Sistemi AI

Two-Step RAG per knowledge base

Una knowledge base Zendesk aggiornata con n8n: il retrieval seleziona prima i documenti, poi i passaggi pertinenti per rispondere.

n8nOpenAISupabasePostgreSQLpgvectorZendesk
Two-Step RAG per knowledge baseApri il workflow ingrandito ↗

Il problema

Recuperare il contesto, non frammenti isolati

Una ricerca vettoriale su tutti i chunk può mescolare passaggi di documenti diversi. Ho costruito un’architettura RAG che prima identifica gli articoli pertinenti e poi cerca i passaggi all’interno di quegli articoli.

La fonte è Zendesk Help Center. Il sistema aggiorna la knowledge base in Supabase PostgreSQL con pgvector, attraverso workflow n8n.

Il sistema

Ingestion e retrieval in due passaggi

La pipeline usa un cursore temporale per rilevare articoli nuovi o aggiornati, esclude le bozze e applica hash a documenti e chunk per evitare duplicazioni.

OpenAI genera embedding dei riassunti e dei singoli chunk. Le funzioni RPC PostgreSQL selezionano prima i documenti e poi i passaggi rilevanti per costruire la risposta.

  • Sincronizzazione incrementale da Zendesk
  • Esclusione dei contenuti in bozza
  • Deduplica a livello di documento e chunk
  • Embedding dei riassunti e dei passaggi
  • Ricerca vettoriale tramite RPC e orchestrazione n8n

Il risultato

Una knowledge base con un percorso di ricerca esplicito

Il risultato è un sistema di retrieval basato sulla documentazione aziendale, con ingestion e aggiornamento automatizzati. L’architettura può supportare assistenti di customer support, chatbot per help center e copiloti interni.

La ricerca è suddivisa in fasi ispezionabili, invece di affidare la selezione del contesto a una ricerca indistinta su tutti i passaggi. La qualità delle risposte va verificata sul contenuto e sui casi d’uso specifici.

Documentazione tecnica completa in inglese
Torna al portfolio