[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"site-settings":3,"workflow-build-mcp-server-with-qdrant-rag-pdf-ingestion-3878":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":5,"cover_image":18,"description":19,"compatible_versions":18,"locked":5,"lock_reason":20,"purchased":21,"in_cart":21,"workflow_file":22},968,"build-mcp-server-with-qdrant-rag-pdf-ingestion-3878","ساخت سرور MCP پاسخ‌گو با RAG","سرور MCP با دریافت اسناد PDF، ایجاد embedding با Ollama و ذخیره در Qdrant، اطلاعات مرتبط را برای پاسخ‌گویی مبتنی بر RAG بازیابی می‌کند.","ai-agents","ایجنت‌های هوش مصنوعی","n8n","https:\u002F\u002Faidock.ir\u002Fmedia\u002Fworkflow_types\u002Fimage.png",0,"","🧠 این گردش‌کار یک **سرور MCP** ایجاد می‌کند که با استفاده از معماری **تولید تقویت‌شده با بازیابی (RAG)** به پرسش‌ها پاسخ می‌دهد.\n\n📄 اسناد PDF از طریق فرم دریافت می‌شوند و پس از بارگذاری، با مدل embedding محلی **Ollama** به بردار تبدیل و در مجموعه `MCP_RAG` در **Qdrant** ذخیره می‌شوند.\n\n🔎 سرور MCP هنگام دریافت پرسش، اطلاعات مرتبط را از Qdrant بازیابی کرده و آن را به‌عنوان ابزار در اختیار کلاینت MCP قرار می‌دهد.","login",false,null]