雲端方程式 Cloud F1 F1

n8n 核心

n8n RAG AI Agent｜Qdrant Cloud 向量資料庫入門教學

· 約 15 分鐘閱讀 · Alex Hsieh

更新於 2026年2月11日

n8n RAG Qdrant

📥 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

你有沒有想過，如何讓 AI 不只是聊天，還能記住你的知識、自動回答業務問題？在前兩集我們已經講了 RAG 的三大核心概念 和 n8n RAG Agent 與 NotebookLM 的比較，今天要帶大家真正動手做 — 用 n8n 搭配 Qdrant Cloud 向量資料庫，從零開始打造你的第一個 RAG AI Agent。

我會帶你走過三大步驟：創建 Qdrant Collection（存儲空間）→ 文件向量化嵌入 → 知識庫問答。整個過程用我自己的 YouTube 發票當作實戰案例，手把手教你怎麼把文件上傳到向量資料庫、再用自然語言檢索出來。

老實說，新手最容易卡住的不是 RAG 概念本身，而是設定。我在影片裡面講得很直白：新手三大魔王就是設定。特別是 Qdrant 的兩種 API Key 權限，很多人卡住卡半天。所以今天我會把每一步都拆得很細，包括我踩過的坑也一起分享給大家。

你將學到

  • Qdrant Cloud 免費註冊與 Cluster 建立（含 Region 選擇建議）
  • n8n 社群節點安裝與兩種 API Key 權限設定（這是最多人卡住的地方）
  • Collection 建立與 Index 設計（用「報戶口」的比喻讓你秒懂）
  • 文件向量化嵌入完整流程（Google Drive → PDF 提取 → Embedding → Qdrant 存入）
  • 知識庫問答 AI Agent 實測（發票查詢 Demo）

什麼是 n8n + Qdrant RAG？

n8n + Qdrant RAG 是一套用視覺化工作流串接向量資料庫的知識檢索自動化方案，讓你可以用拖拉的方式打造能理解語意、記憶知識的 AI Agent，完全不用寫 Python。 n8n 負責自動化流程編排，Qdrant 負責向量儲存與檢索，兩者結合就是目前門檻最低的 RAG 組合。

我自己的觀察是：很多人卡在「不知道怎麼開始用向量資料庫」，其實 Qdrant Cloud + n8n 的搭配讓你不需要自己架設資料庫、不需要處理 Docker、不需要管理 API 串接邏輯，全部都在 n8n 工作流裡視覺化完成。

整個 RAG 流程分成三步：

  1. 創建存儲空間 — 在 Qdrant Cloud 建立 Collection，定義向量維度和比較方式
  2. 文件向量化嵌入 — 把你的文件切分、轉成向量，存進 Qdrant
  3. 知識庫問答 — 使用者問問題，AI Agent 用 RAG Tool 去 Qdrant 檢索，拿到相關文件後生成回答

Alex 的實戰觀察

我在做這集教學的時候，用的是同一張 YouTube 發票（QD32024966，金額 199 元台幣），跟 上一集 NotebookLM Demo 一模一樣的測試資料。但這次不是用 n8n 的簡易範例，而是完整的企業級工作流：從 Google Drive 自動偵測新檔案、下載 PDF、提取文字、切分、向量化、存入 Qdrant Cloud，最後用 AI Agent 查詢。

過程中我發現幾個很多人會碰到的問題：

第一，兩種 API Key 搞不清楚。 Qdrant 在 n8n 裡面會出現兩種權限：一個是社群節點的（顯示為 Qdrant API，有空格），一個是 n8n 內建搭配 HTTP Request 用的（顯示為 QdrantApi，沒有空格）。這兩個長得很像但是不同的東西，你要注意看有沒有空格。這邊很多人卡住卡半天，一定要好好設定。兩種權限都要設，而且都填一模一樣的 URL 跟 API Key。

第二，免費 Cluster 的 Region 限制。 我建議台灣用戶選新加坡或東京，但其實你在建免費 Cluster 的時候會發現 — 你選不到！免費版只有 AWS 的幾個 Region 可以選，東京跟新加坡是付費才有的。所以實際上就隨便選一個，你開心就好了。我自己示範用的是 us-east-1。

第三，PDF 文字提取會有亂碼。 這個在上一集就有提到，中文發票的 PDF 轉文字常常會出現亂碼。雖然影響不大但還是要注意，確保你的服務沒有亂碼，編碼這件事情其實是蠻麻煩的。

不過沒關係，這些都是可以解決的。我已經把完整的 n8n 工作流範本放在 GitHub 和 Skool 社群 裡面了，大家可以直接匯入使用。

Step-by-Step：從零到一建立 n8n RAG 工作流

整個實作分成三大步驟，對應到 RAG 的三個階段。我會一步一步帶大家做，這邊的資料你可以照著抄，你不懂沒關係，可以先試著做。

Step 1：註冊 Qdrant Cloud 並建立 Cluster

Qdrant Cloud 是官方提供的雲端向量資料庫託管。我建議大家儘量不要自己架，儘量用人家弄好的，這樣實作上比較簡單，不用去做管理的部署。

  1. 前往 Qdrant Cloud 官網
  2. 使用 Google 或 GitHub 帳號快速註冊（不需要信用卡）
  3. 點擊「Create Cluster」，選擇 Free Tier
  4. Region 的選擇：理論上台灣選新加坡或東京最好，但免費版選不到（需要付費）。我示範用 us-east-1，你隨便選一個就好
  5. 等大概三到五分鐘讓 Cluster 建立完成
  6. 重要：它會自動產生一組 API Key，麻煩大家把這一組記起來，Copy Paste 複製，等一下 n8n 的時候要用。記得注意尾碼是什麼
  7. 記下你的 Endpoint URL（格式：https://xxxxx.aws.cloud.qdrant.io:6333）

兩個要記住的東西：Endpoint URL + API Key。 等一下兩種權限設定都會用到。

這邊要跟大家報告一下：雲端版本只提供一個免費的 Cluster，只有一個。 記得其他超過要另外花錢。但你可以利用切分 Collection 的方式在同一個 Cluster 裡面管理多個專案。

Step 2：安裝 n8n Qdrant 社群節點

Qdrant 官方提供了 n8n 的社群節點，我覺得用官方做的是比較快的。安裝方式：

  1. 到你 n8n 的設定介面，點選左邊的 Settings
  2. 點選 Community Nodes
  3. 搜尋 n8n-nodes-qdrant，點 Install 安裝
  4. 安裝完成後，在工作流裡面加號搜尋 Qdrant，你會看到有個打勾的 — 打勾就代表是社群節點
  5. 另外還有 n8n 官方內建的 Qdrant Vector Store 節點（Other Vector Stores 裡面，Published by Qdrant）

安裝完成驗證： 看到 Community Nodes 列表裡有 Qdrant 且有打勾就代表 OK。

Step 3：設定兩種 API Key 權限（最多人卡住的步驟）

這是新手三大魔王之一。n8n 裡面 Qdrant 有兩種權限需要設定：

權限一：社群節點的權限

  • 進入任意工作流，點 Qdrant 社群節點
  • 新增權限（Create New Credential）
  • 類型顯示為 Qdrant API（注意有空格）
  • 填入 Endpoint URL 和 API Key
  • 按儲存，Retry 測試 — 綠色就代表 OK

權限二：n8n 內建 HTTP 預設權限

  • 進入 HTTP Request 節點的 Credential 設定
  • 選 Predefined Credential Type
  • 找到 QdrantApi（注意沒有空格，跟上面的不一樣）
  • Create 一個新的 API 類型
  • 一樣填入 Endpoint URL 和 API Key
  • 測試看到綠色就代表 OK

兩種權限設一模一樣的 URL 跟 Key，這邊很重要。為什麼需要兩種？因為社群節點用的是它自己的權限系統，但我們後面需要用 HTTP Request 來創建 Collection Index，那是走 n8n 內建的權限。

Step 4：創建 Qdrant Collection

Collection 就是一個資料夾的概念，不同的專案會用不同的 Collection，一個專案一個 Collection。

在我的工作流裡，我用 HTTP Request 節點來創建：

  1. Edit Fields 節點 — 設定 Collection 名稱（我用 Document）和 Qdrant Cloud URL
  2. HTTP Request 節點 — 用 PUT 方法呼叫 Qdrant API 創建 Collection
PUT https://YOUR-CLUSTER-URL:6333/collections/Document
{
  "vectors": {
    "size": 3072,
    "distance": "Cosine"
  }
}

我設定的向量維度是 3072（因為我用 text-embedding-3-large），比較方式是 Cosine。執行後回到 Qdrant Dashboard 重刷，你就會看到 Document 這個 Collection 出現了，Default 3072 Cosine。

接下來還要建立一個 Index。用我的比喻來說：每個檔案都會有身分證字號。就像你小孩子出生去報戶口，他就會有一個身分證字號；或者你會員資料報手機號碼，就可以代表你這個人。我在 Collection 裡面建立了一個 file_id 的 Keyword Index，這樣之後可以用 file_id 來精確找到或刪除特定文件。

概念說明比喻
Collection向量資料庫的資料夾一個專案用一個資料夾
Point一筆向量記錄一份被向量化的文件片段
Index用 Metadata 建立的索引身分證字號，讓你快速找到人
Payload附帶的元資料（file_id, file_name, file_type）這個人的基本資料

Step 5：文件向量化嵌入

這是整個 RAG 的核心 — 把你的文件變成向量存進 Qdrant。我的工作流設計是這樣：

Google Drive Trigger（偵測新/修改檔案）
    → Loop Over Items
    → Edit Fields（定義 file_id, file_name, file_type）
    → HTTP Delete（先砍掉舊的，避免重複報戶口）
    → Download File from Google Drive
    → Switch（PDF / Google Doc / CSV 不同處理）
    → Qdrant Vector Store（Insert）
        ├── OpenAI Embeddings（text-embedding-3-large, 3072 維）
        ├── Default Data Loader（帶入 file_id, file_name, file_type）
        └── Recursive Character Text Splitter

幾個重點：

刪除再插入的邏輯： 如果這個資料之前有了（重複報戶口或重複報手機），我們這邊是把它做覆蓋 — 先砍掉再產生。用 Filter 的方式，比對 file_id 這個 Keyword，把舊資料刪掉再放新的進去。

Embedding 模型選擇： 我在這個範例用的是 text-embedding-3-large（3072 維），比 small 版本精準度更高。你會發現這個模型跑完後會出現好多向量，3072 維就代表每個文字片段會被轉成 3072 個數字的向量。

Text Splitter 設定： 我建議大文件設 1000 個字元一組，然後 10% 的 Overlap（也就是 100 字元重疊）；小文件就是 400-500 的 Chunk Size。Chunk 的 Overlap 一定要有，沒有的話常常就不容易找到詳細的文章。

Step 6：知識庫問答 AI Agent

上傳完成後，就是最讓人興奮的部分 — 用 AI Agent 來查詢知識庫。

我的 AI Agent 設計：

  • Chat Model： GPT-4.1（我影片裡用的版本）
  • Memory： Window Buffer Memory，設了 40 輪（比較長，希望對話內容可以記比較多）
  • Tool： Qdrant Vector Store Tool，最多拿 5 筆

測試問題：「請問 QD-32024966 這張發票多少錢？」

AI Agent 會去呼叫 Qdrant Vector Store Tool，從 Collection 裡面檢索最相關的向量，拿到發票的文字內容，然後 LLM 回答：199 新臺幣。跟我們最一開始 30 秒 Demo 看到的結果一模一樣。

Qdrant vs 其他向量資料庫比較

向量資料庫免費方案開源n8n 支援速度推薦情境
Qdrant1GB 無期限Rust社群節點 + 官方內建極快入門學習、中小型專案
Pinecone1 Index / 100K vectors否需自己串 API快商業產品、大規模
Weaviate14 天試用Go實驗性節點中等知識圖譜應用
Chroma本地免費Python否慢本地開發測試
Milvus需自建C++否極快企業級大規模

我的觀察：如果你是第一次學 RAG，就選 Qdrant Cloud + n8n 社群節點，這組合最簡單。如果你是做商業產品，預算夠的話 Pinecone 的穩定性和客服支援會比較好。如果你是處理敏感資料必須自建，Qdrant Docker 版也是好選擇。

重點整理

  1. Qdrant Cloud 免費 1GB 只有一個 Cluster — 用切分 Collection 來管理多專案，免費版 Region 選不到東京和新加坡
  2. n8n 有兩種 Qdrant 權限要設 — 社群節點的（Qdrant API 有空格）和內建的（QdrantApi 沒空格），一定要兩個都設好
  3. Collection = 資料夾概念 — 一個專案一個 Collection，設定向量維度和 Cosine 比較方式
  4. Index 就是「報戶口」 — 用 file_id 當唯一識別碼，方便後續刪除和更新
  5. Chunk Overlap 一定要有 — 大文件 1000 字 + 10% Overlap，小文件 400-500 字，沒 Overlap 就找不到文章
  6. 先砍掉再插入 — 遇到重複資料用 Filter by file_id 刪除舊的再放新的
  7. text-embedding-3-large 是 3072 維 — 比 small（1536 維）更精準但更貴，根據需求選擇

FAQ

Q1: Qdrant 免費 1GB 夠用嗎？大概可以存多少資料？

以 text-embedding-3-large（3072 維）為例，每條向量約 12KB（3072 維 x 4 bytes/float），加上 Payload（假設 1KB JSON）= 13KB/條。1GB 大約可以存 7-8 萬條記錄。如果是小型知識庫（100 篇文章，每篇切 10 段 = 1000 條），完全夠用。先用免費方案驗證概念，確定有價值再升級。不要一開始就付費，結果發現做不起來浪費錢。

Q2: 為什麼需要兩種 API Key 權限？能不能只設一種？

不行，因為 n8n 的社群節點和內建節點用的是不同的權限系統。社群節點（Qdrant 官方開發的）有自己的 Credential Type，而我們在建立 Collection 和 Index 的時候需要用 HTTP Request 節點直接呼叫 Qdrant API，那個走的是 n8n 內建的 Predefined Credential。所以兩個都要設，URL 和 API Key 填一模一樣的就好。

我在影片裡面特別強調過：Qdrant API（有空格）是社群節點的，QdrantApi（沒空格）是內建的。再注意一次，看有沒有空格就能分辨。

Q3: text-embedding-3-small 和 text-embedding-3-large 差在哪？該選哪個？

模型維度成本精準度我的建議
text-embedding-3-small1536$0.02/1M tokens夠用預算有限、入門學習
text-embedding-3-large3072$0.13/1M tokens更高企業應用、需要最高精準度

我在這個範例用 large 是因為我想展示更高精準度的效果。但如果你是剛入門或者知識庫規模不大，small 就完全夠用了。注意：Collection 的向量維度要跟 Embedding 模型一致 — small 用 1536，large 用 3072。

Q4: 為什麼我查詢結果不準確？常見的原因有哪些？

根據我的經驗，檢索效果不好通常有這幾個原因：

  1. Chunk Overlap 沒設 — 這是最常見的問題。切分的時候一定要有重疊，不然文章中間被切斷的地方就完全搜不到
  2. 文件文字有亂碼 — PDF 提取出來的中文常有亂碼問題，先做文字清理再嵌入
  3. 向量維度跟 Collection 設定不一致 — 用 small 模型但 Collection 設 3072，或反過來，都會出錯
  4. Top K 設太大 — Vector Store Tool 我建議最多拿 5 筆，太多會塞太多不相關的內容干擾 LLM
  5. Payload 沒有過濾 — 如果知識庫有多個主題，上傳時在 Payload 存分類，檢索時加 Filter

Q5: 可以用 Docker 自建 Qdrant 嗎？什麼時候需要自建？

當然可以。Qdrant 是開源專案，一行指令就能跑起來：

docker run -p 6333:6333 qdrant/qdrant:v1.15.5

我建議在這些情況自建：

  • 資料有安全性需求（金融、政府、醫療）
  • 需要跟 n8n 放在同一台機器減少延遲
  • 免費方案不夠用但不想付 Qdrant Cloud 的費用

自建的話記得 n8n 的權限設定裡 Endpoint 改成 http://localhost:6333（或你的主機 IP）。更詳細的設定可以看 n8n Qdrant 設定指南。

Q6: RAG 的成本怎麼算？會不會很貴？

我幫你算一次完整成本（以 10 萬條知識庫、text-embedding-3-small 為例）：

建立階段（一次性）：

  • Embedding 成本：10 萬條 x 500 字元 x $0.02/1M tokens = 約 $1 美金
  • Qdrant 儲存：1GB 免費

查詢階段（每月）：

  • 問題 Embedding：1000 次查詢幾乎免費（$0.001）
  • AI 生成回答（GPT-4o-mini）：約 $0.20 美金
  • Qdrant 查詢：免費方案無限次

總成本：建立 $1 + 每月 $0.20 = 超級便宜。 這就是為什麼我說 RAG 是最實用的 AI 應用。

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。

如果你讀到這裡，代表你已經掌握 n8n + Qdrant RAG 的完整概念了。接下來我建議你實際動手做一次：

  1. 註冊 Qdrant Cloud — 建立你的第一個免費 Cluster（5 分鐘）
  2. 匯入我的工作流範本 — 從 GitHub 或 Skool 社群下載，直接 Import from File 匯入
  3. 設定好兩種權限 — 社群節點的 + HTTP 內建的，兩個都要設
  4. 用自己的資料測試 — 可以從小範圍開始（5-10 份 PDF 文件）
  5. 觀察 Qdrant Dashboard — 看向量怎麼被存進去、Collection 長什麼樣

建議先看完前面兩集 RAG 概念的內容再來做這個實作，才會整個都了解 RAG 的做法。

想看完整的操作示範和實際效果展示：

相關資源

系列文章：

進階應用：

學習資源：

本文改編自 YouTube 影片 EP48《第一個 n8n RAG AI Agent 就上手》，由 Alex Hsieh 撰寫。最後更新：2026-02-11

關於作者 — Alex Hsieh

Alex 是 雲端方程式數位科技創辦人，專注於 n8n 自動化與 AI Agent 教學。透過 50+ 支 YouTube 影片和 Skool 社群，已協助超過 500 位學員掌握自動化工作流。他的教學風格強調「先求大概懂，再開始用，最後才能做成功」，讓技術變得人人可上手。

想加入 Alex 的學習社群？點這裡免費加入 Skool 雲端方程式 Cloud F1

想把這篇學到的用進日常工作？

「AI 職場工作術」課程把這類實戰經驗整理成一步步的教學，帶你系統化練出跟 AI 協作的產能。

看 AI 職場工作術課程 →

本文作者：Alex Hsieh，SRE / DevOps 背景出身，現為企業 AI 導入顧問，也是「AI 相談室」課程講師。專注把 AI 自動化真正落地到企業日常流程，而不是停留在 Demo。

目錄
  1. 專業導讀
  2. 你將學到
  3. 什麼是 n8n + Qdrant RAG？
  4. Alex 的實戰觀察
  5. Step-by-Step：從零到一建立 n8n RAG 工作流
  6. Step 1：註冊 Qdrant Cloud 並建立 Cluster
  7. Step 2：安裝 n8n Qdrant 社群節點
  8. Step 3：設定兩種 API Key 權限（最多人卡住的步驟）
  9. Step 4：創建 Qdrant Collection
  10. Step 5：文件向量化嵌入
  11. Step 6：知識庫問答 AI Agent
  12. Qdrant vs 其他向量資料庫比較
  13. 重點整理
  14. FAQ
  15. Q1: Qdrant 免費 1GB 夠用嗎？大概可以存多少資料？
  16. Q2: 為什麼需要兩種 API Key 權限？能不能只設一種？
  17. Q3: text-embedding-3-small 和 text-embedding-3-large 差在哪？該選哪個？
  18. Q4: 為什麼我查詢結果不準確？常見的原因有哪些？
  19. Q5: 可以用 Docker 自建 Qdrant 嗎？什麼時候需要自建？
  20. Q6: RAG 的成本怎麼算？會不會很貴？
  21. 下一步行動
  22. 相關資源

相關文章