Qdrant и n8n: RAG-поиск по базе знаний с фильтрами и версионированием ¶

Обновлено: 2026-05-30

Проблема: RAG-боты часто отвечают уверенно, но не тем документом: чанки без метаданных, устаревшие версии остаются в индексе, фильтры по продукту не работают, а score threshold не настроен. Пользователь получает “умный” ответ без проверяемого источника.

Решение: проектируем Qdrant как контролируемый retrieval-слой: коллекция с размерностью embedding-модели, payload metadata, doc_version, фильтры по разделу/языку/статусу, порог релевантности и обязательные цитаты на найденные документы.

Проблема: почему RAG без metadata и фильтров даёт галлюцинации ¶

Векторная база сама по себе не гарантирует качество ответа. Если все документы лежат в одной коллекции без product, version, language и source_url, retrieval возвращает похожий, но не обязательно актуальный фрагмент. Особенно часто это ломается в FAQ-ботах, где старые инструкции конкурируют с новыми.

Вторая ошибка — не разделять ingestion и question answering. Индексация должна уметь обновлять документ по версии и удалять устаревшие чанки, а runtime workflow должен отказываться отвечать, если score ниже порога или источников недостаточно.

Архитектура Qdrant RAG workflow в n8n ¶

Для production RAG важно индексировать не только текст, но и правила доступа. Если база знаний содержит внутренние документы, фильтр по роли должен применяться до генерации ответа.

Контракт документа и metadata для Qdrant ¶

{
  "document_id": "faq-n8n-webhook-auth",
  "doc_version": "2026-05-30",
  "source_url": "https://example.ru/docs/webhook-auth",
  "language": "ru",
  "product": "n8n",
  "status": "published",
  "chunk_index": 3,
  "text": "Для проверки подписи webhook используйте HMAC SHA-256 и сравнивайте подпись constant-time способом."
}

Metadata нужна не для красоты: по ней Qdrant будет фильтровать устаревшие, черновые или нерелевантные документы до того, как модель начнёт писать ответ.

Code Node: chunk metadata, point id и filter policy ¶

const doc = $json.body ?? $json;
const text = String(doc.text ?? '').replace(/\s+/g, ' ').trim();
if (text.length < 200) throw new Error('Document text is too short for RAG indexing');
const chunkSize = Number($env.RAG_CHUNK_SIZE ?? 900);
const overlap = Number($env.RAG_CHUNK_OVERLAP ?? 120);
const chunks = [];
for (let start = 0, i = 0; start < text.length; start += chunkSize - overlap, i++) {
  const chunk = text.slice(start, start + chunkSize).trim();
  if (chunk.length < 120) continue;
  chunks.push({
    id: `${doc.document_id}:${doc.doc_version}:${i}`,
    text: chunk,
    payload: {
      document_id: doc.document_id,
      doc_version: doc.doc_version,
      source_url: doc.source_url,
      language: doc.language ?? 'ru',
      product: doc.product ?? 'general',
      status: doc.status ?? 'published',
      chunk_index: i
    }
  });
}
return chunks.map(c => ({ json: c }));

Готовый workflow JSON: скачать и импортировать ¶

Скачать готовый workflow JSON Скачать тестовый payload

{
  "name": "Nodbot - Qdrant RAG retrieval with metadata filters",
  "nodes": [
    {
      "name": "Webhook question/input",
      "type": "n8n-nodes-base.webhook",
      "purpose": "Принять вопрос или документ"
    },
    {
      "name": "Chunk or normalize query",
      "type": "n8n-nodes-base.code",
      "purpose": "Подготовить документ или вопрос"
    },
    {
      "name": "Create embedding",
      "type": "n8n-nodes-base.httpRequest",
      "purpose": "Получить embedding"
    },
    {
      "name": "Qdrant upsert/search",
      "type": "n8n-nodes-base.httpRequest",
      "purpose": "Записать или найти points"
    },
    {
      "name": "Validate sources",
      "type": "n8n-nodes-base.if",
      "purpose": "Проверить score и metadata"
    },
    {
      "name": "Respond with citations",
      "type": "n8n-nodes-base.respondToWebhook",
      "purpose": "Вернуть ответ с источниками"
    }
  ],
  "connections": "Webhook question/input → Chunk or normalize query → Create embedding → Qdrant upsert/search → Validate sources → Respond with citations"
}

Пошаговая настройка Qdrant collection, embeddings и retrieval ¶

1. Создайте Qdrant collection с размерностью вашей embedding-модели.
2. Опишите payload metadata: document_id, doc_version, source_url, language, product, status.
3. Импортируйте workflow JSON и настройте ingestion и search branches.
4. Добавьте filters для published-версий и нужного продукта.
5. Проверьте score threshold на реальных вопросах.

Тесты перед production ¶

curl -X POST "https://YOUR-N8N-DOMAIN/webhook/integration-qdrant-n8n" \
  -H "Content-Type: application/json" \
  --data @integration-qdrant-n8n-payload.json

1. Вопрос по актуальному документу должен вернуть правильный source_url.
2. Вопрос по устаревшей версии не должен использовать archived chunk.
3. Вопрос вне базы знаний должен дать отказ, а не фантазию.
4. Фильтр product/language должен ограничивать результаты.
5. Повторная индексация версии не должна плодить старые chunks.

Production-риски ¶

• Нет versioning. Старые инструкции конкурируют с новыми.
• Нет source_url. Ответ невозможно проверить.
• Одинаковая коллекция для публичных и внутренних данных. Можно раскрыть закрытый документ.
• Score threshold не протестирован. Бот отвечает по слабым совпадениям.
• Chunking слишком крупный. Retrieval цепляет лишний контекст и ухудшает точность.

Полезные ссылки и смежные материалы ¶

• Qdrant documentation
• n8n AI documentation
• Workflow: Qdrant RAG FAQ bot
• OpenAI и n8n
• OpenRouter и n8n

Критерии готовности ¶

1. Каждый chunk имеет source_url, doc_version и status.
2. Search применяет filters до генерации ответа.
3. Низкий score возвращает отказ или human review.
4. Индексация умеет заменять старые версии документа.
5. Ответ содержит источники, а не только сгенерированный текст.