Steg 2: Anslut Google Drive och ladda ned filen

Konfigurera åtkomst till Google Drive för att ladda ned källdokumentet och konvertera det till ren text.

1. Öppna Fetch Drive Document och ställ in Operation på download.
2. Ställ in File ID på [YOUR_ID] (ersätt med ert faktiska Drive-fil-ID).
3. Under Options → Google File Conversion ställer ni in docsToFormat på text/plain.
4. Inloggningsuppgifter krävs: Anslut era googleDriveOAuth2Api-inloggningsuppgifter.

Steg 3: Extrahera och dela upp dokumentet i sektioner

Konvertera den nedladdade filen till text och dela sedan upp den i dokumentsektioner för vidare bearbetning.

1. I Extract Document Text ställer ni in Operation på text.
2. I Slice Text into Sections ställer ni in jsCode på let split_text = "—---------------------------—-------------[SECTIONEND]—---------------------------—-------------"; for (const item of $input.all()) { item.json.section = item.json.data.split(split_text); item.json.document = JSON.stringify(item.json.section) } return $input.all();.
3. I Prepare Section Items ställer ni in Field To Split Out på section.

Steg 4: Batcha sektioner och generera kontextsammanfattningar

Bearbeta sektioner i batchar och använd en LLM för att generera en kort kontextsammanfattning per chunk.

1. Behåll Iterate Section Batches kopplad från Prepare Section Items för att styra batchbearbetningen.
2. Öppna Generate Context Summary och ställ in Text på = {{ $('Slice Text into Sections').item.json.document }} Here is the chunk we want to situate within the whole document {{ $json.section }} Please give a short succinct context to situate this chunk within the overall document for the purposes of improving search retrieval of the chunk. Answer only with the succinct context and nothing else. .
3. Säkerställ att OpenRouter Chat Engine är ansluten som språkmodell för Generate Context Summary.
4. Inloggningsuppgifter krävs: Anslut era openRouterApi-inloggningsuppgifter i OpenRouter Chat Engine (AI-undernoden till den överordnade noden Generate Context Summary).

Steg 5: Kombinera kontext med chunks och vektorisera i Pinecone

Slå ihop kontextsammanfattningen med varje chunk och infoga embeddings i Pinecone.

1. I Combine Context with Chunk lägger ni till en tilldelning med Name satt till =section_chunk och Value satt till ={{ $json.output }}. {{ $('Iterate Section Batches').item.json.section }}.
2. I Pinecone Vector Index ställer ni in Mode på insert och väljer Pinecone-indexet context-rag-test.
3. Inloggningsuppgifter krävs: Anslut era pineconeApi-inloggningsuppgifter i Pinecone Vector Index.
4. Säkerställ att Gemini Embedding Model är ansluten som embedding-modell för Pinecone Vector Index och ställ in Model Name på models/text-embedding-004.
5. Inloggningsuppgifter krävs: Anslut era googlePalmApi-inloggningsuppgifter i Gemini Embedding Model (AI-undernoden till den överordnade noden Pinecone Vector Index).
6. Bekräfta att Recursive Text Chunker är ansluten till Standard Data Loader med Chunk Size satt till 100000.

Steg 6: Testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att bekräfta att vektoriseringspipelinen fungerar från start till mål innan ni aktiverar.

1. Klicka på Execute Workflow och trigga Manual Run Trigger för att köra flödet en gång.
2. Verifiera att Fetch Drive Document laddar ned filen och att Extract Document Text returnerar textinnehåll.
3. Bekräfta att Prepare Section Items returnerar flera items och att Generate Context Summary ger en kortfattad sammanfattning per chunk.
4. Kontrollera Pinecone Vector Index efter infogade vektorer i indexet context-rag-test.
5. När ni är nöjda växlar ni arbetsflödet till Active för produktionsanvändning.