RAG全名是Retrieval-Augmented Generation，翻译成中文叫检索增强生成，名字听上去很绕口。
我尝试用费曼学习法结合我自己理解的方式解释一遍，解释的不对还请业内人士斧正。
在很多的场景下，比如企业自部署的AI客服机器人，在回答用户的提问的时候，一定是要结合内部的知识库再加上AI自己的思考回答，而不是乱回答，在这种情境下，AI Agent需要先提取向量存储数据。
一个完整的大语言模型向量检索过程如下
向量检索
当用户发出一个聊天触发N8N，AI Agent节点会调用之前整理的向量存储数据，在这个调用过程中会进行检索，检索出最能符合用户问题的数据仓库。
比如用户询问，GEO和SEO有什么区别，AI Agent会立马调用检索查找之前的标签数据库，找到跟”GEO”,”SEO”,”区别”这三个标签相关的向量vector，为下一步AI Agent思考推理做好素材准备。
在上图中，向量检索是在Tools中执行的，A Collection和B Collection分别代表两组数据。
向量存储
向量存储就是先上传一些内部的数据或者文件，比如JSON，Markdown，PDF等格式的数据，存储到向量数据库中，等待下一步被分拣打标签。
被分拣后的数据分门别类存储到不同标签的仓库中
比如，苹果，香蕉，橘子被放到门口贴有”水果“标签的仓库中，”猴子，老虎，大象“被存储到贴有”动物“标签的仓库中。
有了这些存储，AI Agent进行向量检索的时候才能找到，比如用户提问：苹果和大象有什么区别吗，AI Agent通过向量检索在之前的动物和水果仓库中检索相关的数据。
有了以上的基本认识，我们看下N8N是如何实现RAG的。
上面这个图片展示的是一个N8N搭建的AI聊天机器人工作流
其中在AI Agent节点中，我们看到通过添加一个tool-vector store tool来实现RAG。
如果你看不懂上面这个图片没关系，N8N官方有1个专门的AI Chatbot Workflow模板，你可以通过这个模板来深刻的体验RAG在N8N中的实现过程。
在N8N后台create a new workflow，不知道后台怎么进的，看下《N8N入门教程》
在画布右上角点击+标志，就是新建节点，然后搜索框输入RAG，出现了一个Recommended RAG Starter template，直接点击。
在这个RAG Demo中 有左右两部分，左边展示的是数据存储流程，右边是一个AI Agent调用向量存储进行交互的流程
左右两边的桥梁是OpenAI的嵌入embedding节点，左侧数据的分拣是通过Embedding节点这个桥梁进行的。
以上就是RAG在N8N工作流的实现过程，希望你们能看得懂，看不懂没关系，直接在这个RAG Demo里面上手操作一遍就全都明白了。