疯哥 该工作流展示了n8n中一个简单的检索增强生成（RAG）流程，分为两个主要部分：
🔹 第一部分：将数据加载到向量存储
从磁盘（或Google Drive）读取文件。
使用递归文本分割器将内容分割成可管理的块。
使用Cohere Embedding API生成嵌入向量。
将向量存储到内存向量存储中（为简化流程，可替换为Pinecone、Qdrant等）。
🔹 第二部分：与向量存储聊天
从聊天UI或触发节点获取用户输入。
使用相同的Cohere嵌入模型对查询进行嵌入。
通过相似性搜索从向量存储中检索相似内容块。
使用Groq托管的LLM基于上下文生成最终答案。
🛠️ 使用的技术：
📦 Cohere Embedding API
⚡ Groq LLM（用于快速推理）
🧠 n8n（用于编排和可视化流程）
🧲 内存向量存储（用于原型设计）
🧪 使用方法：
上传或指向源文档。
生成嵌入并填充向量存储。
通过聊天触发节点提问。
基于检索内容获取上下文感知的响应。