支持文本/语音/图片/PDF的AI驱动WhatsApp聊天机器人(RAG技术)

适用对象

本模板专为科技企业的内部支持团队、产品专家和知识管理者设计，帮助他们自动导入产品文档，并通过WhatsApp实现基于AI检索增强的智能问答。

解决什么问题？

客服人员常需耗费大量时间手动查阅冗长文档，导致回复不一致或延迟。该方案能自动导入、分块和索引产品手册，通过WhatsApp消息利用检索增强生成技术(RAG)快速精准回答用户问题。

核心功能

流程1：文档导入与索引

• 手动触发从Google Docs导入产品文档
• 自动将大文档分块以便高效检索
• 使用OpenAI嵌入模型为每块内容生成向量
• 将向量数据与元数据存入MongoDB Atlas向量数据库，实现快速语义搜索

流程2：WhatsApp智能问答

• 支持多种消息类型：
  • 文本消息：处理用户纯文字提问
  • 语音消息：将语音转文字后处理
  • 图片消息：分析照片/截图提供上下文答案
  • 文件消息：解析PDF/表格等文件内容
• 将查询转换为向量并在MongoDB中执行相似性搜索
• 采用OpenAI的GPT-4o-mini模型结合RAG技术生成精准回答
• 通过记忆缓冲节点保持多轮对话上下文
• 智能路由不同消息类型至对应处理节点

配置指南

向量设置

1. 授权Google Docs并连接待索引的产品文档URL
2. 授权MongoDB Atlas并指定存储向量的集合，创建支持向量相似性查询的搜索索引
3. 确保索引名称与n8n配置匹配(如data_index)
4. 参考下方MongoDB搜索索引模板示例

聊天设置

1. 用Meta账号授权WhatsApp节点收发消息
2. 将含产品文档向量的MongoDB集合连接至向量搜索节点
3. 在知识库代理节点设置系统提示语，定义企业回复风格并关联MongoDB集合

注意事项

确保两个MongoDB节点(文档导入和聊天流程)连接至同一集合，包含：

存储向量数据的embedding字段、

相关元数据字段(如文档ID、来源)、

以及相同的向量索引名称(如data_index)。

搜索索引示例：

{

“mappings”: {

“dynamic”: false,

“fields”: {

“_id”: { “type”: “string” },

“text”: { “type”: “string” },

“embedding”: {

“type”: “knnVector”,

“dimensions”: 1536,

“similarity”: “cosine”

},

“source”: { “type”: “string” },

“doc_id”: { “type”: “string” }

}

}

}