Экстракт Знаний

Этот RAG Агент Знает Все Твои Мысли...

17:34

Этот RAG Агент Знает Все Твои Мысли...

ИИшенка | AI Automation 28.12.2025 8 002 просмотров 356 лайков обн. 18.02.2026

Смотреть на YouTube

Поделиться Telegram VK Бот

Транскрипт Скачать .md

Анализ с AI

Описание видео

🚀 Вступить в Pro-сообщество тут (там даже есть усложнённая версия этой автоматизация, которая держит вашу векторную базу в актуальном состоянии): https://t.me/iishenka_pro_bot ⚒️ Узнать больше про сообщество: https://iishenka.pro/group 🤩 Узнать больше про N8N Мастер-Класс: https://iishenka.pro/n8n-masterclass ⭐️ Бесплатные материалы из моих видео тут: https://t.me/+W1SnvvkcV6A3NWMy В этом видео я расскажу, как построить своего персонального RAG-Агента, который синхронизирован с твоими мыслями из Obsidian. Что особенного в этом видео? Мы не только посмотрим, что такое RAG и как он работает, но и векторизуем мысли из Obsidian прямо через N8N! 🔥 Независимо от того, работаете ли вы с AI-агентами или только начинаете осваивать автоматизации в n8n, этот урок поможет вам овладеть процессом настройки ИИ для любых задач. ⏱ Таймкоды 00:00 – Вступление: векторизация, RAG 00:42 – Идея персонального RAG на базе Obsidian 01:38 – Что понадобится: n8n + Obsidian 02:17 – Чтение заметок Obsidian в n8n 03:52 – Доступ к файлам и структура хранилища Obsidian 04:46 – Извлечение текста из файлов 05:04 – База: как работает векторизация и RAG 05:59 – Supabase как векторная база данных 07:22 – Загрузка заметок в Supabase Vector Store 08:47 – Эмбединги OpenAI и метаданные файлов 10:30 – Проверка векторизации и данных в базе 11:03 – Где взять готовые автоматизации (Telegram) 11:51 – Chat Trigger и AI Agent в n8n 12:20 – Связка агента с Vector Store (retrieval) 14:08 – Тест: диалог с агентом на основе заметок 14:58 – Продвинутая версия: автообновление заметок 16:34 – Поиск мыслей и файлов через агента 17:05 – Итоги, возможности и завершение видео 💡 Не забудьте поставить лайк и подписаться, чтобы не пропустить новые уроки по n8n и AI-агентам. Давайте сделаем AI-автоматизации простыми! 🙌 Я — Илья Бовкунов, основатель и СЕО Sendforsign — это компания, занимающаяся AI-автоматизацией договоров и документооборота. В прошлом был Директором по продукту и продуктовому дизайну в международных AI-стартапах. Позвать в подкаст или предложить другое сотрудничество aiiszdes@gmail.com Не забудьте поставить лайк, подписаться и нажать на колокольчик, чтобы не пропустить новые видео об AI-агентах и автоматизациях!

Оглавление (18 сегментов)

0:00 Вступление: векторизация, RAG 108 сл.
0:42 Идея персонального RAG на базе Obsidian 129 сл.
1:38 Что понадобится: n8n + Obsidian 109 сл.
2:17 Чтение заметок Obsidian в n8n 244 сл.
3:52 Доступ к файлам и структура хранилища Obsidian 151 сл.
4:46 Извлечение текста из файлов 40 сл.
5:04 База: как работает векторизация и RAG 126 сл.
5:59 Supabase как векторная база данных 208 сл.
7:22 Загрузка заметок в Supabase Vector Store 221 сл.
8:47 Эмбединги OpenAI и метаданные файлов 313 сл.
10:30 Проверка векторизации и данных в базе 96 сл.
11:03 Где взять готовые автоматизации (Telegram) 128 сл.
11:51 Chat Trigger и AI Agent в n8n 76 сл.
12:20 Связка агента с Vector Store (retrieval) 289 сл.
14:08 Тест: диалог с агентом на основе заметок 136 сл.
14:58 Продвинутая версия: автообновление заметок 256 сл.
16:34 Поиск мыслей и файлов через агента 76 сл.
17:05 Итоги, возможности и завершение видео 69 сл.

Вступление: векторизация, RAG

Друзья, всем привет. Тема викторизации и тема рага - это, наверное, топик, который мы с вами уже обсуждали на этом канале бесчисленное количество раз. Например, вот мы с вами обсуждали, как с помощью средств от Google можно сделать свой рак быстрым и простым. Либо вот мы с вами в двух сериях обсуждали, каким образом развернуть локально doклинг и остальные сервисы для того, чтобы парсить ваши документы и потом их викторизовать. А вот мы, например, с вами обсуждали, каким образом векторизуются документы вместе с картинками, графиками вместе. И всё это, надо сказать, довольно интересно. Это очень популярные видео у нас на канале. Но недавно я поднял тему Обсидиан в

Идея персонального RAG на базе Obsidian

одном из предыдущих видео и осознал, что мы с вами, наверное, ни разу не проговорили метод, с помощью которого вы можете построить свой персональный раг, который работает только на вас, доступен только вам, работает только с вашими конкретными мыслями и невероятно полезен конкретно для вас. И всё это, конечно же, можно сделать конкретно на ваших автоматизациях, на основе вашего Obsidian, который будет работать вместе с NCMN. И всё это вместе будет викторизоваться, и агент будет отражать конкретно ваши мысли на основе ваших же заметок, которые вы храните в своей системе записей. Это мегатоповая штука, я вам обещаю. Но у меня есть базовые условия для вас. Вы обязательно должны поставить лайк этому видео, подписаться там внизу и оставить какой-то коммент для того, чтобы это видео посмотрело большее количество людей. Погнали

Что понадобится: n8n + Obsidian

строить автоматизацию. Нам с вами понадобятся две базовых вещи. Это наш NV CM и это наш обсидиан, в котором мы храним наши знания, наши заметки. И к концу этого видео эти заметки превратятся в долговременную память нашего агента. И мы будем с ним говорить как собственным компаньоном, собственным собеседником. Ну, не просто ради того, чтобы поговорить с умным человеком, а потому что заметки через какое-то время они приобретают огромные объёмы, и это прекраснейший способ проводить анализ этих заметок, искать паттерны, взаимосвязи и, в принципе, быстро принимать решения на основе того, о чём мы уже думали в прошлом. Идём в наш NVM и создаём новый WFlow. Мы с вами уже

Чтение заметок Obsidian в n8n

поднимали тему Obsсиan в одном из предыдущих видео, поэтому вот оно. Обязательно кликните на эту ссылку, посмотрите то видео, там будет какая-то база. Но мы здесь начнём с самого начала, поэтому я добавлю себе мануальный триггер. Я так и вбиваю в поиске мануальный триггер. И хочу сразу же добавить ноду, которая умеет читать и записывать файлы с моего диска. Мы её в прошлый раз уже использовали. Это прекрасная стартовая точка, чтобы забрать знания из нашего Обсидиан. Кстати, почему так полезно вставлять комментарии под YouTube видео? Потому что я почитал какие-то комментарии под предыдущим видео и увидел, что у большинства людей возникла проблема как раз с этим полем. Каким образом дать NV CM доступ к нашему Obsidian? Для этого обязательно посмотрите вот это видео. Мы с вами уже обсуждали, каким образом разворачивается NvCN локально на вашем компьютере. То есть базовое правило, ваш обсидиан, он должен быть там же, где ваш NCMN. Это не значит, что, ну, чисто физически вы должны запустить всё на одном компьютере. Но это значит, что если ваш NVC где-то далеко на далёком сервере, ваша задача организовать синхронизацию файлов Obsidian между вашим компьютером и удалённым сервером для того, чтобы к заметкам Obsidian ваш NOSMN всегда мог получить доступ. В моём кейсе я делаю самый бронебойный вариант. Мой NV8N развёрнут на моём компьютере и обсидиан тоже развёрнут на этом компьютере. Так что смотрите видео, там как раз про это есть. Дальше наша задача- прописать путь, по которому хранятся наши файлы в Обsдиan. Но

Доступ к файлам и структура хранилища Obsidian

предварительно вы, конечно же, должны дать доступ к этой папке для NVCN, потому что это сделано ради безопасности. NVCN не может иметь доступ вообще к любой папке. Конкретная папка, к которой вы дали доступ и в которой же хранятся ваши заметки из Obsidian. В моём случае это Home, Node, N8N файлы, RAG. И дальше я просто пропишу селектор звёздочка точказвёздочка для того, чтобы все файлы, которые там хранятся, попадали в N8. Если я открою свой файловый менеджер, вот я вижу эту папку и вижу в ней как раз большое количество записей, которые я сейчас получу себе в NVN. Я нажимаю Execute. Давайте перейдём в табличный вид. И видим, как мои 22 файла, именно вот те самые 22 файла попали мне в N8N. Прекрасно. Давайте на этом не будем подробно останавливаться. Мы сразу же захотим забрать контент этих файлов, ровно как мы делали и в прошлый раз. Мы добавляем ноду extract from

Извлечение текста из файлов

file. Видим здесь опцию из текстового файла. Будем забирать данные. Нажимаем выполнить. И вот они все мои мысли из папочки Obsidian. И теперь начинается самое весёлое. Мы хотим это векторизовать. Мы хотим это превратить в долговременную память нашего агента. Что

База: как работает векторизация и RAG

нам нужно знать про векторизацию? Если вы давно подписаны на наш канал, то вы наверняка знаете все основы. Если вы только постигаете тему векторизаций, то вы должны знать, что векторизуются текстовые файлы. Если это файлы большие, то они чаще всего разбиваются на какие-то кусочки. Эти размеры этих кусочков вы задаёте сами. Это может быть 300-400.000 символов. Дальше с этими кусочками происходят базовые две вещи. Они сначала векторизуются, то есть прогоняются через специальные модели для эмбедингов, и, соответственно, ваш текст превращается в вектор. А дальше этот вектор сохраняется в базу знаний, но не простую, а векторную. Как вы можете понимать, методов и моделей для векторизации огромное количество, ровно как и разных видов баз знаний для векторизации. Мы на этом канале исторически пользуемся Superbase. Superabase, по сути, это

Supabase как векторная база данных

реляционная обычная база знаний. к которой можно накатить расширение векторное для того, чтобы хранить там наши векторы. Если вы никогда не разворачивали себе векторную базу знаний, сходите вот на это видео. Мы там это делали пошагово, подробно. И в принципе это всегда нас приводит к тому, что из нашего NVCN мы всегда можем достучаться до всех наших векторизованных данных и сохранить их и достать их обратно. Когда у нас наша база готова, мы должны понимать, что после этого человек спрашивает какой-то вопрос, и этот вопрос тоже векторизуется. Он векторизуется для того, чтобы могла произойти так называемая функция similarity search, то есть поиск подобия в вашей векторной базе и вашего вектора, который получается из того, что вы спросили. Из этой базы достаются обычно четыре-шесть так называемых чанка, то есть самых подобных вектора к вектору, который получился из вашего вопроса. И эти четыре-шесть чанков становятся так называемым контекстом для вашего агента. И агент может отвечать на основе контекста, который получил из базы. А раз в этой базе хранится контекст, который создан на основе наших мыслей, соответственно, агент будет отвечать нам на основе наших мыслей и станет для нас очень хорошим собеседником. Теперь, когда мы знаем базу, давайте же векторизуем мысли, которые мы достали на предыдущем этапе. Я нажимаю плюсик и

Загрузка заметок в Supabase Vector Store

говорю. Здесь есть специальная нода. Я нажимаю плюсик и ищу Superbase. Есть здесь есть отдельные ноды для Superabase, а есть Superbase Vector Store. Нам нужна эта нода. И сейчас мы будем с вами добавлять документы в Veктор Store. Нажимаем эту опцию. Так как вы уже развернулись Superabase, у вас уже должна быть прокинута ваша структура кредлы для коннекта к этой базе. И в этой базе уже должна быть создана таблица, векторная таблица, в которую мы будем записывать наши векторизованные данные. Вот я только что создал себе таблицу. Она называется documents 4. И она состоит всего лишь из нескольких столбцов. Это ID, это сам контент, то есть непосредственно текст нашего чанка. это метаданные, то есть дополнительные данные, которые могут быть использованы для более точного поиска, имбединги, то есть это сами векторы, которые соответствуют нашим данным. Поэтому я возвращаюсь в NCM, ищу конкретную таблицу документа и обязательно добавляю опцию. Нажимаю вот сюда. Дело в том, что когда мы создаём векторную таблицу, мы ещё при этом создаём к ней и функцию поиска. Именно поэтому, когда мы используем таблицу для записи в неё векторных данных или для чтения, мы должны всегда указывать релевантную соответствующую функцию поиска, которая будет извлекать конкретные данные. Она у нас называется Match Documents 4. Это ещё не всё. Наша база почти готова. Мы можем нажать вот этот плюсик здесь нажать бебединги.

Эмбединги OpenAI и метаданные файлов

Давайте добавим наши привычные эмбединги от Open AI. Как видите, здесь есть модель для имбедингов, то есть для векторизации наших мыслей. Добавили. Оставим её как есть. А дальше здесь есть специальная ветка, называется документы. Давайте её нажмём. И здесь есть такое понятие, как даталоader, то есть схема загрузки наших данных в нашу базу. Здесь мы можем указать какие-то конкретные вещи, которые мы хотим загружать либо не хотим загружать. Я предлагаю здесь всё оставить по умолчанию. То есть всё, что приходит на вход, а так как у нас на вход приходит только поле дата с нашими мыслями, всё ставим как есть. Но единственное, мы же хотим добавить методанные для того, чтобы наша модель всегда понимала, из какого конкретно файла она берёт те или иные данные. Я нажимаю кнопочку добавить опции, нажимаю метданные, нажимаю Add Property. Я бы хотел, чтобы наша автоматизация добавляла к каждому чанку такое поле, как файл name. Я хочу, чтобы сюда попадало не только название файла, а полный путь к этому файлу. То есть, если здесь я выберу режим схема и посмотрю в какой-нибудь предыдущей ноде, где же наши файлы, да, их имена и пути. Я вижу, что в одной из предыдущих нот а у нас есть такое поле, как файл namee. Если я его добавлю сюда, я вижу, что у меня в метаданные добавится файл name и компаньон. Но мне это не очень нравится, потому что я бы хотел, чтобы у меня был полный путь до этого файла. В нашей простой автоматизации у нас все файлы лежат в одной папке, поэтому я могу вот просто, вообще говоря, вот этот путь забрать. вставить в наш datader прямо в самое начало и проследить, что итоговый вариант прямо меня устраивает, да, это Home, note, N8N файлы, raг. Это, то есть, полный путь на нашем диске до этого файла. На самом деле это всё, что нам требуется для векторизации нашего обсидиана. Давайте попробуем запустить

Проверка векторизации и данных в базе

эту всю историю и посмотреть, как она начинает векторизовать все наши 22 файла. Давайте перейдём в нашу базу. Мы видим, как наши все записи появились. И если мы здесь сейчас нажмём поле методданный, проскролим вниз, мы видим, что здесь добавлен файл name, указан путь до конкретного файла, из которого был извлечён именно этот контент. Ну а справа те самые эмбединги, векторы, про которые мы говорили в самом начале. А теперь я бы хотел, чтобы у меня появился мой собеседник и мой компаньон, с которым бы я мог обсуждать мои мысли. Кстати, друзья, если вы переживаете про

Где взять готовые автоматизации (Telegram)

эти автоматизации, то автоматизации, которые мы создаём в YouTube видео, я прямо в конце каждого видео скачиваю как файл и загружаю свою бесплатную Telegram-группу. Ссылка на неё всегда в описании. Вы заходите в эту Telegram-группу, ищете релевантное видео, которое вас устраивает или которое вам интересно, и под этим видео всегда видите файл JSON. Вы его скачиваете, возвращаетесь в ваш CM, нажимаете те же самые три кнопочки и нажимаете кнопку Import from file. Указываете ваш JSONфайл, и вся вот эта автоматизация оказывается у вас в NVM, и вы можете продолжать с ней экспериментировать. При этом мы ещё часто строим усложнённые версии Prodдаction Ready версии автоматизации. Вот они всегда лежат в прогруппе. Ссылка на неё тоже будет в описании. Теперь я хочу добавить такую ноду, которая называется chatчатриг. Эта нода

Chat Trigger и AI Agent в n8n

позволяет отправлять сообщения внутри N8N и вкидывать их в автоматизации. И к этому чат-триггеру я добавлю такую ноду, которая называется AI agent. AI agent он заточен на то, чтобы принимать как раз сообщения из чата. Здесь все настройки стоят уже ровно для этого. Этого агента можно оставить как есть, но я ему задам специальный системный промт. Здесь написано: "Ты ассистент". Я ему ещё добавлю такое системное сообщение. всегда используй veктор Store инструмент, чтобы отвечать на мои

Связка агента с Vector Store (retrieval)

вопросы. Если вы хотите, чтобы он прямо всегда базировал свои ответы только на этом контексте, который он получает из векторной базы данных, я ему напишу: "Отвечай только основываясь на контексте, который ты получаешь из инструмента". То есть мы ему сейчас добавим инструмент, который называется Vector Store. И мы его попросили отвечать только на основе контекста, которые он будет получать из этого инструмента. Отлично. Давайте же добавим ему этот инструмент. Нажимаем на этот плюсик. Опять ищем Supase. Здесь есть тот же самый ТO. Давайте выберем его. И обратите внимание, что ту-то тот же самый, но операция другая. Теперь мы ретривим. Теперь мы получаем данные из нашего векторного хранилища, которые мы сохранили до этого. Давайте его назовём Vector Store. То есть нам важно, чтобы агент понимал, что это именно та самая тула, инструмент, который мы говорили а нашему агенту. То есть так и скажем. В дескрипшене тоже укажем. Закрываем, равняем. Модель для имбедингов будет та же самая. Помните, мы с вами говорили, что модель для имбендингов нужна как для векторизации самих данных, так и для последующего поиска, для того, чтобы векторизовать наши вопросы и проводить поиск соответствия. Поэтому указываем её тоже надо ещё указать саму модель. То есть это уже другая модель. Это модель, которая используется именно для коммуникации с нами, а не для коммуникации с нашим вектором-хранилищем. Здесь мы укажем обычную модель от Open AI. И вектор Story нужно дозадать специальные настройки. Во-первых, мы обязаны указать ту же самую таблицу, которую мы использовали для записи наших бедингов. А в опциях мы должны будем добавить quy name, то есть это будет тот же самый query name для того, чтобы мы могли работать с этой таблицей. Так, после этого обязательно всё равняем, делаем аккуратным и давайте пробовать коммуницировать. Я нажимаю на кнопку

Тест: диалог с агентом на основе заметок

Open Chat. Давайте что-нибудь спросим из мыслей, которые были у меня в обсидиане. Что ты думаешь про образование будущего? Давайте отправим запрос и посмотрим. Будет ли использоваться наш Vector Store? Да, он использовался. И смотрите на его ответ. Образование будущего будет сильно изменено за счёт использования персональных и тюторов и учителей, что позволит кастомизировать образовательные программы под каждого ребёнка. Я открываю свой обсидиан, нахожу ноду образования будущего. И здесь видно, что когда-то я записывал мысли про персональных и тюторов и кастомизацию программы под каждого ребёнка. И всевсевсе мои знания, которые я помещаю в обсидиан, теперь стали долговременной памятью моего агента. Я его могу теперь просить быстро находить те или иные файлы, спрашивать, в каком файле была та или иная информация, и это только начало, естественно. У нас есть ещё одна версия, сильно усложнённая этой же самой

Продвинутая версия: автообновление заметок

автоматизации, но которая сама контролирует новые появляющиеся заметки, удалённые заметки, изменённые заметки для того, чтобы в соответствии с ними обновлять вашу векторную базу знаний, для того, чтобы в ней информация была всегда строго релевантна и актуальна вашим знаниям, в вашем обсидиане. Это работает вообще как магия. Смотрите. Эта автоматизация умеет создавать отдельный CS-файл, который используется как база данных для отслеживания статуса ваших заметок. То есть, если вы открываете эту таблицу в этот ссв файл, вы можете увидеть, что он оттрекал все-всевсе файлы вне зависимости от вложенности. То есть он может проходить на любую глубину вашего обсидиана, если вы используете папки для хранения. Дальше он определяет, были ли изменения во всех файлах. И если были, то предпринимает соответствующие действия. Давайте я вам покажу. Давайте я для сложности внутри папочки Today а добавлю ещё одну папочку тест. И уже в этой папочке создам заметку, например, про сложный промт. Идеальный и поймёт намерение без сложных промтов. И так его и назову. Сложные промты. И давайте поредактирую ещё одну заметку про и компаньона и допишу здесь. И как быстро это произойдёт. То есть я добавил один файл и один файл изменил. Теперь моя автоматизация, которая может работать по любым триггерам. Сейчас по ручному триггеру. Мы видим, что она пробежала, она добавила один файл в базу, а один изменила. Это потому, что теперь, если мы посмотрим на наш файл, мы увидим, что один файл и компаньон был изменён, а ещё один файл, который называется сложные промты, был добавлен в нашу базу знаний Обсидиан. И теперь, если спрошу нашего агента что-то про

Поиск мыслей и файлов через агента

может ли и понимать мои намерения без сложных промтов, в каких заметках я говорил про это? Смотрим, как отрабатывает наш искусственный интеллект, идёт в нашу базу. Вы говорили о том, что идеальный и поймёт намерение без сложных промтов, и мы вернёмся к обычному человеческому общению. Я говорил про это в сложных промтах и в смерти промт инженеринга, что есть реальная правда. Друзья, как я и говорил в прошлом видео, вся эта история ограничена только вашей фантазией.

Итоги, возможности и завершение видео

Технические способности и знания для этого уже есть. Упрощённую модель автоматизации, которая уже может векторизовать ваш обсидиан и помочь вам общаться с вашими заметками, ищите в нашей бесплатной пройгруппе, ссылка в описании. Если вам нужна усложнённая версия, которая держит в актуальности, а, векторную базу данных и ваш обсидиан, то её забираете в прогруппе. Но на этом всё. С наступающим Новым годом и до скорых встреч уже в новом году.

Ещё от ИИшенка | AI Automation

Вайбкодим СУПЕР Сайт Для Твоего Бизнеса За Минуты с Gemini

ИИшенка | AI Automation | 21.12.2025 | 30 сегм. | 40 572

Твой N8N Никогда Не Будет Прежним с Gemini CLI

ИИшенка | AI Automation | 14.12.2025 | 25 сегм. | 38 476

Как Сделать RAG на Supabase 100% Бесплатно и Локально для ИИ Агента По Шагам (n8n, Ollama, Supabase)

ИИшенка | AI Automation | 10.06.2025 | 12 сегм. | 33 060

Используй Google Antigravity КРУЧЕ Чем 99% Людей (5 Способов)

ИИшенка | AI Automation | 22.01.2026 | 11 сегм. | 29 496

Скиллы Google Antigravity Это ЧИТЕРСТВО?

ИИшенка | AI Automation | 25.01.2026 | 23 сегм. | 23 207

Как Создать ИИ Ассистента с Данными Компании Без Кода Пошагово (n8n, Rag, Telegram)

ИИшенка | AI Automation | 30.04.2025 | 15 сегм. | 20 608

Ctrl+V

Экстракт Знаний в Telegram

Транскрипты, идеи, методички — всё самое полезное из лучших YouTube-каналов.

Подписаться