow no-code
Supabase Vector Store Armazenar embeddings vetoriais
OpenAI API Embeddings e Chat (GPT-4)
PostgreSQL (Supabase) Memória de curto prazo do agente

8. Destaques e Dicas⌗

  • Sem código: tudo feito com drag & drop no NADN.
  • Credenciais: API Key do OpenAI e do Supabase configuradas no workflow.
  • Customização: ajuste o tamanho dos chunks, número de vetores retornados e contexto da memória.
  • Multiuso: funciona com qualquer tipo de dado (PDFs, e-mails, tickets de suporte).

Do zero ao agente RAG: curso completo para iniciantes (sem código)

Pronto para construir seu primeiro agente de IA com conhecimento real dos seus próprios dados?

Neste tutorial passo a passo, mostrarei como ir do zero à construção do seu primeiro agente RAG (Retrieval-Augmented Generation) em apenas 20 minutos — usando n8n e um banco de dados vetorial Supabase.

Este curso foi desenvolvido para iniciantes. Não requer programação. Você aprenderá o que é RAG, como funcionam os bancos de dados vetoriais e como conectar tudo isso em um sistema funcional que pode responder a perguntas com base nos seus documentos.

Se você tem curiosidade sobre agentes de IA, mas não sabe por onde começar, este é o lugar perfeito para começar.

Ap47 - Zero ao Agente RAG

chatgpt.com ↗

1

Recursos

↑ voltar ao topo · ver no Telegram ↗