不是讓 AI 更聰明，而是讓它更懂你。

昨天，我們成功地把自己過去的品牌內容（文章、貼文、筆記）轉換成向量資料，放進了專屬的知識庫中。

今天，我們要正式啟動它，讓 AI 根據知識庫回答問題、撰寫內容、甚至規劃貼文！

這就像給 AI 裝上一個「品牌記憶體」，讓它不再是泛用型聊天機器人，而是懂你風格的「品牌總編」。

本篇工作流模板可在此下載。（連結）

💬 第一步：建立 Q&A 聊天鏈（Question and Answer Chain）

我們先從最簡單的「聊天型」應用開始練習：

1. 在白板上新增 「Question and Answer Chain」 節點
2. 資料入口選擇 「Chat Trigger」（讓使用者能在畫面下方開啟聊天視窗）
3. Model 選擇你喜歡的聊天模型（我這裡示範的是 Google Gemini Chat Model（models/gemini-2.5-flash））

到這裡，我們就像搭好了「聊天框」的外殼，但它還不懂你的內容，接下來要教它去哪找資料。

📚 第二步：連結知識庫（Retriever）

聊天要變成「根據你資料回答」，關鍵就是加上 Retriever（取回器），讓 AI 能從你昨天做的知識庫中找到相關內容。

1. 在白板上新增 「Vector Store Retriever」 節點（意思是「從向量資料庫取資料」）
2. 設定：
   • Vector Store：選擇你昨天做的 Supabase Vector Store
   • Operation Mode：選 Retrieve Documents (As Vector Store for Chain/Tool)
   • Table Name：選你昨天在 Supabase 建的 documents
   • 在「Options」中新增一個 Query Name，填入 match_documents（不知道 documents 和 match_documents 從哪來的話，可以回去看 Day 22 建立向量資料庫的 SQL 指令）
3. Embedding 模型：選擇跟昨天相同的嵌入式模型（維度必須一致，例如同樣是 768 維）
4. 將 Retriever 的輸出接到 Question and Answer Chain 的 Retriever 接口

這樣一來，AI 在回答前就會先去知識庫裡搜尋相關資料！

⚙️ 第三步：調整 AI 的角色設定（System Prompt）

雖然 AI 已經能找資料，但我們還要教它「怎麼用」這些資料，才不會亂回答。

這要設定在 System Prompt Template（系統提示模板） 裡。

1. 在 Question and Answer Chain 節點中，點進 Options → System Prompt Template
2. 貼上你想給 AI 的「指令」，像我這邊是：

知識庫中存有 Huanry 撰寫的 n8n 學習經驗文章。
當有人提問時，優先根據這些文章內容回答，並且可以附上相關文章連結。
如果知識庫中沒有相關內容，再用一般方式正常回答問題。
若真的不知道答案，請直接回答「我不知道」，不要捏造答案。
----------------
Context: {context}

⚡ 注意：最後一行一定要保留 Context: {context}，這是 AI 用來接收知識庫搜尋結果的地方。

💻 第四步：開始聊天，驗證成果

設定完成後，回到白板畫面的下方聊天視窗，開始問問題吧！

你會發現：

• 如果問題出現在知識庫中，AI 會根據文章內容回答，甚至能附上相關連結
• 如果知識庫中沒有相關資料，它會說「我不知道」，不會亂編

恭喜你！現在你已經擁有了一個懂你品牌、能引用你文章的專屬 AI ✨

📌 小作業

• 嘗試讓這個聊天機器人，根據你知識庫中的內容，生成一整個月的社群貼文草稿
• 思考哪些部分可以交給 AI 自動生成，哪些部分依然需要人工潤飾？

交流

我建立了一個行銷技術交流群，專注討論 SEO、行銷自動化等主題，歡迎有興趣的朋友一起加入交流。

掃QR Code 或點擊圖片加入