1. Einleitung
Dieser Workflow wurde entworfen, um Informationen aus einem PDF-Dokument zu extrahieren, das in Google Drive gespeichert ist. Anschließend wird es verwendet, um auf Fragen zu antworten, die über einen Webhook eingehen. Im Folgenden wird jeder Knoten und seine Funktion im Detail beschrieben.
2. Knotenübersicht
Node: Webhook1
- Typ: Webhook
- Beschreibung: Dieser Knoten ist der erste, der die Anfrage von außen empfängt. Er wartet auf POST-Anfragen, die an den angegebenen Pfad gesendet werden.
- Einstellungen:
- Pfad: „19f5499a-3083-4783-93a0-e8ed76a9f742“ – ist der konkrete Endpunkt, zu dem Anfragen gesendet werden soll.
- HTTP Methode: POST
- Antwortmodus: responseNode – das ermöglicht es, eine Antwort über den Workflow zurückzugeben.
Node: Google Drive
- Typ: Google Drive
- Beschreibung: Mit diesem Knoten wird eine PDF-Datei von Google Drive abgerufen, um sie später zu verarbeiten.
- Einstellungen:
- Operation: Download – um die Datei für die weitere Bearbeitung herunterzuladen.
- Datei-ID: „1LZezppYrWpMStr4qJXtoIX-Dwzvgehll“ – die ID der Datei, die heruntergeladen werden soll.
Node: Binary to Document
- Typ: Document Binary Input Loader
- Beschreibung: Konvertiert die binäre Datei (PDF) in ein Dokumentenschema, um sie einfacher verarbeiten zu können.
- Einstellungen:
- Lader: pdfLoader – um PDF-Dokumente zu laden.
Node: Recursive Character Text Splitter
- Typ: Text Splitter
- Beschreibung: Teilt das Dokument in griffige Stücke auf (Chunks), um es für späteres Verarbeiten vorzubereiten.
- Einstellungen:
- Chunk Size: 3000 – Größe der Teile, in die das Dokument aufgeteilt wird.
- Chunk Overlap: 200 – wie viel sich die Stücke überlappen so dass keine Informationen verloren gehen.
Node: Embeddings OpenAI
- Typ: Embeddings OpenAI
- Beschreibung: Nutzt OpenAI-Modelle zur Erstellung von eingebetteten Vektoren aus Text, die später für Abruf und Query verwendet werden.
- Einstellungen: Keine spezifischen Optionen konfiguriert, nutzt Standardwerte.
Node: Qdrant Vector Store
- Typ: Vector Store
- Beschreibung: Speichert die generierten Vektoren in der Qdrant-Plattform zur späteren Verwendung.
- Einstellungen:
- Modus: Insert – um neue Vektoren zu speichern.
- Qdrant Collection: „crowd“ – Sammlung, in der die Vektoren gespeichert werden.
Node: Retrieval QA Chain
- Typ: Retrieval QA Chain
- Beschreibung: Dieser Knoten führt die Abfrageverarbeitung durch, indem er die eingehenden Fragen mit den gespeicherten Vektoren abgleicht.
- Einstellungen:
- Query: „{{ $json.body.input }}“ – die eingehende Frage wird hier verarbeitet.
Node: Respond to Webhook
- Typ: Respond to Webhook
- Beschreibung: Sendet die Antwort zurück an den ursprünglichen Anfrager.
- Einstellungen:
- Response Body: „{{ $json.response.text }}“ – die generierte Antwort, die zurückgesendet wird.
3. Ergebnis
Durch diesen Workflow wird es Benutzern ermöglicht, Fragen an ein Dokument zu stellen, dessen Inhalte flexibel analysiert und verarbeitet werden. Die Verwendung von Qdrant und OpenAI-Modellen stellt sicher, dass Informationen schnell und präzise zurückgegeben werden können.