Steg 2: Anslut träningsinnehåll från Google Docs

Ladda ert källdokument som ska bäddas in i vektordatabasen.

1. Lägg till Retrieve Training Content och koppla den till Telegram Message Trigger.
2. Ställ in Operation på get.
3. Ställ in Document URL på 1shUBSb2aEFZrOWOROcCeG9glxi7u205p4lEopNt1e7E.
4. Ställ in Authentication på serviceAccount.
5. Credential Required: Anslut era googleApi-credentials.

Steg 3: Sätt upp textchunkning och lagring av embeddings

Dela upp dokumentet i chunkar, generera embeddings och lagra dem i Supabase.

1. Lägg till Divide Text Segments och koppla den till Retrieve Training Content.
2. I Divide Text Segments ska ni behålla den medföljande JavaScript-koden för 1000-teckenschunkar som den är.
3. Lägg till Generate Document Embeddings och koppla den till Divide Text Segments.
4. Ställ in URL på https://api.together.xyz/v1/embeddings och Method på POST.
5. I Body Parameters, ställ in model på BAAI/bge-large-en-v1.5 och input på {{ $json.chunk }}.
6. Credential Required: Anslut era httpBearerAuth-credentials.
7. Lägg till Store Vectors in Database och koppla den till Generate Document Embeddings.
8. Ställ in Table ID på embed och mappa fälten: chunk till {{ $('Divide Text Segments').item.json.chunk }}, embedding till {{ JSON.stringify($json.data[0].embedding) }}.
9. Credential Required: Anslut era supabaseApi-credentials.

Steg 4: Konfigurera chattintag och vektorsökning

Ta emot användarmeddelanden, skapa embeddings för frågor och hämta liknande vektorer från Supabase.

1. Lägg till Chat Message Intake som chattens startpunkt.
2. Ställ in Public på true och Initial Messages på Hi there! 👋 Test the basic RAG chat with Supabase .
3. Lägg till Embed User Query och koppla den till Chat Message Intake.
4. Ställ in URL på https://api.together.xyz/v1/embeddings och Method på POST.
5. I Body Parameters, ställ in model på BAAI/bge-large-en-v1.5 och input på {{ $json.chatInput }}.
6. Credential Required: Anslut era httpBearerAuth-credentials.
7. Lägg till Query Vector Matches och koppla den till Embed User Query.
8. Ställ in URL på https://fqdttboovkcezrxizkpw.supabase.co/rest/v1/rpc/matchembeddings1 och Method på POST.
9. I Body Parameters, ställ in =query_embedding på {{ $json.data[0].embedding }} och match_count på 5.
10. Credential Required: Anslut era supabaseApi-credentials.

Steg 5: Bygg RAG-svaret med LLM:en

Samla ihop hämtade chunkar och generera ett svar med LLM-kedjan och OpenRouter-modellen.

1. Lägg till Combine Context Chunks och koppla den till Query Vector Matches.
2. Säkerställ att Fields To Aggregate innehåller chunk.
3. Lägg till LLM Response Builder och koppla den till Combine Context Chunks.
4. Ställ in Text på =You are an AI assistant. Use the following context to answer the user's question. Context: {{ $json.chunk }} User's message: {{ $('Chat Message Intake').item.json.chatInput }} Provide a helpful and detailed answer based *only* on the context. If the answer is not in the context, say "I don't know based on the provided information.".
5. Koppla OpenRouter Chat Engine till LLM Response Builder som språkmodell (AI-anslutning).
6. Credential Required: Anslut era openRouterApi-credentials till OpenRouter Chat Engine (LLM-noden använder dessa credentials).

Steg 6: Testa och aktivera ert arbetsflöde

Verifiera att embeddings lagras och att svar genereras korrekt innan ni aktiverar.

1. Klicka på Execute Workflow och skicka ett testmeddelande till Chat Message Intake eller Telegram.
2. Bekräfta att Store Vectors in Database skriver poster till tabellen embed.
3. Kontrollera att Query Vector Matches returnerar träffar och att LLM Response Builder ger ett svar baserat på den aggregerade kontexten.
4. Aktivera arbetsflödet med reglaget Active för användning i produktion.