فصلِ 10
جایی که n8n از یک ابزارِ اتوماسیون به یک بسترِ ساختِ اپلیکیشنِ هوش مصنوعی تبدیل میشود.
خانوادهٔ LangChain در n8n.
n8n مجموعهٔ نودهای هوش مصنوعیِ اختصاصی دارد (زیرِ @n8n/n8n-nodes-langchain). اینها متفاوتاند: بهجای اتصالِ افقی، زیرنودها را از پایین به یک نودِ اصلی وصل میکنی. مثلاً یک نودِ AI Agent که از زیر به آن یک Chat Model، یک Memory و چند Tool وصل شده.
دو الگوی بنیادی.
| الگو | چهکار میکند |
|---|---|
| Basic LLM Chain | یک ورودی به مدل میدهد، یک خروجی میگیرد؛ مستقیم و قابلپیشبینی |
| AI Agent | مدل خودش تصمیم میگیرد کدام ابزار را کِی صدا بزند؛ چندمرحلهای و پویا |
Agent قویتر است چون میتواند ابزار بهکار ببرد — مثلاً «برای جوابِ این سؤال، اول از دیتابیسِ برداری جستوجو کن، بعد جواب بده». اما همین قدرت یعنی خروجیاش کمتر قابلپیشبینی است؛ برای کارِ ساده، زنجیره کافی و مطمئنتر است.
سه زیرنودی که یک ایجنتِ واقعی میسازند.
Chat Model مغز است (مثلِ gemma4 از طریقِ Ollama، یا مدلِ ابری). Memory گفتوگو را بهخاطر میسپارد تا ایجنت متنِ قبلی را بداند. Tools دستهای ایجنتاند: جستوجوی برداری، صداکردنِ یک زیرگردشکار، یا هر API. همین ترکیب است که از یک مدلِ زبانی، یک دستیارِ کاربردی میسازد.
تا مدل از روی اسنادِ خودت جواب بدهد، نه فقط دانشِ عمومی.
RAG یعنی: سندهایت را به قطعات بشکن، هر قطعه را با یک مدلِ embedding به بردار تبدیل کن و در یک دیتابیسِ برداری (مثلِ Qdrant) ذخیره کن. موقعِ سؤال، سؤال را هم بردار میکنی، نزدیکترین قطعات را میآوری و به مدل میدهی تا با تکیه بر آنها جواب بسازد.
بُعدِ بردارِ مدلِ embedding باید با تعریفِ کالکشنِ Qdrant یکی باشد (مثلاً nomic-embed-text بُعدِ ۷۶۸ میدهد). اگر موقعِ ذخیره و بازیابی دو مدلِ متفاوت بهکار ببری، جستوجو بیمعنی میشود یا درج شکست میخورد.
با Ollama کلِ این زنجیره روی دستگاهِ خودت اجرا میشود — بدونِ API خارجی، بدونِ هزینهٔ بهازای توکن، و بدونِ نگرانی از مسدودیِ جغرافیایی. برای کسی که سرویسهای ابری برایش قابلاتکا نیست، این یعنی هوش مصنوعیِ کامل و خصوصی، بیقید.