[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"site-settings":3,"workflow-rag-chatbot-google-docs-supabase-togetherai-openrouter-1078":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},1102,"rag-chatbot-google-docs-supabase-togetherai-openrouter-1078","چت‌بات RAG با Google Docs، Supabase و OpenRouter","این گردش‌کار محتوای Google Docs را در Supabase به‌صورت embedding ذخیره می‌کند و با بازیابی بخش‌های مرتبط، پاسخ‌های مبتنی بر زمینه تولید می‌کند.","ai-agents","ایجنت‌های هوش مصنوعی","n8n","https:\u002F\u002Faidock.ir\u002Fmedia\u002Fworkflow_types\u002Fimage.png",0,"","🧠 این گردش‌کار یک چت‌بات مبتنی بر **RAG** در n8n ایجاد می‌کند.\n\n📄 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.\n\n💬 هنگام دریافت پیام، متن کاربر نیز embedding می‌شود و با استفاده از تابع `matchembeddings1`، پنج بخش مشابه از Supabase بازیابی می‌گردد.\n\n🤖 بخش‌های بازیابی‌شده همراه با پرسش کاربر به زنجیره زبانی ارسال می‌شوند و مدل `qwen\u002Fqwen3-8b:free` در OpenRouter پاسخی مبتنی بر همان زمینه تولید می‌کند. پاسخ خارج از اطلاعات بازیابی‌شده، با اعلام نبود اطلاعات ارائه می‌شود.","login",false,null]