Chatbot RAG na własnych danych: n8n + Qdrant krok po kroku (2026)

Co to jest RAG i dlaczego to ważne?

RAG (Retrieval Augmented Generation) to technika która łączy model językowy z Twoją własną bazą wiedzy. Zamiast polegać wyłącznie na tym, czego model nauczył się podczas trenowania, RAG pozwala mu najpierw wyszukać relevantną informację z Twoich dokumentów, a dopiero potem sformułować odpowiedź.

Efekt: asystent który mówi "strzyżenie klasyczne kosztuje 80 zł" zamiast "nie posiadam aktualnych informacji o cenach w tym salonie" — albo co gorsza, podaje wymyśloną kwotę.

Bez RAG:

• AI odpowiada na podstawie wiedzy z trenowania (odcięta data)
• Nie zna Twoich dokumentów, cenników, procedur
• Halucynuje — podaje brzmiące wiarygodnie, ale błędne dane

Z RAG:

• AI przeszukuje Twoją bazę wiedzy przed odpowiedzią
• Odpowiada tylko na podstawie Twoich danych
• Jeśli nie znajdzie informacji — mówi wprost że nie wie

Czego potrzebujesz?

Trzy komponenty:

1. Model AI (mózg) — w tym tutorialu: OpenAI GPT-4.1 mini (tani, szybki)
2. Baza wektorowa (pamięć) — Qdrant, open-source, instalujesz na swoim serwerze
3. Silnik automatyzacji — n8n, który to wszystko łączy

Plus serwer VPS — bo asystent który działa tylko gdy masz otwarty laptop to nie asystent, to zabawka.

Krok 1: Baza wektorowa Qdrant na Docker

Qdrant to baza danych specjalnie zaprojektowana do przechowywania embeddingów (wektorowych reprezentacji tekstu). Open-source, działa lokalnie, zero opłat licencyjnych.

Dodaj do swojego docker-compose.yml:

YAML
Kopiuj
1
2
3
4
5
6
7
8
9
10
services:
  qdrant:
    image: qdrant/qdrant:latest
    ports:
      - "6333:6333"
    volumes:
      - qdrant_data:/qdrant/storage

volumes:
  qdrant_data:

Kluczowe szczegóły:

• Port 6333 — port API Qdrant (używasz tego wewnątrz sieci Docker)
• Port 6334 — port zewnętrzny (jeśli potrzebujesz dostępu z zewnątrz)
• Volume qdrant_data — bez tego po restarcie serwera asystent traci całą wiedzę

Uruchom:

Bash
Kopiuj
1
docker compose up -d

Sprawdź czy działa: http://twoj-serwer:6333/dashboard

Krok 2: Workflow zasilający bazę danymi

W n8n tworzysz workflow który wczytuje Twoje dokumenty i ładuje je do Qdrant. Składa się z kilku węzłów:

Węzły:

1. Manual Trigger — uruchamiasz raz, gdy dodajesz nowe dokumenty
2. Read Binary Files — wczytuje PDF, DOCX lub TXT z dysku
3. Extract Document Text — wyciąga tekst z pliku
4. Recursive Character Text Splitter — dzieli tekst na kawałki (chunki)
5. Qdrant Vector Store — zapisuje chunki do bazy

Ustawienia Text Splittera:

• Chunk size: 500 — wielkość kawałka. Przy cennikach: tyle żeby zmieścić jedną usługę z ceną
• Chunk overlap: 50 — zakładka między kawałkami, żeby żaden kontekst nie został ucięty na granicy

Ustawienia Qdrant:

• URL: http://qdrant:6333 (adres wewnątrz sieci Docker)
• Collection name: nazwa Twojej kolekcji, np. cennik_firmy
• Embedding model: text-embedding-3-small (OpenAI) — musi być identyczny w tym węźle i w węźle agenta

Po uruchomieniu workflow zobaczysz w Qdrant ile dokumentów (chunks) zostało zaindeksowanych. Dla 2-stronicowego cennika to zazwyczaj 6-15 wpisów.

Krok 3: Agent który odpowiada na pytania

Drugi workflow obsługuje rozmowę. Schemat:

Chat Trigger → Agent → Qdrant Tool + OpenAI Embedding

Chat Trigger

Domyślnie chat jest widoczny tylko wewnętrznie. Gdy zaznaczysz "Make chat publicly available" — dostajesz publiczny URL który możesz osadzić na stronie.

Konfiguracja Agenta:

• Chat Model: gpt-4.1-mini (szybki i tani do Q&A)
• Memory: włącz — agent będzie pamiętał kontekst rozmowy
• Tool: Qdrant Vector Store
  • Operation mode: Retrieve Documents (As Tool)
  • Collection: nazwa Twojej kolekcji
  • Limit: 4 (ile fragmentów z bazy agent dostaje przy każdym pytaniu)
  • Description: Use this tool any time you get a question on chat
• Embedding: text-embedding-3-small — dokładnie ten sam model co przy zasilaniu bazy

System prompt agenta:

Odpowiadaj tylko na podstawie danych z bazy wektorowej.
Jeśli tej informacji tam nie ma, napisz że nie wiesz.
Nie szukaj wiedzy w innych miejscach.

To kluczowe. Bez tego ograniczenia agent będzie "pomagał" i odpowiadał z ogólnej wiedzy modelu — co niszczy cały sens RAG.

Jak to wygląda w działaniu?

Po uruchomieniu chatu:

Pytanie: Ile kosztuje pietruszka na targu?
Agent: Nie posiadam tej informacji. W czym mogę pomóc?

Pytanie: Ile kosztuje proste strzyżenie?
Agent: Strzyżenie klasyczne (maszynka + nożyczki) kosztuje 80 zł.
       Źródło: Cennik Salon Prestige Cut and Glow.

Agent sięga do Qdrant, pobiera 4 najbardziej pasujące fragmenty, buduje odpowiedź wyłącznie na ich podstawie. Jeśli informacji nie ma w Twoich dokumentach — nie zmyśla.

Koszty

Łącznie: 30-55 zł miesięcznie za asystenta który zna Twoje dane i odpowiada 24/7.

Agencja za podobne rozwiązanie policzy 5 000 - 20 000 zł jednorazowo plus abonament.

Co możesz zasilić bazą?

Qdrant przechowuje tekst — więc wszystko co możesz zamienić na tekst:

• Cenniki i oferty — asystent obsługi klienta który zna ceny
• Baza FAQ — odpowiada na najczęstsze pytania
• Procedury wewnętrzne — onboarding, instrukcje dla pracowników
• Umowy i regulaminy — prawnik AI który przeszukuje dokumenty
• Strona internetowa — chatbot który zna Twoją ofertę

Dalej

Film z budową tego systemu od zera znajdziesz na YouTube — zobaczyć konfigurację Qdrant, workflow n8n i agenta w działaniu:

[Własne AI, które nie kłamie — RAG z n8n i Qdrant (YouTube)](

)

Jeśli chcesz wdrożyć RAG w swojej firmie bez konfigurowania infrastruktury samodzielnie — porozmawiajmy. Umów konsultację →