在前面的文章中,我們成功地讓 n8n 能夠呼叫 Dify API,將會議文字稿轉換成結構化的 JSON。然而,缺乏專業背景知識的 LLM 容易在專有名詞和分類上出錯。
今天,我們將引入 AI 自動化的核心武器:RAG (Retrieval Augmented Generation) 知識庫,讓我們的 AI 助理具備專案規範和背景知識,並最終將專業數據精準寫入 Google Sheets!
RAG 讓 AI 能夠:
type 只能是 專案討論、客戶會議 或 技術排查)。我們首先將專案規範文件上傳至 Dify,作為 AI 的專業參考資料。
建立應用: 建立新的 聊天助手 應用 (例如:AI 會議摘要 RAG 版).
連結 RAG: 進入應用程式的 編排 頁面,在 上下文 (Context) 區塊中,連結您的知識庫.
變數清理(關鍵): 在 變數 (Variables) 區塊,將 knowledge_base_context 的 REQUIRED (必填) 設定關閉,否則 n8n 將無法呼叫.
Prompt 內容強化: 在 提示詞 編輯框中,加入 RAG 參考指令並設定 JSON 輸出格式:
你是專業的會議記錄整理 AI 助理...
【RAG 知識庫與規範】
請務必參考提供的知識庫上下文來理解人員職責和分類規範 (type 只能是 [專案討論/客戶會議/技術排查]),並根據這些資訊來填充 JSON 欄位。
...
【輸入內容】
這是需要你處理的會議文字稿:{{query}}
使用 Manual Trigger 模擬輸入,專注於 AI 處理和 Sheets 歸檔。
目標: 傳入測試數據。
JSON 內容: 讓數據包含您在 RAG 知識庫中定義的詞彙,以便驗證效果。
{
"meeting_transcript": "小王今天提出要暫停 Notion 串接,因為他發現 Google Sheets 的欄位結構不符,他需要在明天早上完成這個技術排查。"
}
這是整個流程最難的部分,使用最穩定的 JSON 結構。
| 參數 | 設定值/操作 | 備註 |
|---|---|---|
| URL | https://api.dify.ai/v1/chat-messages |
適用於 Dify 聊天助手應用。 |
| Header | Authorization: Bearer <Dify API Key> |
|
| JSON 內容 | 解決 query 和 user 錯誤的最終結構: |
{
"query": "{{ $json.meeting_transcript }}",
"inputs": {
"query": "{{ $json.meeting_transcript }}"
},
"user": "n8n_user",
"response_mode": "blocking"
}
為了解決 Dify 輸出中的 ````json` 等標籤,我們必須使用 JavaScript 代碼提取和解析 JSON。
(/\{[\s\S]*\}/) 精確提取 {...} 區塊,然後進行 JSON.parse()。這是最終的歸檔步驟。
Google Sheets 節點。Append Row in sheet (在工作表中新增一行)。| Google Sheets 欄位 (Header) | n8n Expression (JSON Key) | 備註 (RAG 效果驗證) |
|---|---|---|
| 標題 | {{ $json.meeting_title }} |
|
| 會議類型 | {{ $json.type }} |
應準確輸出 技術排查 (RAG 規範) |
| 摘要 | {{ $json.summary }} |
|
| 待辦事項 | {{ $json.action_items }} |
應明確提及 小王 的職責 (RAG 知識庫) |