n8n ile Kendi Belgelerinizden RAG Soru-Cevap Botu

Büyük dil modelleri bilgilerini eğitim kesim tarihine kadar bilirler; sizin iç belgelerinizi, teknik kılavuzlarınızı ya da şirket politikalarınızı bilmezler. Modele her seferinde belgeleri yapıştırmak ise hem pratik değil hem de bağlam penceresi hızla dolar.

Çözüm RAG (Retrieval-Augmented Generation): belgelerinizi önce küçük parçalara böler, her parçanın anlamsal vektörünü hesaplayarak bir vektör deposuna yazarsınız. Kullanıcı soru sorduğunda sisteminiz ilgili parçaları çeker, bunları AI düğümüne bağlam olarak verir ve model sadece belgelerinizde ne varsa onu yanıtlar — uydurma olmaz, kaynak alıntılanabilir.

Bu rehberde bu akışı n8n üzerinde sıfırdan kuracaksınız.

---

Mimariye Genel Bakış

Akış iki bölümden oluşur:

1. Belge yükleme (Ingestion) akışı — bir kez (veya belge değiştiğinde) çalışır.
2. Soru-cevap (Query) akışı — her kullanıcı sorusunda tetiklenir.

[Ingestion]
Dosya → Extract Text → Text Splitter → Embeddings → Vektör Deposu

[Query]
Kullanıcı sorusu → Embeddings → Vektör Deposu (similarity search) → AI Chat → Yanıt

---

1. Ingestion Akışı: Belgelerinizi Parçalayın ve Gömün

Adım 1 — Tetikleyici: Manual Trigger veya Webhook

Tek seferlik yükleme için Manual Trigger düğümü yeterli. Yeni belge geldiğinde otomatik çalışmasını istiyorsanız bir Webhook ya da Schedule Trigger ekleyebilirsiniz.

Adım 2 — Belgeyi Okuyun: HTTP Request veya Read Binary File

PDF'iniz bir URL'deyse:

• Düğüm: HTTP Request
• Method: GET
• URL: https://ornek.com/kilavuz.pdf
• Response Format: File

Yerel bir dosyaysa n8n'nin dosya sistemine koyup Read Binary File düğümüyle okuyun.

Adım 3 — Metni Çıkarın: Extract From File

Extract From File düğümünü ekleyin:

• Input Binary Field: data
• Operation: PDF (ya da DOCX, Text — n8n çoğu formatı destekler)

Çıktı: ham metin, text alanında.

Adım 4 — Parçalayın: Recursive Character Text Splitter

Recursive Character Text Splitter düğümü metni anlamlı parçalara böler:

Parametre	Önerilen Değer
Chunk Size	800
Chunk Overlap	150
Separator	\n\n önce, \n, sonra

Neden overlap? Bir cümlenin anlamı chunk sınırında ikiye bölünmesin diye. 150 karakterlik örtüşme bu kopuşu önler.

Çıktı: her biri bağımsız bir JSON nesnesi olan chunk listesi. Örnek:

{ "text": "Ürün garantisi 2 yıldır. Hasar görmüş ürünlerde..." }

Adım 5 — Gömün ve Saklayın: Embeddings + Vector Store

n8n'nin AI düğümleri panelinden sırasıyla ekleyin:

Embeddings Modeli (sub-node):

• Düğüm: Embeddings OpenAI (ya da desteklenen herhangi bir provider)
• Model: text-embedding-3-small
• Credential: AgentRoost'ta dahili — ayrıca API anahtarı girmeniz gerekmez

Vektör Deposu (ana düğüm):

• Düğüm: Pinecone Vector Store veya Supabase Vector Store veya In-Memory Vector Store (test için)
• Operation: Insert
• Index / Table: belgelerim
• Metadata'ya kaynak bilgisi ekleyin: { "source": "kilavuz-v2.pdf", "page": 3 }

Akışı çalıştırın. Birkaç saniyede tüm chunk'lar vektör deposuna yazılır.

---

2. Soru-Cevap Akışı: Soruları Yanıtlayın

Adım 1 — Tetikleyici: Webhook

Kullanıcıdan gelen soruyu almak için bir Webhook düğümü:

• HTTP Method: POST
• Path: /rag-soru
• Response Mode: Last Node

Webhook URL'niz n8n instance'ınızda otomatik oluşur:
https://<id>.agentroost.app/webhook/rag-soru

Adım 2 — Soruyu Göm: Embeddings

Gelen body.question değerini yukarıdaki aynı embedding modeliyle vektörleştirin. Modeli tutarlı tutmak şart — farklı model farklı vektör uzayı üretir, aramalar anlamsızlaşır.

Adım 3 — Benzer Parçaları Çekin: Vector Store Retrieve

• Düğüm: Pinecone Vector Store (Operation: Query)
• Top K: 4 (en benzer 4 chunk genellikle yeterlidir)
• Index: belgelerim

Çıktı: score ve pageContent içeren 4 nesne.

Adım 4 — Bağlamı Birleştirin: Set veya Code Düğümü

Chunk'ları tek bir metin bloğuna dönüştürün:

// Code düğümü (JavaScript)
const chunks = $input.all().map(i => i.json.pageContent);
const context = chunks.join('\n\n---\n\n');

return [{ json: { context, question: $('Webhook').item.json.body.question } }];

Adım 5 — AI'ya Sorun: Basic LLM Chain

• Düğüm: Basic LLM Chain
• Model (sub-node): OpenAI Chat Model — GPT-4o mini veya seçtiğiniz herhangi bir model
• Prompt (System):

Sen bir belgeden bilgi aktaran asistansın.
Sana verilen BAĞLAM bölümündeki bilgileri kullanarak soruyu yanıtla.
Eğer cevap bağlamda yoksa "Bu bilgi belgelerimde yer almıyor." de.
Asla tahmin etme.

BAĞLAM:
{{ $json.context }}

• Prompt (Human / User Message): {{ $json.question }}

Adım 6 — Kaynak Bilgisiyle Döndürün: Respond to Webhook

{
  "answer": "{{ $json.text }}",
  "sources": ["kilavuz-v2.pdf, sayfa 3", "politika-2024.pdf, sayfa 7"]
}

Kaynak bilgisini metadata'dan çekmek için ingestion adımında her chunk'a source alanı yazdığınızdan emin olun.

---

Dikkat Edilmesi Gereken Yaygın Hatalar

• Chunk size çok büyükse bağlam penceresi dolar ve model ilk birkaç chunk'tan sonrasını görmez.
• Chunk size çok küçükse parçalar anlamsız hale gelir ("Madde 3.1:" gibi kopuk metinler).
• Embedding modeli değişirse tüm vektör deposunu sıfırlayıp yeniden indekslemeniz gerekir.
• Top K çok yüksek seçilirse alakasız chunk'lar modeli yanıltır. 4–6 arası çoğu kullanım için idealdir.
• Webhook'u herkese açtıysanız basit bir API key kontrolü için IF düğümü ve Header Auth eklemeyi unutmayın.

---

AgentRoost'ta Bu Akışı Çalıştırmak

Yukarıdaki akışın çalışması için iki kritik şey gerekir: n8n instance'ınız ve AI/embedding modellerine erişim. Normalde bunlar ayrı ayrı düzenlemeniz gereken şeylerdir — n8n'yi bir sunucuya kurmak, OpenAI API anahtarı almak, fatura ödemek, sunucuyu izlemek.

AgentRoost'ta bu ikisi tek abonelikte gelir:

1. agentroost.app adresinden kayıt olun (e-posta, Google, Microsoft veya Discord ile).
2. n8n framework'ünü seçin ve instance'ınıza bir isim verin.
3. Yaklaşık 2 dakika içinde https://<id>.agentroost.app adresinde kendi n8n editörünüz açılır — veriler, iş akışları, erişim tamamen size ait.
4. Embeddings ve LLM düğümlerini oluşturduğunuzda credential girmeniz istenmez — AI kredileri aboneliğe dahildir.

Akışı oluşturun, webhook URL'nizi paylaşın, bitti. 7/24 çalışır, SSL hazırdır, siz sadece iş mantığına odaklanırsınız.

Fiyat $19.99/ay'dan başlar. Karşılaştırmak için: bir VPS + n8n kurulumu + LLM API kredileri + SSL sertifikası topladığınızda hem daha pahalıya gelir hem de saatlerinizi alır. 14 gün para iade garantisi var, iptal etmek bir tık.

Planları karşılaştır — n8n instance'ı başlat

---

Özet

RAG, LLM'i gerçek bilgi kaynağına bağlamanın en güvenilir yoludur. n8n bu akışı görsel olarak kurmanıza izin verir: belgeyi oku, parçala, göm, depola, sorgula, yanıtla — her adım ayrı bir düğüm, her düğüm görünür ve değiştirilebilir. Kendi belgelerinizden kaynaklı yanıtlar veren bir bot için bu mimari, bir hafta içinde üretime alınabilecek sağlam bir standarttır.