<!-- source: https://nodbot.ru/integrations/qdrant/; markdown: /llms/pages/generated/integrations-qdrant.md; type: IntegrationGuide -->
---
title: "Qdrant и n8n: RAG без галлюцинаций | Nodbot"
source_url: "https://nodbot.ru/integrations/qdrant/"
canonical_url: "https://nodbot.ru/integrations/qdrant/"
language: "ru"
content_type: "IntegrationGuide"
section: "integrations"
generated_at: "2026-05-30"
word_count_source: 935
---

## AI summary

Problem/Solution-гайд по Qdrant и n8n: как построить RAG-поиск по базе знаний с chunking, metadata filters, versioning, score threshold, контролем источников и безопасной выдачей ответа.

## Best used for

Страница нужна интеграторам и владельцам n8n, которые хотят внедрить связку без дублей, ручного хаоса и потери данных.

## Key topics

- Qdrant
- n8n RAG
- embeddings
- vector search
- metadata filters
- chunking
- score threshold
- source citations
- versioning

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

Обновлено: 2026-05-30

Импортируйте JSON в n8n, замените credentials, URL API, поля CRM/БД и лимиты под вашу инфраструктуру.

- Проблема и сценарии внедрения

- Архитектура интеграции

- Контракт данных

- Code Node и нормализация

- Готовый workflow JSON

- Пошаговая настройка

- Тесты перед production

- Production-риски

- Полезные ссылки

- Критерии готовности

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

| Блок | Задача | Production-проверка |

| --- | --- | --- |

| Ingestion trigger | получает документ из CMS, Git или Notion | document_id, version, status |

| Chunk and metadata | делит текст и добавляет payload | source_url, product, language, doc_version |

| Create embeddings | получает вектор для каждого чанка | одинаковая модель и размерность |

| Upsert to Qdrant | пишет points в collection | stable point_id, payload indexes |

| Search query | ищет top_k по вопросу | filters, score threshold |

| Answer with sources | формирует ответ только по найденным чанкам | цитаты, отказ при низкой уверенности |

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

```json
{
  "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

```javascript
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 }));
```

Начните с ручной оценки 30–50 типовых вопросов. Слишком высокий порог даст много отказов, слишком низкий — уверенные ответы по нерелевантным чанкам. Порог должен быть частью тестов, а не догадкой.


## Готовый workflow JSON: скачать и импортировать

Скачать готовый workflow JSON Скачать тестовый payload

```json
{
  "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

- Создайте Qdrant collection с размерностью вашей embedding-модели.

- Опишите payload metadata: document_id, doc_version, source_url, language, product, status.

- Импортируйте workflow JSON и настройте ingestion и search branches.

- Добавьте filters для published-версий и нужного продукта.

- Проверьте score threshold на реальных вопросах.


## Тесты перед production

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

- Вопрос по актуальному документу должен вернуть правильный source_url.

- Вопрос по устаревшей версии не должен использовать archived chunk.

- Вопрос вне базы знаний должен дать отказ, а не фантазию.

- Фильтр product/language должен ограничивать результаты.

- 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

- Каждый chunk имеет source_url, doc_version и status.

- Search применяет filters до генерации ответа.

- Низкий score возвращает отказ или human review.

- Индексация умеет заменять старые версии документа.

- Ответ содержит источники, а не только сгенерированный текст.

Nodbot спроектирует Qdrant + n8n: ingestion, chunking, metadata, filters, score threshold, citations и тесты качества retrieval.