RAG chatbot n8n trả lời dựa trên tài liệu của công ty
RAG chatbot n8n đọc tài liệu công ty qua vector database rồi mới trả lời, thay vì đoán theo kiến thức chung của mô hình ngôn ngữ.
Hỏi ChatGPT về quy định nghỉ phép của công ty mình, nó sẽ bịa ra một câu trả lời nghe hợp lý nhưng sai hoàn toàn. Mô hình ngôn ngữ không biết tài liệu nội bộ của bạn. RAG chatbot n8n giải quyết đúng chỗ hổng này. Luồng chạy đọc tài liệu thật của công ty, tìm đoạn liên quan rồi mới đưa cho AI trả lời, thay vì để mô hình tự đoán.
RAG chatbot n8n khác chatbot AI thường ở đâu
Hệ thống này không hỏi thẳng mô hình ngôn ngữ. Nó tra cứu tài liệu trước, chỉ đưa đúng đoạn liên quan vào câu hỏi rồi mới để AI trả lời. RAG viết tắt của retrieval augmented generation: lấy dữ liệu về trước, sinh câu trả lời sau. Khác hẳn chatbot mặc định, vốn chỉ dựa vào những gì mô hình đã học lúc huấn luyện.
Chatbot thường trả lời bằng kiến thức chung. Có thể đúng cho câu hỏi phổ thông, nhưng sai hoàn toàn khi hỏi về chính sách, mức giá hay quy trình nội bộ của một công ty cụ thể. RAG thì khác: câu trả lời bám vào tài liệu thật. Tài liệu ghi rõ thì AI trích đúng. Tài liệu không có thì AI trả lời là không tìm thấy, thay vì bịa ra một đáp án nghe trơn tru. Doanh nghiệp muốn thử mô hình này có thể xem trước dịch vụ AI Workflow n8n để hình dung cách BizMaC triển khai theo dự án.
Bốn bước dựng RAG chatbot n8n từ tài liệu thật
Một workflow RAG chạy đủ trong n8n gồm 4 bước nối tiếp: chia nhỏ tài liệu, tạo embedding, lưu vào vector database, rồi truy vấn khi có câu hỏi. Thiếu bước nào cũng làm chatbot trả lời sai hoặc bỏ sót thông tin.
Chia nhỏ tài liệu và tạo embedding
Tài liệu dài như hợp đồng hay sổ tay nhân sự phải cắt thành đoạn nhỏ khoảng 300 tới 500 từ trước khi xử lý, vì mô hình embedding chỉ nắm tốt đoạn ngắn có một ý chính. Cắt sai chỗ, ví dụ chặt đứt giữa câu điều kiện, làm đoạn trích mất nghĩa dù nội dung gốc vẫn đúng. Mỗi đoạn sau khi cắt được đưa qua mô hình embedding để chuyển thành vector, tức một dãy số đại diện cho nghĩa của đoạn văn.
Lưu vector và truy vấn khi có câu hỏi
Vector tạo ra ở bước trên lưu vào vector database. Khi người dùng đặt câu hỏi, workflow biến câu hỏi đó thành vector theo đúng cách đã làm với tài liệu, tìm những đoạn có vector gần nhất về mặt ngữ nghĩa, rồi gắn các đoạn đó vào prompt gửi cho AI Agent trong n8n để sinh câu trả lời cuối cùng. Toàn bộ 4 bước chạy tự động mỗi khi có câu hỏi mới, không cần người can thiệp giữa chừng.
Chọn vector database nào cho chatbot RAG
Ba lựa chọn phổ biến khi dựng RAG trong n8n là Qdrant, Pinecone và pgvector, khác nhau ở chỗ tự host được hay không và mức độ phù hợp với dữ liệu đã có sẵn trong PostgreSQL.
| Tiêu chí | Qdrant | Pinecone | pgvector |
|---|---|---|---|
| Tự host trên VPS riêng | Có | Không, chỉ chạy trên cloud của Pinecone | Có, chạy như một extension của PostgreSQL |
| Phù hợp khi | Cần tốc độ tìm kiếm cao, dữ liệu tách riêng khỏi database chính | Không muốn quản lý hạ tầng, chấp nhận trả phí theo lượng dữ liệu | Đã dùng PostgreSQL sẵn, muốn gộp vector vào chung một database |
| Chi phí vận hành | Cố định theo hạ tầng tự host | Tăng theo số vector lưu trữ | Cố định theo hạ tầng tự host |
| Node hỗ trợ trong n8n | Có node riêng, cấu hình trực tiếp | Có node riêng, cấu hình trực tiếp | Qua node PostgreSQL với extension bật sẵn |
Với doanh nghiệp đã có VPS tự host, Qdrant hoặc pgvector tránh được khoản phí tính theo dung lượng vector như Pinecone. Theo tài liệu n8n, cả 3 node này đều tương thích trực tiếp với node AI Agent nên không cần viết thêm script trung gian để nối dữ liệu.
Dựng chatbot đọc tài liệu công ty trên hạ tầng riêng
BizMaC có VPS cài sẵn n8n, PostgreSQL và Redis, khởi động workflow đọc tài liệu công ty ngay trong ngày. Gói n8n Start bắt đầu từ 490.000đ/tháng.
Vì sao phải nạp lại tài liệu khi bản mới thay bản cũ
Vector database không tự biết tài liệu vừa được cập nhật. Sếp sửa quy định nghỉ phép từ 12 ngày lên 15 ngày, file Word trên Drive đã đổi, nhưng vector lưu trong Qdrant vẫn là bản cũ cho tới khi có ai chạy lại bước embedding. Chatbot vẫn trả lời rất tự tin, chỉ là trả lời theo quy định đã hết hiệu lực.
Cách xử lý phổ biến nhất là dựng thêm một workflow n8n riêng chạy theo lịch, ví dụ mỗi đêm, quét thư mục tài liệu để phát hiện file nào vừa sửa, xoá vector cũ tương ứng với file đó rồi nạp lại từ đầu. Không cần embedding lại toàn bộ kho tài liệu mỗi lần, chỉ cần xử lý đúng file thay đổi để tiết kiệm thời gian chạy. Với công ty có tài liệu sửa thường xuyên như bảng giá hay chính sách bán hàng, thiếu bước đồng bộ này là nguyên nhân phổ biến nhất khiến chatbot trả lời sai dù workflow ban đầu dựng đúng.
Chi phí vận hành RAG chatbot n8n trên VPS riêng
Chạy hệ thống này cần VPS đủ tài nguyên cho n8n, PostgreSQL và vector database chạy song song, cộng thêm chi phí gọi mô hình embedding và mô hình sinh câu trả lời theo lượt dùng. BizMaC có 3 gói VPS cài sẵn n8n, PostgreSQL và Redis để rút ngắn bước dựng môi trường trước khi bắt tay vào workflow RAG.
Gói n8n Start giá 490.000đ/tháng có 2 vCPU, 4 GB RAM, 30 GB SSD NVMe, phù hợp thử nghiệm với kho tài liệu vài trăm trang. Gói n8n Pro giá 690.000đ/tháng nâng lên 4 vCPU, 8 GB RAM, 50 GB SSD NVMe, đủ chạy Qdrant song song với n8n khi kho tài liệu lớn hơn. Gói n8n Max giá 990.000đ/tháng có 6 vCPU, 12 GB RAM, 80 GB SSD NVMe, hỗ trợ multi-agent và monitoring khi doanh nghiệp dựng nhiều chatbot cho nhiều phòng ban cùng lúc. Cả 3 gói đều Unlimited Traffic, IPv4 rDNS và Full Root.
Ai không có người chuyên trách theo dõi tài nguyên VPS hay vá lỗi hệ điều hành, dịch vụ quản trị máy chủ của BizMaC nhận trông máy thay, để workflow embedding chạy theo lịch không bị gián đoạn giữa chừng.
Câu hỏi thường gặp về RAG chatbot n8n
Cần biết lập trình để dựng chatbot dạng này không
Phần lớn bước dùng node kéo thả có sẵn trong n8n. Chỉ cần viết thêm script khi muốn tuỳ chỉnh cách chia nhỏ tài liệu hoặc xử lý định dạng file đặc biệt.
Tài liệu PDF scan có dùng được cho chatbot dạng này không
Được, nhưng phải qua bước OCR để chuyển ảnh chữ thành văn bản trước khi tạo embedding. PDF dạng chữ chọn được thì bỏ qua bước này.
Một kho tài liệu chứa được bao nhiêu file
Không có giới hạn cứng từ phía n8n, giới hạn thực tế nằm ở dung lượng VPS và số vector mà database đang dùng có thể xử lý nhanh.
Chatbot RAG có trả lời sai khi tài liệu không đề cập không
Có thể, nếu không cấu hình rõ trong prompt rằng AI chỉ được trả lời dựa trên đoạn tìm thấy. Thiếu ràng buộc này, mô hình có xu hướng tự bổ sung câu trả lời từ kiến thức chung.
Ghi nhanh
- RAG chatbot n8n tra cứu tài liệu thật trước khi trả lời, khác chatbot thường chỉ dựa kiến thức chung của mô hình.
- Bốn bước cốt lõi: chia nhỏ tài liệu, tạo embedding, lưu vào vector database, truy vấn khi có câu hỏi.
- Qdrant và pgvector tự host được trên VPS riêng, Pinecone tính phí theo dung lượng vector lưu trữ.
- Phải có workflow nạp lại tài liệu khi bản mới thay bản cũ, nếu không chatbot trả lời theo quy định đã hết hiệu lực.
- VPS n8n Start của BizMaC từ 490.000đ/tháng, đủ khởi động workflow RAG cho kho tài liệu vài trăm trang.
Muốn khảo sát quy trình tài liệu thật của doanh nghiệp trước khi dựng, có thể tham khảo giải pháp AI Workflow BizMaC.
Lưu ý: Bài viết chia kinh nghiệm chung, còn mỗi doanh nghiệp một quy mô và một cách vận hành. Muốn biết cách nào hợp với trường hợp của bạn — chọn gói nào, làm theo thứ tự nào, chi phí ra sao — chuyên viên BizMaC tư vấn và làm giúp bạn phần kỹ thuật.
Để BizMaC dựng website cho doanh nghiệp bạn
Giao diện chuẩn UX, cấu trúc chuẩn SEO, chạy mượt trên di động và dễ tự quản trị sau khi bàn giao. BizMaC làm website cho doanh nghiệp Việt từ năm 2007, đi kèm hướng dẫn vận hành chứ không bàn giao xong là hết.
