用Milvus构建RAG系统，N8N VS dify 如何选？

如果将大模型视为一个知识丰富但记忆有限的专家，RAG系统则是为其配备了一个能够实时检索和提供准确信息的辅助工具。

而关于如何低门槛搭建一个RAG系统系统，很多朋友可能会纠结究竟选择N8N 还是Dify。

如何用Dify+Milvus搭建一个RAG系统，可以参考我们此前发布的教程：

Milvus×Dify半小时轻松构建RAG系统

本文，我们则将通过N8N和Milvus这两个实用工具来带大家手把手做一个RAG应用。

01

为什么我们选择N8N+Milvus组合？

N8N和Dify，分别代表了不同的工作流搭建思路，概括来说：N8N是通用工作流工具，可以连接几乎任何系统，处理各种自动化任务，不仅限于AI领域；而Dify是专注于AI应用的开发平台，专为生成式AI应用定制，内置了与各种LLM模型的连接能力。

在本文中，我们选择N8N和Milvus的组合，是因为N8N可以连接数百种不同的服务和API，负责多系统集成和工作流编排，Milvus提供高效向量检索，二者结合既自由又高效，便于深入理解RAG系统。

相比一体化平台，这种“从零搭建”更具学习价值，但实际应用中专业平台如Dify部署更快、功能更全。

02

部署教程

部署架构总览及说明

环境准备说明

本教程不含docker和docker-compose以及Ollama安装展示，请自行按照官方手册进行配置。

docker官网：https://www.docker.com/

Milvus官网：https://milvus.io/docs/prerequisite-docker.md

N8N官网：https://n8n.io/

Ollama官网：https://ollama.com

1.模型配置

本文采用Ollama运行嵌入模型并提供服务。

1.1下载并检查embedding模型

执行以下命令下载 nomic-embed-text:latest
 模型：

[root@ollama ~]# ollama pull nomic-embed-text:latest
下载完成后，使用以下命令检查模型是否成功拉取：

[root@ollama ~]# ollama list |grep nomic-embed-text:latest

1.2配置LLM大模型

说明：本文采用OpenRouter提供的在线免费模型进行演示。若使用其他收费在线模型，请注意其计费模式。

打开OpenRouter首页并登录

选中Models菜单

选择支持Tools的模型

说明：为保证一定能选到支持Tools的模型，请务必增加筛选条件。根据您的需求筛选并选择合适的模型。

选择并确认模型的名称

创建API-KEY

说明：在OpenRouter中为选定的模型创建一个API密钥（API-KEY），此密钥将用于后续的API调用。

2.Milvus 安装与配置

Milvus是由Zilliz开发的全球首款开源向量数据库产品，能够处理数百万乃至数十亿级的向量数据，在GitHub上获得了3.5W星标。基于开源Milvus，Zilliz还构建了商业化向量数据库产品Zilliz Cloud，这是一款全托管的向量数据库服务，通过采用云原生设计理念，在易用性、成本效益和安全性上实现了全面提升。

2.1 部署Milvus环境要求

必要条件：

• 软件要求：Docker、Docker Compose

• CPU：8核

• 内存：至少16GB

• 硬盘：至少100GB

2.2 下载部署文件

执行以下命令下载Milvus独立部署所需的docker-compose.yml
文件：

[root@Milvus ~]# wget https://github.com/milvus-io/milvus/releases/download/v2.5.4/milvus-standalone-docker-compose.yml -O docker-compose.yml

2.3 启动Milvus

使用下载的docker-compose.yml
文件启动Milvus服务：

[root@Milvus ~]# docker-compose up -d
检查Milvus容器是否成功启动：

[root@Milvus ~]# docker ps -a

2.4 启用Attu管理面板

说明：N8N需要指明使用的向量数据库Collection，因此需要预先创建好备用。MILVUS_URL
应填写Milvus服务所在的服务器IP地址及端口。 Attu是Milvus的图形化管理界面。使用以下命令启动Attu：

docker run -d -p 8000:3000 -e MILVUS_URL=192.168.7.147:19530 registry.cn-hangzhou.aliyuncs.com/xy-zy/attu:v2.5
Attu面板将运行在 服务器IP:8000 。

2.5 登录Attu

2.6 选择数据库

2.7 创建Collection

说明：在Attu中创建用于存储向量的Collection

配置参数

参数说明：维度（Dimension）要和嵌入模型支持的大小相匹配，否则会导致嵌入失败。 根据您的嵌入模型输出向量的维度，正确配置Collection的维度参数。

索引参数选择L2

参数说明：N8N封装的Milvus向量数据库组件默认支持的索引参数是 metric_type: L2
。如果创建的Collection配置的索引参数是 COSINE
，可能会导致插入失败。（关于是否支持COSINE
，请关注N8N官方更新）。 在创建Collection时，将索引的度量类型（Metric Type）选择为L2。

03

N8N 安装与初始化

N8N是一个强大的工作流自动化工具，我们将用它来编排整个RAG系统的流程。

1.1 使用Docker安装N8N（推荐）

可以通过以下Docker命令安装N8N：

特殊参数说明：

• 设置环境变量 N8N_HOST
   为 192.168.4.48
  ，这可能是用来指定应用监听的主机地址。

• 设置环境变量 N8N_LISTEN_ADDRESS
   为 0.0.0.0
  ，表示应用程序将监听所有网络接口。

• 镜像地址已隐藏，请前往Docker Hub进行下载。

docker run -d -it --rm --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n -e N8N_SECURE_COOKIE=false -e N8N_HOST=192.168.4.48 -e N8N_LISTEN_ADDRESS=0.0.0.0 registry.cn-hangzhou.aliyuncs.com/n8n:latest
安装完成后，您可以通过浏览器访问 IP地址:5678来打开N8N主页。

1.2 初始化N8N账户信息

说明首次访问N8N时，请根据提示完成账户信息的初始化设置。

04

RAG工作流完整搭建

说明：本工作流共分为两个阶段。第一个阶段是文本向量化，第二个阶段是聊天对话检索向量。

第一阶段：文本向量化工作流搭建

步骤1：创建工作流并配置手动触发

说明：在工作流编辑界面，点击“+”号，选择“Manual” (手动触发)作为工作流的起始节点。

步骤2：配置表单提交参数

说明：上传文件的类型可支持多种格式，使用（.格式
, 分割的方式区分和添加）。 在手动触发节点中，配置表单参数以允许用户上传文件。

步骤3:点击测试上传文件

说明：配置完成后，可以测试文件上传功能，确保节点正常工作。

步骤4:添加Milvus组件

说明：输入“vector”关键字搜索，并选择Milvus相关的组件。

步骤5:配置Milvus连接与Collection

说明：在Milvus节点配置中，创建或选择已有的Milvus连接凭证，填入Milvus服务地址并选择创建好的Collection

步骤6:添加嵌入模型（Ollama）

说明：我们选择通过Ollama运行的本地嵌入模型

添加Ollama连接凭证

说明：如果使用Ollama服务，配置Ollama的连接凭证（如API地址）。

选择嵌入模型

说明：选择之前下载并配置好的嵌入模型（如 nomic-embed-text
）。

步骤7:添加文档加载器

参数说明：

• 类型选择：二进制 (Binary)

• 模式选择：加载所有输入数据 (Load all input data)

• 数据格式：自动选择 (Auto-select) 添加一个文档加载器节点，用于处理上传的文件数据。

步骤8:添加文本分割器

说明：选择适用于大部分场景的递归方式 (Recursive Character Text Splitter)。 在文档加载器之后添加文本分割器节点，将文档内容分割成小块以便进行向量化。

步骤9:开始测试文本向量化

说明：从触发节点上传一个任意PDF格式的文本即可自动完成向量存储过程。 运行整个第一阶段工作流，上传一个PDF文件进行测试。

步骤10:验证Milvus中是否嵌入成功

说明：测试完成后，检查Milvus数据库对应的Collection，确认文本向量是否已成功嵌入。

第二阶段：聊天对话与向量检索工作流搭建

步骤1:添加聊天触发组件

说明：在N8N中创建一个新的工作流或在现有工作流中添加一个聊天触发器（例如 "Webhook" 节点或专门的聊天机器人触发器），用于接收用户输入的问题。

步骤2:添加AI-Agent代理节点

说明：添加一个AI Agent或类似的逻辑处理节点，用于协调后续的LLM调用和工具使用。

添加系统提示词

说明：提示词中英文都可以尝试，本文使用英文提示词测试如下。 为AI Agent配置系统提示词 (System Prompt)，指导其行为。例如：

You can access the vector database, and there is already relevant information about milvus in the vector database
[...]

步骤3:添加聊天模型

说明：使用OpenRouter供应商提供的在线LLM大模型。 添加一个LLM调用节点，用于与大语言模型进行交互。

添加API-KEY并选择模型

说明：添加刚才在OpenRouter创建好的Key并选择支持Tools工具的模型即可。 在LLM节点中配置OpenRouter的API密钥，并选择之前确定好的、支持Tools的模型。

添加记忆

说明：本文采用简单记忆作为演示。 为聊天流程配置记忆功能（例如 "Simple Memory"），使得对话能够保持上下文。

步骤4:添加工具（向量数据库问答）

说明：采用N8N提供的向量数据库问答工具，LLM会调用此工具进行向量检索并将结果返回。（输入关键字vector
进行工具搜索） 在AI Agent或LLM配置中添加一个工具 (Tool)，该工具用于从向量数据库中检索信息。

添加数据名称

说明：为该工具配置一个易于识别的名称

配置向量存储及嵌入模型

说明：在此工具的配置中，指定之前设置好的Milvus向量存储（Collection）以及用于查询向量化的嵌入模型（与第一阶段一致）。

配置LLM模型

说明：指定该工具在内部处理或生成响应时可能需要调用的LLM模型

步骤5: 完成第二阶段配置

检查并确认第二阶段所有节点的配置均已正确完成

步骤6:开始测试对话

说明：通过聊天触发组件发送测试问题，检验整个RAG流程是否能够正确检索信息并给出回答

milvus的设计理念是什么？

05

写在结尾

RAG（检索增强生成）系统解决了大语言模型的三大核心痛点：

• 知识时效性突破：通过实时检索外部知识库，确保回答包含最新信息，解决模型训练数据截止带来的信息滞后，适用于金融、新闻、医疗等需实时数据的领域。

• 幻觉问题缓解：提供可验证的参考资料，显著降低模型生成不准确信息的风险，提高回答的准确性和可信度。

• 专业领域适应：允许访问特定领域知识库，无需昂贵微调即可回答专业问题，增强模型在垂直领域的表现。

而Milvus通过专注向量相似度搜索，支持毫秒级检索数十亿向量，可以快速定位相关知识片段，提升知识库的响应速度和准确性。其分布式架构支持水平扩展，能处理TB级数据和高并发请求，保证系统稳定。提供多种索引（如HNSW、IVF）和距离计算方法（余弦相似度、欧氏距离），便于根据场景优化检索效果。支持实时数据插入与更新，确保知识库时效性。

如对本教程仍有不理解的地方，欢迎扫描文末二维码交流。