Steg 2: Anslut Google Drive och batch-inläsning

Det här arbetsflödet kan göra en fullständig Drive-skanning och batch-inläsning för initial vektorindexering.

1. Öppna Purge Collection och verifiera att den är kopplad till Find Drive Files för fullständiga ombyggnader av samlingen.
2. Konfigurera Find Drive Files med Resource inställt på fileFolder och välj era Drive- och Folder-ID:n.
3. Säkerställ att Batch Item Iterator tar emot indata från både Find Drive Files och Delay Five Seconds.
4. Ställ in Download Drive Files → Operation till download och File ID till {{ $json.id }}.
5. I Download Drive Files ska ni behålla konverteringen för Docs to Format inställd på text/plain för konsekvent textextrahering.

Inloggningsuppgifter krävs: Anslut era googleDriveOAuth2Api-inloggningsuppgifter i Find Drive Files och Download Drive Files.

Steg 3: Initiera och underhåll Qdrant-samlingen

Sätt upp Qdrant-samlingen och en valfri rensning före en fullständig omindexering.

1. Konfigurera Initialize Collection med Method inställt på PUT och URL inställt på http:///collections/test_sparse.
2. Ställ in Initialize Collection → JSON Body till det angivna schemat för vektor och sparse vector.
3. Konfigurera Purge Collection med Method inställt på POST och URL inställt på http:/[CONFIGURE_YOUR_API_KEY]/delete.
4. Behåll Purge Collection → JSON Body inställt på { "filter": {} } för att ta bort alla vektorer vid en fullständig ombyggnad.

Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-inloggningsuppgifter i Initialize Collection och Purge Collection.

Steg 4: Konfigurera filuppdateringsflödet och vektor-upserts

När en Drive-fil ändras tar arbetsflödet bort befintliga vektorer för den filen och läser in det uppdaterade innehållet på nytt.

1. I Assign File Identifier mappar ni file_id till {{ $json.id }} för att spåra den uppdaterade filen.
2. Bekräfta parallell körning: Assign File Identifier skickar utdata till både Remove Vectors by File och Download Drive File parallellt.
3. Ställ in Remove Vectors by File → JSON Body till ={ "filter": { "must": [ { "key": "metadata.file_id", "match": { "value": "{{$json.file_id}}" } } ] } }.
4. Konfigurera Download Drive File med Operation inställt på download och File ID inställt på {{ $json.file_id }}.
5. Behåll Recursive Text Splitter B inställd på Chunk Size 500 och Chunk Overlap 50, och skicka sedan vidare till Secondary Data Loader.
6. Säkerställ att Upsert File Vectors har Mode inställt på insert och pekar mot er Qdrant-samling.

Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-inloggningsuppgifter i Remove Vectors by File.

Inloggningsuppgifter krävs: Anslut era googleDriveOAuth2Api-inloggningsuppgifter i Download Drive File.

Inloggningsuppgifter krävs: Anslut era qdrantApi-inloggningsuppgifter i Upsert File Vectors.

Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Embeddings Beta (används av Upsert File Vectors).

Steg 5: Konfigurera bulkindexering, embeddings och vektorinsättningar

Den här delen hanterar fullständig indexering för alla filer i den valda Drive-mappen.

1. Säkerställ att Recursive Text Splitter A är ansluten till Primary Data Loader och inställd på Chunk Size 500 och Chunk Overlap 50.
2. I Primary Data Loader ställer ni in metadata-värden: file_id till {{ $('Download Drive Files').item.json.id }} och file_name till {{ $('Download Drive Files').item.json.name }}.
3. Konfigurera Insert File Vectors med Mode inställt på insert och välj er Qdrant-samling.
4. Efter insättningar ska ni behålla Delay Five Seconds för att minska belastningen på Qdrant innan ni loopar med Batch Item Iterator.

Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Embeddings Alpha (används av Insert File Vectors).

Inloggningsuppgifter krävs: Anslut era qdrantApi-inloggningsuppgifter i Insert File Vectors.

Steg 6: Sätt upp retrieval Q&A med Gemini och Qdrant

Konfigurera AI-kedjan som svarar på chattfrågor med vektorbaserad hämtning.

1. Anslut Chat Message Trigger direkt till QA Retrieval Chain.
2. Ställ in Gemini Chat Model → Model Name till models/gemini-1.5-flash och koppla den som språkmodell för QA Retrieval Chain.
3. Ställ in Vector Store Fetcher → Top K till 5 och koppla den som retriever för QA Retrieval Chain.
4. Konfigurera Qdrant Vector Store Main så att den pekar på samma Qdrant-samling som inläsningsnoderna.
5. Anslut OpenAI Embeddings Gamma till Qdrant Vector Store Main för att möjliggöra vektorsimilaritetssökning.

Inloggningsuppgifter krävs: Anslut era googlePalmApi-inloggningsuppgifter i Gemini Chat Model.

Inloggningsuppgifter krävs: Anslut era qdrantApi-inloggningsuppgifter i Qdrant Vector Store Main.

Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Embeddings Gamma.

Steg 7: Testa och aktivera ert arbetsflöde

Verifiera att inläsning, uppdateringar och Q&A fungerar innan ni slår på arbetsflödet.

1. Klicka på Manual Run Trigger för att initiera samlingen och indexera alla Drive-filer; verifiera att Initialize Collection, Purge Collection, Find Drive Files och Insert File Vectors körs utan fel.
2. Uppdatera en fil i den övervakade mappen och bekräfta att Drive Update Trigger triggas. Verifiera sedan att både Remove Vectors by File och Download Drive File körs parallellt och matar in i Upsert File Vectors.
3. Skicka ett meddelande till Chat Message Trigger och verifiera att QA Retrieval Chain returnerar ett svar som använder vektorer från Qdrant Vector Store Main.
4. När alla flöden lyckas växlar ni arbetsflödet till Active för användning i produktion.