Tutorial: Integração perfeita da base de conhecimento FastGPT no fluxo de trabalho n8n (com base no protocolo MCP)

Contexto: desafios da integração da n8n com a base de conhecimento do RAG

O n8n está ganhando força como uma poderosa ferramenta de fluxo de trabalho automatizado de código aberto. Fundada em 2019 por Jan Oberhauser, ex-designer visual de Piratas do Caribe, ela tem como objetivo fornecer uma solução de automação mais flexível e menos dispendiosa do que ferramentas como o Zapier. Com uma filosofia de ser "gratuito e sustentável, aberto e pragmático", o n8n está centrado na ideia de automatizar o fluxo de trabalho por meio de Visualização e código Modo duplo, permitindo que os usuários conectem diferentes aplicativos para automatizar processos complexos (documentação oficial: https://docs.n8n.io/). Uma vez que os usuários estejam familiarizados com ele, a criação de fluxos de trabalho simples geralmente é bastante rápida, e ele suporta a publicação de fluxos de trabalho com um clique na rede pública, o que proporciona grande conveniência.

A n8n é frequentemente descrita como o "Lego da automação", enfatizando sua flexibilidade e capacidade de combinação.

No entanto, no contexto da crescente popularidade dos aplicativos de IA, surgiu uma necessidade comum: como integrar eficientemente as bases de conhecimento RAG (Retrieval-Augmented Generation) no n8n? O RAG é uma tecnologia que combina recuperação de informações e geração de texto, permitindo que grandes modelos de linguagem façam referência a bases de conhecimento externas ao responder perguntas, fornecendo assim respostas mais precisas e contextualizadas. O RAG é uma tecnologia que combina recuperação de informações e geração de texto para permitir que grandes modelos de linguagem façam referência a uma base de conhecimento externa ao responder perguntas, fornecendo assim respostas mais precisas e contextualizadas.

Crie diretamente no n8n RAG As bases de conhecimento têm se mostrado um processo relativamente complexo. Normalmente, exige que os desenvolvedores criem manualmente dois fluxos de trabalho separados: um para lidar com uploads de arquivos, vetorização e armazenamento em um banco de dados e outro para implementar interações de perguntas e respostas baseadas em RAG.

Exemplo: fluxo de trabalho de upload de arquivo à esquerda, fluxo de trabalho de perguntas e respostas do RAG à direita.
 

Mesmo que tenha sido criada com sucesso, essa solução nativa pode ser insatisfatória em termos de experiência. Isso nos levou a pensar: é possível conectar soluções externas de bases de conhecimento maduras, como o popular FastGPT, ao n8n?

Solução: Aproveitamento dos protocolos FastGPT e MCP

O FastGPT é uma plataforma de aplicativos LLM de código aberto altamente aclamada, especialmente conhecida por seus poderosos recursos RAG e pela facilidade de uso. Uma atualização recente do FastGPT (siga seu GitHub: https://github.com/labring/FastGPT) traz um recurso interessante: suporte para MCP (Meta Component Protocol).

MCP Projetado para resolver o problema de interoperabilidade entre diferentes aplicativos e serviços de IA, o FastGPT pode ser entendido como um protocolo de "soquete universal" que não apenas oferece suporte ao acesso a outros serviços como um cliente MCP, mas também serve como um servidor MCP, expondo seus recursos (por exemplo, base de conhecimento) a outras plataformas compatíveis com MCP.

Coincidentemente, o n8n recentemente passou a suportar oficialmente o protocolo MCP. Isso significa que é possível publicar os recursos da base de conhecimento do FastGPT por meio do MCP e acessá-los diretamente como uma "ferramenta" na n8n. Essa solução provou ser totalmente viável e o processo de interface é bastante tranquilo. Usando a implementação madura do RAG do FastGPT, os resultados de perguntas e respostas da base de conhecimento integrada geralmente são muito bons.

Todo o processo de operação pode ser resumido nas etapas a seguir:

1. Implante o ambiente n8n (local ou servidor).
2. Implante ou atualize o FastGPT para uma versão compatível com o MCP.
3. Crie e configure o servidor MCP no FastGPT para fornecer serviços externamente.
4. Acesse esse FastGPT MCP-Server em um fluxo de trabalho n8n.

Implantação ou atualização do FastGPT

O FastGPT oferece suporte ao MCP desde a versão v4.9.6 e é recomendável usar a versão estável mais recente (v4.9.7-fix2 no momento em que este artigo foi escrito). Aqui está a introdução ao uso do docker-compose Uma maneira de implementar ou atualizar (requer um ambiente Docker pré-instalado).

Os dois documentos a seguir precisam ser preparados:

1. FastGPT Mais recente docker-compose.yml Documentação.
2. FastGPT Mais recente config.json Documentação.

Ambos os arquivos podem ser obtidos no repositório GitHub do FastGPT:

• docker-compose-pgvector.yml: https://github.com/labring/FastGPT/blob/main/deploy/docker/docker-compose-pgvector.yml
• config.json: https://raw.githubusercontent.com/labring/FastGPT/refs/heads/main/projects/app/data/config.json

Observação: se você não tiver acesso direto ao GitHub, pode tentar encontrar outra maneira de obtê-lo ou usar uma fonte espelho doméstica.

As etapas a seguir se aplicam a novas implementações e upgrades:

• Se estiver fazendo uma atualização, não se esqueça de fazer o backup da versão antiga primeiro! docker-compose.yml e volumes de dados associados.
• Os dados mais recentes disponíveis serão obtidos docker-compose.yml responder cantando config.json Os arquivos são colocados no mesmo diretório.

existir config.json No documento, é necessário dar atenção especial a mcp.server.host Item de configuração.

• Se o FastGPT e o n8n forem implantados em um ambiente Docker local, você poderá definir o parâmetro mcp.server.host é definido como o endereço IP local da máquina, e a porta geralmente é fixada em 3005.
• Se implantado em um servidor em nuvem, ele deve ser definido como o endereço IP ou o nome de domínio da extranet do servidor.

Depois de confirmar que a configuração está correta, abra um terminal ou uma linha de comando no diretório do arquivo e execute o seguinte comando:

docker-compose up -d

Quando você vir uma saída de log semelhante à figura a seguir e os contêineres estiverem todos funcionando normalmente, isso significa que a implementação ou o upgrade foi bem-sucedido.

Dica: Se você tiver problemas para extrair imagens do Docker, tente modificar o parâmetro docker-compose.yml substitua o endereço do espelho oficial pelo endereço do repositório de espelho doméstico (por exemplo, espelho do AliCloud).

Criação de um serviço MCP no FastGPT

Depois de implantar ou atualizar o FastGPT com êxito, acesse a interface da Web do FastGPT por meio de um navegador (o padrão é http://127.0.0.1:3000).

Navegue até Workbench -> Serviço MCP -> Novo serviçoO servidor MCP pode ser criado aqui para expor seus recursos ao mundo externo. Aqui você pode criar servidores MCP que expõem seus recursos para o mundo externo.

Depois de criar o serviço, clique em gerencialVocê pode ver que é possível adicionar ferramentas a esse serviço MCP. Essas ferramentas podem ser aplicativos como Bot, Workflow, etc., criados no FastGPT.

Há um problema importante aqui: parece que não é possível adicionar diretamente a "base de conhecimento" criada no FastGPT ao serviço MCP como uma ferramenta autônoma por si só. Se um Bot com acesso a uma Base de Conhecimento for adicionado ao serviço MCP como uma ferramenta, o lado n8n, quando chamado pelo MCP, poderá obter o conteúdo processado (por exemplo, resumido, reescrito) pelo grande modelo dentro do Bot, em vez do fragmento original recuperado da Base de Conhecimento. Isso pode não ser o esperado, especialmente em cenários em que o texto original precisa ser citado com precisão.

Uma solução inteligente é usar a função fluxo de trabalho Função. Um fluxo de trabalho simples pode ser criado no FastGPT, cuja função principal é realizar pesquisas na base de conhecimento e especificar formatos de resposta conforme necessário.

As etapas específicas são as seguintes:

1. Crie um novo fluxo de trabalho no FastGPT.
2. Adicionando apenas Pesquisa na base de conhecimento nós e Resposta designada (ou outros nós lógicos, conforme necessário).
3. configurar Pesquisa na base de conhecimento selecione a base de conhecimento de destino e defina os parâmetros relevantes (por exemplo, relevância mínima, número máximo de citações etc.).
4. configurar Resposta designada que decide como emitir os resultados da recuperação (por exemplo, emitir diretamente o bloco de texto original).
5. Clique no canto superior direito da tela Salvar e publicar.

IMPORTANTE: recomenda-se que o nome do fluxo de trabalho esteja em inglês e não se esqueça de preencher a descrição do aplicativo. Essas informações são exibidas no n8n e ajudam a identificar a ferramenta.

Após concluir a criação e a publicação do fluxo de trabalho, volte para a seção Serviços MCP Interface de gerenciamento.

1. Crie um novo serviço MCP (ou edite um já existente).
2. Adicione o fluxo de trabalho que você acabou de criar e que contém a pesquisa na base de dados de conhecimento como uma ferramenta nesse serviço.

Quando terminar de adicionar, clique em começar a usar.

Na janela pop-up, localize o SSE copie o endereço fornecido. Esse endereço é o ponto de acesso para o FastGPT MCP-Server que você acabou de criar.

Acesso aos serviços FastGPT MCP no n8n

Agora, mude para a tela de edição do fluxo de trabalho do n8n.

1. Selecione um nó adequado, por exemplo Agente de IA em seus nós Ferramenta Seção Configuration (Configuração), clique no sinal de mais +.
2. Pesquise e adicione o oficialmente fornecido Ferramenta de cliente MCP Nós.

3. existir Ferramenta de cliente MCP na tela de configuração do
   • Cole o endereço SSE que você copiou anteriormente do FastGPT no arquivo URL do servidor Campos.
   • Você pode definir um nome descritivo para o nó da ferramenta (por exemplo FastGPT Knowledge Base via MCP) para facilitar a chamada no Agente.

Depois de configurado, você pode testá-lo na caixa de diálogo Chat do n8n (ou em outros acionadores). Faça uma pergunta que exija uma chamada para a base de conhecimento. Se a configuração estiver correta, você poderá ver que o n8n invoca com êxito o serviço FastGPT MCP e obtém as informações relevantes da base de conhecimento do FastGPT como base para a resposta.

Conforme mencionado anteriormente, a base de conhecimento RAG do FastGPT é geralmente considerada bastante eficaz em plataformas de aplicativos LLM leves.

Além disso, você pode ver que o nome e o conjunto de introdução do fluxo de trabalho no FastGPT são exibidos como informações da ferramenta no lado n8n para ajudar o Agente a entender e escolher qual ferramenta usar.

Expansão de ideias e acesso alternativo

Acessar a base de conhecimento FastGPT (encapsulada em um fluxo de trabalho) para n8n via MCP é uma abordagem eficiente e flexível. Com base nisso, ela também pode ser ampliada:

• Configuração do FastGPT plug-in (componente de software) talvez Bot com base de conhecimento é empacotado como um serviço MCP para o mundo externo.
• Usando a função API O FastGPT permite publicar o aplicativo criado (por exemplo, um bot com uma base de conhecimento) como uma interface compatível com o formato da API OpenAI.

Essa abordagem de API também pode ser usada para acessar a base de conhecimento FastGPT no n8n:

1. Em n8n's Agente de IA (ou qualquer outro nó que precise chamar o LLM), adicione um novo nó Modelo de bate-papo.
2. opção Modelo de bate-papo compatível com OpenAI Tipo.
3. Credenciais de configuração:
   • Base URL Preencha o endereço de API fornecido pelo FastGPT.
   • API Key Preencha a chave de API correspondente ao aplicativo FastGPT.

4. Model Name Ele pode ser preenchido arbitrariamente, e o modelo real em vigor será o configurado no FastGPT Bot.

Dessa forma, o n8n envia a solicitação para o endpoint da API do FastGPT, que o FastGPT processa e retorna o resultado. Isso é equivalente a chamar o Bot do FastGPT (e sua base de conhecimento) como um serviço de modelo grande externo.

Compare as abordagens do MCP e da API:

• Método MCP::
  • Prós: mais alinhado com a noção de "ferramentas" da n8n, pode ser usado em combinação com outras ferramentas no Agent, mais nativo; metadados potencialmente mais ricos (por exemplo, descrições de ferramentas).
  • Contras: Relativamente mais etapas para configurar (criar fluxo de trabalho, configurar serviços MCP).
• Método API::
  • Prós: relativamente fácil de configurar, basta obter o endereço e a chave da API; simples para cenários em que o FastGPT é usado como um único mecanismo de Q&A.
  • Desvantagens: no n8n, ele se comporta como uma chamada para um modelo externo em vez de uma "ferramenta" combinável; a configuração do modelo (por exemplo, temperatura, max_tokens etc.) pode precisar ser coordenada no lado do n8n e no lado do FastGPT.

Os desenvolvedores podem escolher o método de integração apropriado com base em necessidades e preferências específicas.

Publicação e aplicativos

Independentemente de como a base de conhecimento do FastGPT esteja integrada, é fácil publicá-la para uso externo quando você tiver concluído a depuração do fluxo de trabalho do n8n.

Por exemplo, usando o Mensagem de bate-papo Quando usado como um nó de acionamento:

1. clique duas vezes Mensagem de bate-papo Nós.
   
2. abre Tornar o bate-papo disponível publicamente Opções.
   
3. O sistema gera um link de URL público do Chat, que você pode copiar para compartilhar.
4. Não se esqueça. Salvar Além disso Ativar Fluxo de trabalho.

Essa página de bate-papo público pode até ser acessada e usada no navegador de um dispositivo móvel.

Vale a pena mencionar que essa página de bate-papo público fornecida pela n8n também suporta muitas personalizações, como a definição de acesso por senha, permitindo que os usuários façam upload de arquivos, etc.

Isso torna o n8n ideal para a criação rápida de protótipos de produtos MVP (Minimum Viable Product) ou para a criação de fluxos de trabalho de IA que aumentam a eficiência para indivíduos e equipes.

além de Mensagem de bate-papo Muitos dos outros nós de acionamento da n8n (por exemplo, Webhook) também suportam a publicação para acesso à extranet, proporcionando um grau de liberdade extremamente alto. Se a n8n for implantada localmente, o acesso à extranet pode ser obtido por meio de técnicas como a penetração na intranet.

Considerações finais: a proposta de valor da n8n

Uma pergunta comum ao discutir esses tipos de ferramentas de automação com pouco ou nenhum código é: por que não implementá-las em código? Para os desenvolvedores familiarizados com programação, o uso de código parece mais simples e controlável.

É verdade que ferramentas como a n8n têm uma curva de aprendizado, e pode levar algum tempo para começar. No entanto, uma vez dominada, a eficiência da criação e da iteração de fluxos de trabalho geralmente excede em muito a do desenvolvimento de código tradicional, especialmente em cenários que envolvem a integração de várias APIs e serviços. O sólido ecossistema de nós e o suporte da comunidade da n8n podem atender a uma ampla gama de necessidades de automação, das mais simples às mais complexas, e permitir que as ideias saiam do papel rapidamente.

É claro que, para projetos de nível empresarial que exigem um alto grau de personalização, desempenho extremo ou envolvem lógica subjacente complexa, o desenvolvimento de código puro ainda é necessário. Mas, para um grande número de cenários de automação, criação de ferramentas internas, prototipagem rápida e outras necessidades, o n8n e suas ferramentas semelhantes oferecem uma opção muito eficiente e flexível. A integração de excelentes aplicativos de IA, como o FastGPT, por meio de protocolos como o MCP, amplia ainda mais os limites dos recursos do n8n.