شبیهسازی مناظره چندعامل هوش مصنوعی برای بهینهسازی پاسخها
این گردشکار با استفاده از چند عامل Mistral، مناظره چندمرحلهای ایجاد میکند و بر اساس نتایج آن، خلاصه و نسخه بازنویسیشده متن را تولید میکند.
n8n
n8nرایگاناین گردشکار محتوای Google Docs را در Supabase بهصورت embedding ذخیره میکند و با بازیابی بخشهای مرتبط، پاسخهای مبتنی بر زمینه تولید میکند.
🧠 این گردشکار یک چتبات مبتنی بر RAG در n8n ایجاد میکند.
📄 ابتدا محتوای Google Docs را دریافت کرده، آن را به بخشهای ۱۰۰۰کاراکتری تقسیم و با مدل embedding در Together AI به بردار تبدیل میکند. سپس متن و بردارها در جدول embed در Supabase ذخیره میشوند.
💬 هنگام دریافت پیام، متن کاربر نیز embedding میشود و با استفاده از تابع matchembeddings1، پنج بخش مشابه از Supabase بازیابی میگردد.
🤖 بخشهای بازیابیشده همراه با پرسش کاربر به زنجیره زبانی ارسال میشوند و مدل qwen/qwen3-8b:free در OpenRouter پاسخی مبتنی بر همان زمینه تولید میکند. پاسخ خارج از اطلاعات بازیابیشده، با اعلام نبود اطلاعات ارائه میشود.
این گردشکار با استفاده از چند عامل Mistral، مناظره چندمرحلهای ایجاد میکند و بر اساس نتایج آن، خلاصه و نسخه بازنویسیشده متن را تولید میکند.
n8nاین ورکفلو یک ابزار MCP برای عاملهای هوش مصنوعی فراهم میکند تا با ارسال نشانی تصویر، وجود محتوای برهنه را از طریق API بررسی کنند.
n8nاین ورکفلو API جابهجایی O2 را به سرور MCP تبدیل میکند تا عاملهای هوش مصنوعی بتوانند اطلاعات برنامه و مسیرهای جابهجایی را دریافت کنند.
n8n