Mindket
简体中文
English简体中文
登录注册
商店MCP技能计算器学习价格博客
发现
研究312写作59商务95法律13财务33营销175开发1,427效率391教育81陪伴14
帮助与支持
语言
English简体中文

把 GitHub API 规范存进 Pinecone，再用 OpenAI 与它对话

由 Mindket 上架n8n 工作流开发
新上架第 1 版 · 更新于
节点14应用2点赞

概览

  1. When clicking ‘Test workflow’
  2. Default Data Loader
  3. Recursive Character Text Splitter
  4. When chat message received
  5. OpenAI Chat Model
  6. Window Buffer Memory
  7. Vector Store Tool
  8. OpenAI Chat Model1
  9. Generate User Query Embedding
  10. Pinecone Vector Store (Querying)
  11. Generate Embeddings
  12. HTTP Request
  13. AI Agent
  14. Pinecone Vector Store
把 GitHub API 规范存进 Pinecone，再用 OpenAI 与它对话，图片 1
‹2 / 2›

一个 n8n 工作流，回答关于 GitHub REST API 的问题。它下载 GitHub 的 OpenAPI 描述，以 OpenAI 嵌入向量的形式存进 Pinecone，并让 AI Agent 在聊天窗口里搜索它。

把 GitHub API 规范存进 Pinecone，再用 OpenAI 与它对话 是一款 n8n 工作流，属于开发类，由 Mindket 上架。可免费获取。当前为第 1 版，最近更新于 。在本页下载，或复制它的 JSON，再导入 n8n 画布。在 n8n 里启用之前，它不会运行。

速览

用在
  • n8n Cloud：在那里新建一个工作流，把文件导入进去
  • 你自己的 n8n 服务器：同一个文件，同样的步骤
  • 你自己的文档：把 HTTP Request 里的地址改成另一个 JSON 或文本文件
  • 第二个索引：让两个 Pinecone 节点都指向它，把不同的主题分开

平台

n8n工作流自动化，可在 n8n 云端或你自己的服务器上运行
连接 2 个应用

运行方式

触发

聊天窗口

你先手动把索引填好一次，之后每当你在 n8n 聊天里发一条消息，它就会作答：

  • 在聊天里输入的一个关于 GitHub REST API 的问题

动作

  1. Test workflow 下载 GitHub 对它的 REST API 的 OpenAPI 描述，大约 14 MB
  2. 文字被切成约 1,000 个字符的小块，OpenAI（text-embedding-3-small）把每一块变成嵌入向量
  3. 这些小块被存进你的 Pinecone 索引
  4. 一条聊天消息交给带着短窗口记忆的 AI Agent（gpt-5.6-terra）
  5. 智能体在 Pinecone 里搜索最接近的 4 个小块，由 gpt-6-luna 读它们并写出答案

结果

在 n8n 聊天里得到一个关于 GitHub REST API 的答案，依据的是这份规范里与问题相匹配的小块

集成

开始之前要准备好这些。

OpenAI

语言模型和嵌入

生成嵌入向量，用 gpt-5.6-terra 运行智能体，并用 gpt-6-luna 读取检索到的小块。

需要一个 OpenAI API 密钥

Pinecone

向量数据库

存放做过嵌入的小块，并返回与问题最接近的那些。

需要一个 Pinecone API 密钥和一个 1536 维的索引

工作流检查

由 Mindket 于 2026年11月13日检查

步骤
5 个步骤，手动或由聊天消息启动
AI
2 个步骤调用 AI 模型：Pinecone Vector Store、AI Agent
登录
需要登录：Pinecone、OpenAI
API 密钥
文件里没有留下 API 密钥
步骤类型
Mindket 的检查器能读懂它全部 5 种步骤类型

以上内容读自工作流文件，并非实际运行的结果。

关于

它是什么

这个 n8n 工作流是一个聊天机器人，依据 GitHub REST API 的官方规范来回答关于它的问题。一部分负责下载这份规范，把它切成小块，再把每一块变成 OpenAI 的嵌入向量存进 Pinecone 索引。另一部分是一个聊天窗口，由一个 AI Agent 找出最匹配的小块，并据此作答。干活的是十四个节点，旁边还有三张便签。

适合谁

想要一个 n8n 里检索增强生成的可运行示例的开发者和技术文档作者，以及想问 GitHub 的 API 又不想通读它的参考文档的人。如果你要的是依据你自己的文档原样作答，就别选它，你得先改它下载的内容。

谁在用，怎么用
行业谁在用怎么用例子
软件开发者不用翻参考文档，直接问某个接口怎么用一位开发者问怎么列出一个仓库的 issue，得到路径和它的参数。
文档技术文档作者先研究这个模式，再给自己的文档做机器人一位作者把下载换成公司的 API 文件，其余照用。
教育课程负责人用一个真实的文件向学员展示检索增强生成一位负责人在课上跑一遍索引，再向聊天问三个问题。
支持集成工程师更快地回答客户的 API 问题一位工程师问哪个调用能创建 gist，读到对应的那一段。

你需要懂一点 n8n：导入一个文件，添加一个 OpenAI 凭据和一个 Pinecone 凭据，创建一个索引，并把索引流程跑一次。

用在哪里

任何能访问 OpenAI、Pinecone 和 GitHub 文件主机的 n8n 都能运行它。聊天在 n8n 里面打开，所以答案留在你的编辑器里。

  • n8n Cloud：在那里新建一个工作流，把文件导入进去
  • 你自己的 n8n 服务器：同一个文件，同样的步骤
  • 你自己的文档：把 HTTP Request 里的地址改成另一个 JSON 或文本文件
  • 第二个索引：让两个 Pinecone 节点都指向它，把不同的主题分开

设置

点“下载”会把一个压缩包存到你的下载文件夹，里面有 workflow.json 和 Mindket 写的设置说明。这里要用到两个账号。

先准备好这些
需要说明
n8nn8n Cloud，或者你自己的服务器
OpenAI一个 API 密钥，用于 OpenAI 凭据
Pinecone一个账号、一个 API 密钥和一个 1536 维的索引，用于 Pinecone 凭据
  1. 在 n8n 里新建一个工作流，打开它的菜单，选 Import from File，选中 workflow.json。
  2. 在 Pinecone 里创建一个 1536 维的索引，这是 OpenAI 的 text-embedding-3-small 嵌入向量的维数。
  3. 添加一个 OpenAI 凭据，并在 Generate Embeddings、Generate User Query Embedding、OpenAI Chat Model 和 OpenAI Chat Model1 里选上它。
  4. 添加一个 Pinecone 凭据，在 Pinecone Vector Store 和 Pinecone Vector Store (Querying) 里选上它，并在两处都选好你的索引。
  5. 点手动触发上的 Test workflow，等它跑完。第一次运行要花一阵子，因为这个文件大约有 14 MB。
  6. 打开聊天，问一个问题。

如何使用

索引填好之后，打开聊天面板，问关于 GitHub API 的问题，例如怎么列出一个仓库的 issue。智能体会把一次聊天里最近的几条消息当作记忆。只有在你改了文件或索引时，才需要再跑一遍索引。

想要不同的效果，改这里
要改的在哪里改
文件HTTP Request 里的地址
索引两个 Pinecone 节点里的 Pinecone Index
智能体的指令AI Agent 里的 System Message
智能体何时去搜索Vector Store Tool 里的 Description
返回多少个小块Vector Store Tool 里的 Limit，默认是 4
模型OpenAI Chat Model 和 OpenAI Chat Model1 里的 Model

示例

一位开发者向聊天问怎么列出一个仓库的 issue。智能体调用向量库工具，它把问题变成嵌入向量，再向 Pinecone 要最接近的四个小块。

工具自己的模型读这些小块并作答，智能体再把答案转给用户。回复里会写出列出 issue 的路径，并说明默认返回的是未关闭的 issue。

新手与专家

新手：n8n 把工作流画成用线连起来的方框，每个方框是一个节点，只做一件事。这个工作流有两个起点。手动起点负责填索引，聊天起点负责依据索引回答问题。先把第一个跑一次，再逐个打开第二个的方框，看答案是从哪里来的。

专家：两个 Pinecone 节点必须用同一个索引和同一个嵌入模型，否则向量对不上。Mindket 的版本在两个嵌入节点里都直接写明了 text-embedding-3-small，而原来是交给节点的默认值。

值得细看的地方
节点做什么要知道的
HTTP Request从 GitHub 的公开仓库用 GET 取回它的 OpenAPI 描述文件有 14,263,438 字节，以纯文本形式返回
Default Data Loader 和 Recursive Character Text Splitter把下载到的条目切成小块每块约 1,000 个字符，没有重叠，所以这个文件大约会切出 14,000 块
Pinecone Vector Store插入模式，配合 Generate Embeddings每次运行都会再加一遍这些小块，除非你打开 Clear Namespace，否则不会清除任何东西
AI AgentAgent 1.7，带系统消息、窗口记忆和一个工具它以 Tools Agent 的方式运行
Vector Store Tool通过 OpenAI Chat Model1 依据 Pinecone 库作答它的名字和描述告诉智能体何时使用它
Pinecone Vector Store (Querying)检索模式，配合 Generate User Query Embedding它给工具供数据，工具最多返回 4 个小块

注意事项

第一次跑索引的量不小，而且模型需要换。

  • 模型：OpenAI 的弃用页面（2026 年 11 月 12 日读取）写着节点原来的默认模型 gpt-5-mini 将在 2026 年 12 月 11 日停用，替代品是 gpt-5.6-terra。原版没有指明模型，所以 Mindket 的版本给智能体设了 gpt-5.6-terra，给工具自己的模型设了 gpt-6-luna，后者只负责读这些小块
  • 为什么智能体不用 `gpt-6-luna`：它的模型页面说，Chat Completions 只有在关闭推理强度时才支持它的函数调用，而智能体需要函数调用
  • 体量：这个文件会切成大约 14,000 块，每块都要做嵌入并存储，所以第一次运行要花一阵子，两边的服务也会收一点费用
  • 只跑一次：再跑一遍索引会把每一块再存一遍，除非 Pinecone Vector Store 里打开了 Clear Namespace
  • 索引维数：不是 1536 维的索引会拒收这些向量，所以第一次运行前先检查
  • 记忆：智能体的窗口记忆放在 n8n 自己的内存里，闲置一小时就会被清掉，也不适合队列模式
  • 空的选择器：作者自己的 Pinecone 索引已经没有了，所以请选你自己的
  • 费用：每提一个问题，会花一次智能体调用、一次工具内的调用和一次嵌入，各由各自的服务商计费
  • 你的数据：你的问题会发给 OpenAI 和 Pinecone，你索引的文件也会发给这两家
  • 凭据：JSON 里没有任何凭据，所以请自己添加 OpenAI 和 Pinecone 凭据

README 和文件

README

把 GitHub API 规范存进 Pinecone，再用 OpenAI 与它对话

一个 n8n 工作流，是 GitHub REST API 的聊天机器人。一部分负责下载 GitHub 对这套 API 的 OpenAPI 描述，把它切成小块，再把每一块变成 OpenAI 的嵌入向量存进 Pinecone 索引。另一部分是一个聊天窗口，由一个 AI Agent 找出最匹配的小块，并据此作答。

包里有什么

  • workflow.json：n8n 导出的工作流，十四个干活的节点和三张便签。里面没有任何凭据。
  • README.md：这份设置说明，压缩包里的是英文版。

我们相对原来的副本改了什么

  • Pinecone 索引名原来是作者自己的（n8n-demo）。现在两个 Pinecone 节点都显示一个空的索引选择器，Querying 节点的模式也直接写明了 retrieve。
  • 原版没有指明聊天模型，所以用的是 n8n 的默认值。Mindket 的版本在 OpenAI Chat Model（智能体）上设了 gpt-5.6-terra，在 OpenAI Chat Model1（向量库工具）上设了 gpt-6-luna。见“需要知道的”。
  • 两个嵌入节点现在都直接写明了 text-embedding-3-small，这样两个 Pinecone 节点始终用同一个模型。
  • 三张便签重写了，提到了新的模型和索引的维数。

开始之前

  • 一个 n8n 实例，n8n Cloud 或自己的服务器都行。
  • 一个 OpenAI API 密钥。
  • 一个 Pinecone 账号、一个 API 密钥和一个 1536 维的索引。

设置

  1. 在 n8n 里新建一个工作流，打开它的菜单，选 Import from File，选中 workflow.json。
  2. 在 Pinecone 里创建一个 1536 维的索引，这是 text-embedding-3-small 嵌入向量的维数。
  3. 添加一个 OpenAI 凭据，并在 Generate Embeddings、Generate User Query Embedding、OpenAI Chat Model 和 OpenAI Chat Model1 里选上它。
  4. 添加一个 Pinecone 凭据，在 Pinecone Vector Store 和 Pinecone Vector Store (Querying) 里选上它，并在两处都选好你的索引。
  5. 点手动触发上的 Test workflow，等它跑完。第一次运行要花一阵子，因为这个文件大约有 14 MB。
  6. 打开聊天，问一个问题。

一次运行是怎么走的

索引，从手动触发开始：

  1. HTTP Request 从公开仓库下载 GitHub 的 OpenAPI 描述。
  2. Default Data Loader 和 Recursive Character Text Splitter 把它切成约 1,000 个字符的小块。
  3. Generate Embeddings 把每一块变成向量，Pinecone Vector Store（Insert）把它存起来。

聊天，从聊天触发开始：

  1. When chat message received 把消息交给 AI Agent，它带着窗口记忆和一条系统消息。
  2. 当问题需要用到这份规范时，智能体调用 Vector Store Tool。
  3. Generate User Query Embedding 给问题做嵌入，Pinecone Vector Store (Querying) 返回最接近的 4 个小块。
  4. OpenAI Chat Model1 替工具读这些小块，OpenAI Chat Model 写出最终的回复。

想要不同的效果，改这里

  • 文件：HTTP Request 里的地址。
  • 索引：两个 Pinecone 节点里的 Pinecone Index。
  • 智能体的指令：AI Agent 里的 System Message。
  • 智能体何时去搜索：Vector Store Tool 里的 Description。
  • 返回多少个小块：Vector Store Tool 里的 Limit。

需要知道的

  • OpenAI 的弃用页面（2026 年 11 月 12 日读取）写着 gpt-5-mini 将在 2026 年 12 月 11 日停用，替代品是 gpt-5.6-terra。gpt-6-luna 的页面说，Chat Completions 只有在关闭推理强度时才支持它的函数调用，所以智能体用 gpt-5.6-terra。
  • 这个文件会切成大约 14,000 块，所以第一次运行要花一阵子。
  • 再跑一遍索引会把每一块再存一遍，除非 Pinecone Vector Store 里打开了 Clear Namespace。
  • 不是 1536 维的索引会拒收这些向量。
  • 你的问题和你索引的文件会发给 OpenAI 和 Pinecone。
文件
NOTICE.md  706 B
README.md  4 KB
workflow.json  9 KB

3 个文件，共 14 KB，以 zip 压缩包下载。

更新内容

  • 第 1 版 · 2026-11-12

评价

还没有评分

写评价

还没有评价。

Mindket 的更多商品

查看 Mindket 的全部商品

Bonsai-27B-GGUF

lmstudio-community · 工具包

面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版，含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。

新上架

DeepSeek-V4.1-Flash-1017 EXL3 2.9 bpw

LibertAIDAI · 工具包

以每权重 2.9 位的 EXL3 量化运行 DeepSeek-V4.1-Flash-1017，这是一份 196 GiB 的副本，适合在自己硬件上部署大模型的人。困惑度与原模型相差不大。

新上架

MusicGen Small

facebook · 工具包

根据文字描述或音频提示生成短音乐片段，是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。

新上架

开发类的相似商品

查看开发类的全部商品

Lexnet

alpindale · 工具包

用一个只有约 984 个权重的小型神经网络，为 C 源代码的每个字符打上语法高亮标签，通过一个小小的 C 程序运行。适合对手工设计的网络好奇的开发者和研究者。

新上架

FLUX.2 Klein LoRA Studio

prithivMLmods · 工具包

在浏览器或你自己的电脑上，用一个 Gradio 应用试用 FLUX.2 Klein 图像模型的一组 LoRA。适合制作或测试 AI 图片的人。

新上架

anaksor-ocr

Sokheng · 工具包

这个模型从文档、收据和路牌照片里读取高棉语和英语文字，用一个检测器找文本行，再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。

新上架