LangChain в n8n

Использование LangChain концепций для построения AI цепочек

LangChain концепции в n8n

n8n реализует ключевые концепции LangChain через визуальные ноды:

Chains

Последовательные цепочки обработки

Agents

Автономные агенты с инструментами

Memory

Хранение контекста диалога

Retrievers

Поиск релевантных документов

Chains (Цепочки)

Basic LLM Chain

Простейшая цепочка: prompt → LLM → output.

Компонент	Описание
Prompt Template	Шаблон с переменными
LLM	Языковая модель
Output Parser	Парсинг ответа (опционально)

Пример: Классификация текста

Prompt Template:
"Классифицируй следующий текст по категориям:
положительный, отрицательный, нейтральный.

Текст: {{ $json.text }}

Категория:"

Output: "положительный"

Sequential Chain

Последовательные LLM вызовы:

Prompt Templates

Переменные в промптах

Системное сообщение:
"Ты эксперт по {{ $json.domain }}. Отвечай на {{ $json.language }}."

Пользовательское сообщение:
"{{ $json.question }}"

Chat Messages

Роль	Назначение
System	Инструкции для модели
Human	Сообщение пользователя
AI	Предыдущий ответ модели

Few-Shot Prompting

Примеры:
Вход: "Привет" → Выход: "greeting"
Вход: "Сколько стоит?" → Выход: "pricing"
Вход: "Не работает!" → Выход: "support"

Классифицируй: "{{ $json.message }}"

Output Parsers

Structured Output Parser

Получение JSON из LLM:

Prompt:
"Извлеки информацию из текста и верни JSON:
{
  "name": "имя",
  "email": "email",
  "phone": "телефон"
}

Текст: {{ $json.text }}"

Output (parsed):
{
  "name": "Иван Петров",
  "email": "ivan@example.com",
  "phone": "+7 999 123 4567"
}

Auto-fixing Parser

Автоматическое исправление невалидного JSON:

Retrieval (Поиск)

Retriever Node

Поиск релевантных документов:

Конфигурация

Параметр	Описание
Top K	Количество документов (default: 4)
Score Threshold	Минимальная релевантность

Embeddings

OpenAI Embeddings

Model: text-embedding-3-small
Dimensions: 1536

Ollama Embeddings

Model: nomic-embed-text
Base URL: http://localhost:11434

Vector Stores

Поддерживаемые

Store	Описание
Pinecone	Managed облачный сервис
Qdrant	Open-source, self-hosted
Supabase	PostgreSQL + pgvector
Chroma	Lightweight, embedded
In-Memory	Для тестирования

Операции

Операция	Описание
Insert	Добавить документы
Get	Получить по ID
Get Many	Получить несколько
Search	Векторный поиск
Delete	Удалить документы

Document Loaders

Загрузка документов

Loader	Форматы
File	TXT, PDF, DOCX
URL	Web pages
GitHub	Repositories
Notion	Pages, databases

Text Splitter

Разбиение на chunks:

Параметр	Описание
Chunk Size	Размер фрагмента (tokens)
Chunk Overlap	Перекрытие между фрагментами
Separator	Разделитель (default: `\n\n`)

Original: 5000 tokens
Chunk Size: 500
Overlap: 50
Result: 11 chunks

Построение RAG Pipeline

1. Индексирование

2. Поиск и генерация

Полный workflow

Паттерны

Summarization Chain

Тип: Map-Reduce

1. Map: Summarize each chunk
2. Reduce: Combine summaries

Input: 50 page document
Output: 1 paragraph summary

Question Answering

Тип: Stuff

1. Retrieve relevant chunks
2. Stuff into context
3. Generate answer

Prompt:
"На основе контекста ответь на вопрос.

Контекст:
{{ $json.context }}

Вопрос: {{ $json.question }}

Ответ:"

Conversational Retrieval

Следующие шаги

RAG workflows — построение RAG систем
AI Agent — автономные агенты
MCP — Model Context Protocol