عامل هوش مصنوعی چند منبعی با GPT-4 و Perplexity

عامل هوش مصنوعی چند منبعی با GPT-4، جستجوی Perplexity، Supabase و Google Sheets

این گردش کار یک عامل مکالمه‌ای هوش مصنوعی را هماهنگ می‌کند که از چندین منبع داده و قابلیت‌های پیشرفته هوش مصنوعی برای ارائه پاسخ‌های جامع و آگاهانه از نظر زمینه استفاده می‌کند. این برنامه GPT-4 را برای درک و تولید زبان طبیعی، Perplexity برای جستجوی وب در زمان واقعی، Supabase برای بازیابی داده‌های شخصی برداری و Google Sheets برای دسترسی به داده‌های جدولی ساختاریافته ادغام می‌کند.

این گردش کار و موارد دیگر را در کاتالوگ Axeto کاوش کنید: https://axeto.ai/n8n

نمای کلی گردش کار

عملکرد اصلی این گردش کار دریافت پیام‌های چت، غنی‌سازی آن‌ها با اطلاعات از منابع خارجی مختلف و سپس استفاده از یک عامل هوش مصنوعی برای تدوین یک پاسخ منسجم و آموزنده است.

اجزای کلیدی:

• دریافت ورودی: پیام‌های چت ورودی را برای شروع گردش کار ضبط می‌کند.
• مدیریت زمینه مکالمه: تاریخچه چت را برای گفتگوی منسجم حفظ می‌کند.
• مدل زبان هوش مصنوعی: از GPT-4 برای تولید پاسخ هوشمند استفاده می‌کند.
• ادغام دانش چند منبعی:

* جستجوی وب در زمان واقعی: اطلاعات فعلی را با استفاده از Perplexity دریافت می‌کند.

* بازیابی داده‌های برداری: به داده‌های شخصی ذخیره شده در Supabase دسترسی پیدا کرده و جستجو می‌کند.

* دسترسی به داده‌های جدولی: داده‌های ساختاریافته را از Google Sheets بازیابی می‌کند.

* پلتفرم دانش سفارشی (MCP): اطلاعات را از ابزارهای مختلف جمع‌آوری و پردازش می‌کند.

• هماهنگ‌سازی عامل هوش مصنوعی: جزء مرکزی که تمام ورودی‌ها را برای تولید خروجی نهایی ترکیب می‌کند.

تجزیه گره‌ها

۱. ورودی و هماهنگ‌سازی

این بخش ماشه اولیه و عامل اصلی هوش مصنوعی را که کل فرآیند را هماهنگ می‌کند، پوشش می‌دهد.

• هنگام دریافت پیام چت

* نوع: Chat Trigger (n8n-nodes-base.chatTrigger)

* نقش: نقطه ورود گردش کار. این گره برای دریافت پیام‌ها از طریق یک Webhook به پیام‌های چت ورودی گوش می‌دهد و گره‌های بعدی را فعال می‌کند.

* پیکربندی: برای دریافت پیام‌ها به یک شناسه Webhook منحصر به فرد نیاز دارد.

* خروجی: پیام چت دریافتی را به AI Agent ارسال می‌کند.

• AI Agent

* نوع: LangChain Agent (@n8n/n8n-nodes-langchain.agent)

* نقش: هماهنگ‌کننده مرکزی. این گره پیام چت ورودی را دریافت می‌کند، تاریخچه مکالمه را بازیابی می‌کند، منابع دانش مختلف (از طریق گره‌های دیگر) را پرس و جو می‌کند و از مدل زبان برای تولید یک پاسخ نهایی استفاده می‌کند.

* پیکربندی: برای استفاده از OpenAI Chat Model و Postgres Chat Memory پیکربندی شده است و با ابزار MCP Client knowledge ادغام می‌شود.

* ورودی‌ها: پیام‌ها را از When chat message received، زمینه را از Postgres Chat Memory و خروجی‌های ابزار را از MCP Client knowledge دریافت می‌کند.

* خروجی‌ها: پاسخ نهایی تولید شده را ارسال می‌کند.

۲. زمینه مکالمه و مدل زبان

این بخش نحوه مدیریت گردش کار تاریخچه مکالمه و تعامل با مدل GPT-4 را شرح می‌دهد.

• Postgres Chat Memory

* نوع: Memory Postgres Chat (@n8n/n8n-nodes-langchain.memoryPostgresChat)

* نقش: تاریخچه مکالمه را ذخیره و بازیابی می‌کند و اطمینان می‌دهد که عامل هوش مصنوعی زمینه را در طول چندین نوبت مکالمه حفظ می‌کند.

* پیکربندی: به جزئیات اتصال برای پایگاه داده PostgreSQL نیاز دارد.

* خروجی: تاریخچه مکالمه را به AI Agent ارائه می‌دهد.

• OpenAI Chat Model

* نوع: Language Model Chat OpenAI (@n8n/n8n-nodes-langchain.lmChatOpenAi)

* نقش: به عنوان مدل زبان اصلی عمل می‌کند و از GPT-4 (یا مدلی مشابه) برای درک درخواست‌ها و تولید پاسخ‌های شبیه به انسان استفاده می‌کند.

* پیکربندی: به اعتبارنامه API OpenAI نیاز دارد.

* ورودی‌ها: درخواست‌ها و زمینه را از AI Agent دریافت می‌کند.

* خروجی‌ها: پاسخ تولید شده توسط هوش مصنوعی را به AI Agent برمی‌گرداند.

۳. ادغام دانش چند منبعی

این بخش گره‌های مسئول جمع‌آوری اطلاعات از منابع خارجی متنوع را توصیف می‌کند.

• MCP Client knowledge

* نوع: MCP Client Tool (@n8n/n8n-nodes-langchain.mcpClientTool)

* نقش: به عنوان رابطی برای پایگاه دانش سفارشی پلتفرم چند کاناله (MCP) عمل می‌کند و دانش تجمیع شده را به عامل هوش مصنوعی ارائه می‌دهد.

* پیکربندی: پارامترهای استاندارد کلاینت MCP.

* ورودی‌ها: دانش تجمیع شده را از گره Knowledge MCP دریافت می‌کند.

* خروجی‌ها: دانش پردازش شده را به عنوان ورودی ابزار به AI Agent ارائه می‌دهد.

• Knowledge MCP

* نوع: MCP Trigger (@n8n/n8n-nodes-langchain.mcpTrigger)

* نقش: نتایج را از ابزارهای مختلف هوش مصنوعی (Perplexity، Supabase، Google Sheets) در یک منبع دانش واحد برای گره MCP Client knowledge تجمیع می‌کند.

* پیکربندی: برای دریافت ورودی از چندین گره ابزار پیکربندی شده است.

* ورودی‌ها: داده‌ها را از Real time web search، Vectorized personal data و Tabular data دریافت می‌کند.

* خروجی‌ها: دانش تجمیع شده را به MCP Client knowledge ارسال می‌کند.

• Real time web search

* نوع: Perplexity Tool (n8n-nodes-base.perplexityTool)

* نقش: جستجوهای وب را در زمان واقعی با استفاده از Perplexity AI برای دریافت اطلاعات فعلی و مرتبط از اینترنت انجام می‌دهد.

* پیکربندی: پارامترهای اولیه جستجوی Perplexity.

* ورودی‌ها: توسط گره Knowledge MCP فعال می‌شود.

* خروجی‌ها: نتایج جستجو را به Knowledge MCP ارسال می‌کند.

• Vectorized personal data

* نوع: Vector Store Supabase (@n8n/n8n-nodes-langchain.vectorStoreSupabase)

* نقش: نمونه Supabase را برای داده‌های مشابه معنایی بر اساس بردارهای جاسازی شده (embeddings) پرس و جو می‌کند. این برای بازیابی داده‌های شخصی یا سفارشی مرتبط استفاده می‌شود.

* پیکربندی: به جزئیات اتصال Supabase و پیکربندی برای جستجوی برداری نیاز دارد. از جاسازی‌های Embeddings OpenAI و رتبه‌بندی مجدد از Reranker Cohere استفاده می‌کند.

* ورودی‌ها: جاسازی‌ها و نتایج رتبه‌بندی شده مجدد را دریافت می‌کند.

* خروجی‌ها: داده‌های بازیابی شده را به Knowledge MCP ارسال می‌کند.

• Tabular data

* نوع: Google Sheets Tool (n8n-nodes-base.googleSheetsTool)

* نقش: به صفحات Google Sheets مشخص شده دسترسی پیدا کرده و داده‌ها را از آن‌ها بازیابی می‌کند.

* پیکربندی: به اعتبارنامه API Google Sheets و پیکربندی برای صفحه و محدوده خاص نیاز دارد.

* ورودی‌ها: توسط گره Knowledge MCP فعال می‌شود.

* خروجی‌ها: داده‌های صفحه بازیابی شده را به Knowledge MCP ارسال می‌کند.

۴. پردازش و بهبود داده‌ها

این گره‌ها مسئول آماده‌سازی داده‌ها برای بازیابی و بهبود ارتباط نتایج جستجو هستند.

• Embeddings OpenAI

* نوع: OpenAI Embeddings Node (@n8n/n8n-nodes-langchain.embeddingsOpenAi)

* نقش: بردارهای جاسازی شده (embeddings) را برای داده‌های متنی تولید می‌کند. این جاسازی‌ها برای انجام جستجوهای شباهت معنایی در گره Vectorized personal data حیاتی هستند.

* پیکربندی: به اعتبارنامه API OpenAI نیاز دارد.

* ورودی‌ها: داده‌های متنی (مانند درخواست‌های کاربر یا اسناد) را پردازش می‌کند.

* خروجی‌ها: بردارهای جاسازی شده را به Vectorized personal data ارائه می‌دهد.

• Reranker Cohere

* نوع: Cohere Reranker Node (@n8n/n8n-nodes-langchain.rerankerCohere)

* نقش: با اعمال یک مدل رتبه‌بندی مجدد، ارتباط نتایج جستجو یا اسناد بازیابی شده را بهبود می‌بخشد.

* پیکربندی: به اعتبارنامه API Cohere نیاز دارد.

* ورودی‌ها: نتایج جستجوی اولیه یا کاندیداهای سند را دریافت می‌کند.

* خروجی‌ها: نتایج رتبه‌بندی شده مجدد را به Vectorized personal data ارسال می‌کند.

جدول خلاصه