Integrarea capacităților de AI în platforma open-source n8n a transformat automatizarea vizuală într-un motor complet de RAG. Nodul Default Data Loader permite conectarea workflow-ului la surse dinamice de date: atașamente primite pe Gmail, fișiere încărcate în Google Drive sau documente descărcate dintr-un API intern.
Odată extras textul brut din fișiere PDF complexe sau fișiere scanate, nodul asociat Recursive Character Text Splitter intervine pentru segmentarea optimă a textului. Acesta sparge documentul în fragmente (chunks) de dimensiuni configurabile (de exemplu 800 de caractere) cu o zonă de suprapunere (overlap de 100 de caractere).
Această descompunere inteligentă păstrează integritatea paragrafelor și propozițiilor, pregătind datele pentru nodul de generare a vectorilor (Embeddings) fără a pierde coerența semantică a textului original.
Sintaxă, opțiuni și concepte cheie
| Opțiune / Concept | Descriere practică |
|---|---|
Default Data Loader |
Nodul n8n care extrage textul din conținutul binar al fișierelor încărcate. |
Chunk Size |
Dimensiunea fiecărui fragment de text extras (uzual între 500 și 1.500 de caractere). |
Chunk Overlap |
Numărul de caractere partajate între două fragmente consecutive pentru continuitatea sensului. |
Separators |
Ierarhia de caractere folosite pentru tăiere: `[‘\n\n’, ‘\n’, ‘ ‘, ”]`. |
Binary Property |
Numele proprietății n8n care conține fișierul descărcat (implicit ‘data’). |
Exemple practice și configurații
Exemplul 1: Configurarea lanțului de încărcare și segmentare PDF în n8n
Structura vizuală a fluxului conectat la un vector store.
[Email Trigger (IMAP)]
│ (Atașament PDF: contract.pdf)
▼
[Read/Write Files from Disk / Binary]
│
▼
[Default Data Loader (Text Extractor)]
│
├──> [Recursive Character Text Splitter]
│ • Chunk Size: 1000
│ • Overlap: 150
▼
[Qdrant Vector Store / Embeddings OpenAI]
│
▼
(Datele sunt indexate și gata de căutare semantică)Rezultat & Impact
Orice PDF primit pe email devine instant căutabil prin chat AI în mai puțin de 5 secunde.Greșeli frecvente și bune practici
- Setarea unui `chunk size` prea mic (ex. sub 150 de caractere), ceea ce distruge contextul semantic al frazelor la interogare.
- Omiterea parametrului `chunk overlap`, cauzând pierderea informațiilor care se află exact pe marginea de tăiere a fragmentelor.