n8n RAG Agent 與 NotebookLM｜知識庫應用完整示範

Q: Q1: RAG 跟 Fine-tuning 有什麼差別？哪個比較適合做知識庫？

這是最常被搞混的兩個概念。**Fine-tuning 是把資料「教」進模型裡面**，讓模型的權重改變，以後不需要額外提供資料就會「記得」。**RAG 則是在問答時動態提供參考資料**，模型本身不變。 對於知識庫應用，我的建議是 90% 的情況 RAG 是更好的選擇。原因是 Fine-tuning 很貴（每次訓練都要錢）、更新很慢（資料變了要重新訓練）、而且容易出現幻覺。RAG 的資料可以即時更新，成本也低得多。Fine-tuning 比較適合「改變 AI 的說話風格或格式」，而不是「教它新知識」。

Q: Q3: Embedding 模型要選哪個？text-embedding-3-small 夠用嗎？

我在影片裡面用的就是 `text-embedding-3-small`，向量維度 1536，中英文混合效果都不錯。這是目前（2026 年）性價比最高的選擇，每 1M tokens 才 $0.02。 如果你的知識庫純中文而且對精準度要求很高，可以考慮 `text-embedding-3-large`（3072 維），但成本是 small 的 6.5 倍。另一個選項是用開源的 Embedding 模型跑在本地（像是 BGE-M3），完全免費但需要 GPU。更多模型比較可以看 AI Agent 完整指南。

Q: Q4: n8n RAG Agent 的回答不太對，怎麼改善？

回答品質不好通常有三個原因，按這個順序排查： 1. **資料品質問題**（最常見） — 知識庫裡有沒有過時的資料、重複的內容、或者像我 Demo 裡面看到的亂碼文字？先把資料清理乾淨，品質通常就會提升 30-50% 2. **切分策略問題** — 切分太大（>800 字）會讓搜尋結果太雜，切分太小（<100 字）會缺乏上下文。我建議 300-500 字試看看 3. **Prompt 問題** — 在 System Prompt 裡加上「如果找不到就說找不到」，不然 AI 會很自信地用自己的訓練知識回答，完全無視你的知識庫 另外 Qdrant 的 Score Threshold 也很重要，建議設在 0.7-0.8 之間，過濾掉相似度太低的結果。

Q: Q5: NotebookLM 的 Citation Reference 功能，n8n 能做到嗎？

可以，但需要自己實作。在 Qdrant 存向量的時候，同時把 metadata（來源文件名、頁碼、段落位置）一起存進去。查詢的時候 Qdrant 會回傳 payload 裡面的 metadata，你在 Code 節點裡面組合 Prompt 的時候，把來源資訊也附上就好。 不過說實話，NotebookLM 的引用體驗做得真的比較好 — 它不只告訴你從哪裡引用，還會 highlight 原文段落，讓你一鍵就能跳到來源。這種等級的 UI 體驗，自己用 n8n 做的話工程量會比較大。 ---

2025年11月5日 · 約 16 分鐘閱讀 · Alex Hsieh

更新於 2026年2月11日

📥 工作流 JSON 下載：GitHub 範例庫｜ 💬 社群討論：Skool 雲端方程式 Cloud F1

專業導讀

你有沒有遇過這種場景？公司裡面一堆文件 — SOP、會議紀錄、產品手冊、客服 FAQ — 每次要找東西的時候就像在大海撈針，靠「人腦搜尋」或是 Ctrl+F 一個一個檔案翻。你心想：AI 都這麼厲害了，為什麼不能直接問它「上次那個發票金額是多少」就得到答案？

這就是 RAG 要解決的問題。今天我要帶大家實際 Demo 兩個工具：n8n 的 RAG AI Agent 和 Google 的 NotebookLM。我會用同一張 YouTube 發票去測試兩邊，讓你直接看到差異在哪裡。建議先看過我上一集介紹的 RAG 三大核心概念，看完那個再來看今天的內容，整個都會通。

你將學到

n8n RAG Agent 的完整工作流搭建與 Demo 實測
NotebookLM 的實際使用體驗與 Citation 功能展示
兩種工具的深度比較與選擇建議（什麼時候用哪個）
RAG 作為 AI Agent 工具的架構設計
向量化流程的每一步驟拆解（含維度觀察）

什麼是 RAG Agent？

RAG Agent 是一種讓 AI 在回答問題前，先從你的知識庫中檢索相關資料，再基於這些資料生成答案的智能代理架構。 簡單來說，RAG 是作為 Tool（工具）的存在 — 它不是 AI Agent 的大腦，而是大腦手邊的一本參考書。

有聽過我課的朋友通常都知道，AI Agent 會有三個東西：第一個是大腦（LLM），第二個是短期記憶（Memory），第三個是工具（Tools）。RAG 就是作為工具的存在。AI Agent 遇到需要查資料的問題，就會主動去呼叫 RAG 這個工具，把相關文件段落調出來，然後再根據這些資料生成答案。

整個核心流程其實就三步：

檢索（Retrieval） — 使用者問了一個問題，系統把問題文字轉成向量，去向量資料庫裡面找最相關的幾段文件
增強（Augmented） — 把找到的文件段落塞進 Prompt 裡面，變成一段新的提示詞給 LLM
生成（Generation） — LLM 根據這些參考資料來回答問題，把結果吐回給使用者

我在影片裡面用的比喻是：你問 AI Agent 一個問題，它會先去問 RAG 這個工具「幫我查一下」，工具把最相關的那段文字調出來，發現兩邊向量一樣，就把資料拿出來。然後 AI Agent 拿到這一坨資料，塞過去給我們的大腦 OpenAI，LLM 就幫我生成最後的結果。

為什麼不直接把所有文件丟給 ChatGPT？

這是最常被問到的問題。原因有三個：

問題	說明
Token 限制	GPT-4o 最大 128K tokens，看起來很大但一本手冊就可能超過
成本問題	每次對話都把全部文件塞進去，API 費用會爆掉
精準度	資料太多反而會讓 AI 迷失，答非所問

RAG 的聰明之處就在於，它只撈「最相關」的幾段文字給 AI，既省 Token、省錢，答案還更精準。

Alex 的實戰觀察

我從 2024 年底開始用 n8n 做 RAG 系統，到現在已經幫好幾個客戶和自己的雲端方程式 Cloud F1 社群建了不同規模的知識庫。我的觀察是：RAG 技術本身不難，難的是你怎麼選工具和怎麼搭配。

在影片裡面我實際 Demo 的時候發現一個很有趣的現象 — 我上傳一張 YouTube 發票（金額 199 元，發票號碼 QD32024966），然後用 n8n RAG Agent 問「這張發票多少錢」，它正確回答了 199 元。但接著我問了一個跟發票完全無關的問題「n8n 是一個怎麼樣的工具」，理論上 AI Agent 應該判斷這跟知識庫無關就不去查 RAG 工具。結果呢？它還是 Call 了一次 Query Data Tool，雖然實際上沒有用這筆資料來回答，但它還是去查了一下。我覺得這可能是 Memory 的關係，因為前一輪對話的上下文影響了 Agent 的判斷。

這告訴我們一件事情：AI Agent 的工具呼叫邏輯並不是百分之百精準的，有時候它會「多查一次」。這不是什麼大問題，但如果你的向量資料庫查詢是要收費的（比如用雲端的 Pinecone），就需要注意一下成本控制。

還有一個很多人沒注意到的：NotebookLM 其實也是某一種程度的 RAG。 你不用管向量資料庫、不用管 Embedding 模型，丟檔案進去就能問。但代價是你完全無法控制它的行為，也無法整合到你現有的系統裡面。

確實不太行的地方是，NotebookLM 目前（2026 年初）還是有一些限制，比如它不支援 API 接入、不能自動更新資料來源、也沒辦法跟你的 CRM 或工單系統串接。但它有一個 n8n 做不到的殺手功能 — Citation Reference，也就是引用來源標記。它會明確告訴你答案是從哪一份文件、哪一段引用出來的，這在學術研究的場景非常有用。

n8n RAG Agent 完整實作 Demo

我在影片裡做了最簡單最簡單的 n8n RAG AI Agent 範例，重點是讓大家理解整個概念。我把整個流程拆成兩步：第一步是讀取資料（嵌入），第二步是查詢（檢索）。

第一步：上傳文件做嵌入

我上傳一張 YouTube 的發票 PDF，發票號碼是 QD32024966，金額 199 元。非常簡單的一個發票內容。

上傳以後，工作流會做以下動作：

Extract Text — 把 PDF 裡面的文字拿出來
OpenAI Embeddings — 用 text-embedding-3-small 把文字轉成向量
存入向量資料庫 — 把向量存起來供後續查詢

在 Demo 裡面我特別拉給大家看了向量的大小 — 從 0 開始算到 1535，所以是 1536 維。它會把這一段文字用它的方式去切成向量，它有用它自己的切法。

但這邊你要注意一下，其實你在切的時候，你會發現這個文字是有點亂碼的，這會影響你的結果。所以在做正式的 RAG 系統時，文件的文字品質非常重要。如果你的 PDF 是掃描檔或者中文 OCR 辨識不好，嵌入出來的向量品質也會跟著變差。

工作流的資料準備部分大概長這樣：

文件上傳 → Extract Text（PDF 轉文字）→ Text Splitter（文件切分）→ OpenAI Embeddings → Qdrant 寫入

切分的關鍵參數：

參數	建議值	說明
chunkSize	300-500 字	太短會缺乏上下文，太長會稀釋重點
overlap	50-100 字	重疊區域確保不會切斷完整概念
最小長度	50 字	過濾掉純標題或空白段落

第二步：查詢與回答

資料嵌入完成後，就可以開始查詢了。我在 Chat 介面輸入：「請問 QD32024966 這個發票多少錢？」

流程是這樣的：

Chat Trigger — 接收使用者的問題
AI Agent — 大腦判斷需要查知識庫，呼叫 RAG Tool
Embedding — 把「發票多少錢」這段文字先變成向量
Query Data Tool — 拿這個向量去比，找最相近的向量，把那段文字調出來
回傳 AI Agent — 把找到的發票文字塞回 LLM，LLM 生成最終回答
回覆：發票金額是 199 元台幣

整個流程用 AI Agent 的視角來看就是：第一個 Run 是 Call 工具（去查 RAG），第二個 Run 是告訴我發票多少錢（它拿到了資料後生成回答）。你看左邊的第一個 Run 是「這個發票多少錢」它去 call，接下來第二個 Run 是把這一坨資料塞過去給我們的大腦 OpenAI。

我當時也用了跟上一集一樣的「親子同遊台北景點」來做對比測試，讓大家看到 Agent 怎麼決定要不要使用 RAG 工具。

完整工作流架構

[Chat Trigger / Webhook]
        |
[AI Agent Node] ──── Brain: OpenAI GPT-4o
        |                Memory: Window Buffer Memory
        |                Tool: RAG Query Data Tool
        |
        ├── [OpenAI Embeddings] — 問題轉向量（text-embedding-3-small）
        |
        ├── [Qdrant Vector Store] — 搜尋相關文件
        |
        └── [回覆使用者] — 生成最終答案

如果你還沒安裝 Qdrant，最快的方式是用 Docker：

docker run -p 6333:6333 qdrant/qdrant:v1.12.1

更詳細的 Qdrant 設定教學可以參考我之前寫的 n8n Qdrant 向量資料庫設定指南。

n8n RAG Agent vs NotebookLM 深度比較

在影片裡面我用同一張發票同時測試了兩個工具。有些人會說「Alex 這個 n8n 用太複雜了、不太會用、還要自動化好麻煩」，那 NotebookLM 可以怎麼做？

我直接把剛剛那張發票上傳到 NotebookLM，問一模一樣的問題：「請問 QD32024966 這個發票多少錢？」結果它也正確回答了 199 元。而且你看這裡 — 它還告訴你 Citation Reference，也就是引用來源：這個答案是從哪一個 PDF 哪一段文字引用出來的，甚至列出了總計金額、幣別、開立機構和性質說明。

所以其實 NotebookLM 也是某一種程度的 RAG。 只是 Google 幫你把整個 Embedding、向量比對、Prompt 組合的流程全部包裝好了，你只管上傳檔案就好。

那什麼時候該用哪個？我在影片裡講得很直白：你需要自動化的時候使用 n8n，你不需要自動化的時候你就用 NotebookLM。 什麼意思就是說，如果這個東西像是電子信一直來，那我不建議你只用 NotebookLM，你要用 n8n 自動化地把這個東西變成你的 AI 大腦，不斷地加進去你的知識庫。

比較項目	n8n RAG Agent	Google NotebookLM
設定難度	中等（需要懂 n8n + 向量資料庫）	極低（上傳檔案就能用）
設定時間	2-4 小時（首次）	5 分鐘
客製化程度	極高（Prompt、模型、切分策略全部可控）	幾乎為零
支援格式	PDF、Word、Markdown、CSV、HTML、網頁爬蟲	PDF、Google Docs、網頁、YouTube 影片
LLM 選擇	任意（OpenAI、Anthropic、Ollama 本地模型）	只能用 Google Gemini
API 整合	完整（可接 LINE、Slack、CRM、工單系統）	無 API（2026 年初仍不支援）
資料安全	自己控制（self-hosted 可完全在內網）	資料在 Google 伺服器
自動更新	可設定 Schedule 自動重新索引	手動上傳更新
引用來源	需自行實作 metadata 追蹤	原生 Citation Reference（超方便）
月費成本	$5-20（VPS + API 費用）	免費
音訊摘要	需自行串接	內建 Podcast 摘要功能
適合場景	企業級、需整合、資料敏感	個人研究、快速探索、學術寫作

那可不可以用 n8n 搭配 NotebookLM？當然可以。 你可以把 n8n 所有的資料變成一個 Google Document，然後在 NotebookLM 裡用手動匯入的方式來做同步，這也是一種方法。以後我們再教。

什麼時候用 NotebookLM？

你只是想快速理解一份文件或幾篇論文
不需要跟任何系統整合
資料不敏感（可以上傳到 Google）
你想用它的 Podcast 摘要功能（邊通勤邊聽 AI 整理的重點）
你需要清楚的引用來源標記（學術寫作必備）

什麼時候用 n8n RAG？

需要整合到現有工作流（LINE 客服、Slack 機器人、內部工具）
資料有安全性需求（客戶資料、公司機密）
資料會持續進來（像電子信一直來），需要自動化更新知識庫
需要客製化 Prompt 和回答格式
長期使用、多人共用的企業場景

重點整理

RAG 是作為 Tool 的存在 — AI Agent 有三個組成：大腦、短期記憶、工具，RAG 就是工具之一
n8n RAG 流程分兩步 — 第一步讀取資料做嵌入（文字變向量），第二步查詢比對後生成回答
text-embedding-3-small 的向量維度是 1536 — 這是目前性價比最高的 Embedding 模型
AI Agent 的工具呼叫不是百分百精準 — 有時候會多查一次 RAG Tool，注意成本控制
NotebookLM 也是某一種程度的 RAG — Google 幫你包好了，5 分鐘就能用
需要自動化就用 n8n，不需要自動化就用 NotebookLM — 最簡單的選擇標準
兩個可以搭配使用 — n8n 處理資料自動化，NotebookLM 做手動研究和探索

FAQ

Q1: RAG 跟 Fine-tuning 有什麼差別？哪個比較適合做知識庫？

這是最常被搞混的兩個概念。Fine-tuning 是把資料「教」進模型裡面，讓模型的權重改變，以後不需要額外提供資料就會「記得」。RAG 則是在問答時動態提供參考資料，模型本身不變。

對於知識庫應用，我的建議是 90% 的情況 RAG 是更好的選擇。原因是 Fine-tuning 很貴（每次訓練都要錢）、更新很慢（資料變了要重新訓練）、而且容易出現幻覺。RAG 的資料可以即時更新，成本也低得多。Fine-tuning 比較適合「改變 AI 的說話風格或格式」，而不是「教它新知識」。

Q2: 你在影片裡面說 PDF 文字會有亂碼，要怎麼處理？

這是我在 Demo 的時候實際碰到的問題。當你把 PDF 用 n8n 的 Extract Text 節點轉出來的時候，如果原始 PDF 的文字編碼不好（特別是中文的發票、掃描檔），轉出來的文字可能會有亂碼或者字元缺失。這會直接影響 Embedding 的品質，因為亂碼的文字轉出來的向量也是亂的。

我的建議是在嵌入之前加一個 Code 節點做文字清理：移除特殊字元、修正編碼、去除多餘空白。如果是掃描檔 PDF，建議先用 OCR 工具（像是 Google Document AI 或 Tesseract）處理成乾淨的文字檔再丟進去。

Q3: Embedding 模型要選哪個？text-embedding-3-small 夠用嗎？

我在影片裡面用的就是 text-embedding-3-small，向量維度 1536，中英文混合效果都不錯。這是目前（2026 年）性價比最高的選擇，每 1M tokens 才 $0.02。

如果你的知識庫純中文而且對精準度要求很高，可以考慮 text-embedding-3-large（3072 維），但成本是 small 的 6.5 倍。另一個選項是用開源的 Embedding 模型跑在本地（像是 BGE-M3），完全免費但需要 GPU。更多模型比較可以看 AI Agent 完整指南。

Q4: n8n RAG Agent 的回答不太對，怎麼改善？

回答品質不好通常有三個原因，按這個順序排查：

資料品質問題（最常見） — 知識庫裡有沒有過時的資料、重複的內容、或者像我 Demo 裡面看到的亂碼文字？先把資料清理乾淨，品質通常就會提升 30-50%
切分策略問題 — 切分太大（>800 字）會讓搜尋結果太雜，切分太小（<100 字）會缺乏上下文。我建議 300-500 字試看看
Prompt 問題 — 在 System Prompt 裡加上「如果找不到就說找不到」，不然 AI 會很自信地用自己的訓練知識回答，完全無視你的知識庫

另外 Qdrant 的 Score Threshold 也很重要，建議設在 0.7-0.8 之間，過濾掉相似度太低的結果。

Q5: NotebookLM 的 Citation Reference 功能，n8n 能做到嗎？

可以，但需要自己實作。在 Qdrant 存向量的時候，同時把 metadata（來源文件名、頁碼、段落位置）一起存進去。查詢的時候 Qdrant 會回傳 payload 裡面的 metadata，你在 Code 節點裡面組合 Prompt 的時候，把來源資訊也附上就好。

不過說實話，NotebookLM 的引用體驗做得真的比較好 — 它不只告訴你從哪裡引用，還會 highlight 原文段落，讓你一鍵就能跳到來源。這種等級的 UI 體驗，自己用 n8n 做的話工程量會比較大。

下一步行動

🎓 想更有系統地學會這些技巧？ 到 AI 職場工作術（雲端方程式 Cloud F1 旗艦課程）看看完整的實作路徑。

如果你想開始建自己的 RAG 知識庫，我建議的行動順序是：

先玩 NotebookLM（5 分鐘就能上手） — 上傳幾份你常用的文件，體驗一下 AI 文件問答的感覺
確認你的需求 — 如果 NotebookLM 已經滿足你，那就不需要 n8n RAG，不用想太多
如果需要整合和自動化 — 打開 n8n，照著上面的步驟建立工作流。建議先用小量資料（5-10 份文件）測試
看完概念再動手 — 建議先看我上一集 RAG 概念完整指南，看完那個再來動手，整個都會了解 RAG 的做法

不用一次學完，先求大概懂，再開始用，最後才能做成功。

想看完整的操作示範和實際效果展示：

觀看完整教學：EP47 n8n RAG Agent 與 NotebookLM
加入學習社群：Skool 雲端方程式 Cloud F1（免費加入，和 500+ 學員一起學）
訂閱電子報：獲取最新 AI 自動化技巧