RAG (Retrieval-Augmented Generation) কী?
RAG হলো একটি পদ্ধতি যেখানে AI নিজের training data-র বাইরে আপনার নিজস্ব ডকুমেন্ট থেকে উত্তর খুঁজে বের করে।
প্রশ্ন: "আমাদের Return Policy কী?"
↓
[Embedding — প্রশ্নকে vector-এ রূপান্তর]
↓
[Vector Store — similar document খোঁজা]
↓
[Context: "Return Policy: ৩০ দিনের মধ্যে..."]
↓
[LLM — Context + Question = Answer]
↓
"আপনি ৩০ দিনের মধ্যে পণ্য ফেরত দিতে পারবেন..."
n8n-এ RAG Pipeline তৈরি
─── Document Ingestion Workflow ───
[HTTP Request / Google Drive — ডকুমেন্ট পড়া]
↓
[Embeddings Node — OpenAI text-embedding-3-small]
↓
[Pinecone / Qdrant / In-memory Vector Store]
→ Document chunked ও stored হবে
─── Query Workflow ───
[Telegram/Chat Trigger — প্রশ্ন এলো]
↓
[Vector Store Tool — similar chunks খোঁজা]
↓
[AI Agent / OpenAI — Context দিয়ে উত্তর তৈরি]
↓
[Telegram — উত্তর পাঠানো]
কোন Vector Store ব্যবহার করবেন?
- In-memory — testing-এর জন্য, restart করলে মুছে যাবে
- Pinecone — Cloud-based, production-ready, free tier আছে
- Qdrant — Self-hosted, free, Docker দিয়ে চালানো যায়
- Supabase pgvector — PostgreSQL ভিত্তিক
Company FAQ Bot উদাহরণ
# Setup (একবার করলেই হবে): [Google Drive — FAQ.pdf / Policy.docx পড়া] → [Text Splitter — ৫০০ token-এর chunks] → [OpenAI Embeddings] → [Pinecone Vector Store — upsert] # Runtime (প্রতিটি প্রশ্নে): [Telegram Bot — প্রশ্ন এলো] → [Pinecone — Top 3 relevant chunks] → [OpenAI — "এই context থেকে উত্তর দিন"] → [Telegram — উত্তর পাঠানো]