[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"site-settings":3,"workflow-build-contextual-document-rag-system-with-gemini-qdrant-2672":7},["Reactive",4],{"analytics_enabled":5,"gtm_container_id":6},true,"GTM-WWB2TQFD",["Reactive",8],{"id":9,"slug":10,"title":11,"short_description":12,"category_key":13,"category_title":14,"workflow_type_key":15,"workflow_type_title":15,"workflow_type_icon":16,"price":17,"is_free":18,"cover_image":19,"description":20,"compatible_versions":19,"locked":5,"lock_reason":21,"purchased":18,"in_cart":18,"workflow_file":22},1919,"build-contextual-document-rag-system-with-gemini-qdrant-2672","ساخت سامانه RAG اسناد با Gemini و Qdrant","سند PDF را به بخش‌های زمینه‌دار تبدیل می‌کند، با Gemini Embeddings بردارسازی کرده و برای بازیابی و پاسخ‌گویی مبتنی بر اسناد در Qdrant ذخیره می‌کند.","document-ops-workflows","پردازش اسناد","n8n","https:\u002F\u002Faidock.s3.ir-thr-at1.arvanstorage.ir\u002Fworkflow_types\u002Fimage.webp",99000,false,"","📄 این گردش‌کار یک سند PDF بزرگ را دریافت و متن آن را به بخش‌های مجزا تقسیم می‌کند.\n\n🧠 مدل Kimi-K2 با بررسی بخش جاری و متن پیرامون آن، برای هر بخش زمینه، عنوان و کلیدواژه تولید می‌کند تا کیفیت بازیابی افزایش یابد.\n\n🔎 خلاصه‌های زمینه‌ای با Gemini Embeddings به بردارهای ۷۶۸بعدی تبدیل و همراه با محتوای اصلی و فراداده در مجموعه Qdrant ذخیره می‌شوند.\n\n💬 در ادامه، یک زیرگردش‌کار برای جست‌وجوی برداری فراهم می‌شود که می‌تواند توسط عامل هوش مصنوعی، آزمون‌های متنی یا سرور MCP برای پاسخ‌گویی مبتنی بر اسناد استفاده شود.","login",null]