[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"workflow-multi-model-rag-document-question-answering-workflow-2465":3},["Reactive",4],{"id":5,"slug":6,"title":7,"short_description":8,"category_key":9,"category_title":10,"workflow_type_key":11,"workflow_type_title":11,"workflow_type_icon":12,"price":13,"is_free":14,"cover_image":15,"description":16,"compatible_versions":15,"locked":14,"lock_reason":17,"purchased":18,"in_cart":18,"workflow_file":19},757,"multi-model-rag-document-question-answering-workflow-2465","پرسش‌وپاسخ RAG با چند مدل زبانی","فایل‌های PDF و CSV را در Vector Store ذخیره می‌کند و با استفاده از دو مدل زبانی، پاسخ‌های مبتنی بر محتوای آن‌ها ارائه می‌دهد.","ai-agents","ایجنت‌های هوش مصنوعی","n8n","https:\u002F\u002Faidock.ir\u002Fmedia\u002Fworkflow_types\u002Fimage.png",0,true,"","📄 این گردش‌کار فایل‌های **PDF** یا **CSV** را از طریق فرم دریافت می‌کند، محتوای آن‌ها را با مدل‌های embedding به بردار تبدیل کرده و در یک **Vector Store** درون‌حافظه‌ای ذخیره می‌کند.\n\n💬 سپس کاربر می‌تواند در چت درباره محتوای فایل‌ها سؤال بپرسد. عامل هوش مصنوعی با استفاده از مدل قدرتمندتر برای مدیریت گفتگو و مدل سبک‌تر برای جست‌وجو و تولید پاسخ از داده‌های بازیابی‌شده استفاده می‌کند.\n\n⚙️ این ساختار، نمونه‌ای از استفاده هم‌زمان چند مدل در فرایندهای RAG با هدف کاهش مصرف منابع محاسباتی است.","login",false,null]