带店铺资料检索的 WooCommerce 私人导购聊天机器人

带店铺资料检索的 WooCommerce 私人导购聊天机器人

一个 n8n 工作流，服务 WooCommerce 店铺的聊天。顾客要么问商品，要么问店铺本身的情况。商品问题交给店铺商品目录的搜索。关于营业时间或地址的问题，则根据存在 Qdrant 集合里的店铺自己的文档来回答。

包里有什么

• workflow.json：n8n 导出的工作流，二十五个节点：二十一个会运行的和四张便签。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

• 凭据的关联都删掉了：五个节点上的 OpenAI，两个上的 Google Drive，两个上的 Qdrant，商品搜索上的 WooCommerce，以及删除调用上的 Header Auth 凭据。请选你自己的。
• 原来写的是某一家店的 Google Drive 文件夹和一个 Qdrant 集合，它的删除调用发往 https://QDRANTURL/collections/NAME/points/delete。现在它们是 YOUR_FOLDER_ID、YOUR_COLLECTION 和 https://YOUR_QDRANT_HOST/collections/YOUR_COLLECTION/points/delete。
• RAG 工具原来有一个意大利语的名字和描述。现在它叫 RAG，也就是 Agent 的指令里用的名字，描述是英文。
• personal_shopper 工具原来从 Information Extractor 的 SKU、keyword、price_max 和 price_min 字段读取筛选条件。提取节点的模式里没有这些名字的字段，所以这四个选项都是空的。现在它们用 $fromAI，让 Agent 根据顾客说的话来填。
• 提取节点的模式原来是一个示例对象，而不是 JSON Schema。现在它是完整的 JSON Schema，字段还是那两个。
• 描述第一步的两张便签改了措辞。其他便签保持原样。
• 别的都没改。

开始之前

• 一个 n8n，n8n Cloud 或自己的服务器都行。
• 一家 WooCommerce 店铺和它的 REST API 密钥，给 WooCommerce 凭据用。
• 一个 Qdrant 实例和一个 API 密钥，集合要先建好。向量维度必须与嵌入模型相符。OpenAI 的嵌入指南给出 text-embedding-3-small 是 1536。
• 一个放着店铺文档的 Google Drive 文件夹，比如营业时间、配送条款和退货。Google 文档和纯文本文件可以用，PDF 不行，因为下载这一步要的是纯文本。
• 一个 OpenAI API 密钥。

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. 添加这些凭据并选中：OpenAI Chat Model、OpenAI Chat Model1、OpenAI Chat Model2、Embeddings OpenAI 和 Embeddings OpenAI3 里的 OpenAI，Google Drive2 和 Google Drive1 里的 Google Drive，两个 Qdrant 节点里的 Qdrant，personal_shopper 里的 WooCommerce，以及 HTTP Request 里的 Header Auth 凭据。
3. Header Auth 凭据的名称填 api-key，值填你的 Qdrant API 密钥。
4. 在 Qdrant Vector Store、Qdrant Vector Store1 和 HTTP Request 的地址里，把 YOUR_COLLECTION 换成你的集合名，把 YOUR_QDRANT_HOST 换成你的 Qdrant 地址。
5. 在 Google Drive2 里，把 YOUR_FOLDER_ID 换成你的文档文件夹的 ID。
6. 点 Test workflow，把文档载入 Qdrant。文档每次有变化，就再做一次。
7. 从 When chat message received 打开聊天。先问一件商品，再问店几点开门。

一次运行的过程

载入文档，手动开始：

1. HTTP Request 向 Qdrant 发一个带空筛选条件的删除请求，本意是先清空这个集合。
2. Google Drive2 列出文件夹里的文件，Google Drive1 把每个文件下载成纯文本。
3. Default Data Loader2 把每个文件变成文档，Token Splitter1 把它切成 300 个令牌一段、重叠 30 个令牌的片段。Embeddings OpenAI3 为它们生成嵌入，Qdrant Vector Store1 把它们存起来。

回答顾客：

1. When chat message received 接收消息，Edit Fields 保留它的会话 ID 和文字。
2. Information Extractor 请聊天模型判断顾客是不是想找商品。如果是，就取出关键词、价格、商品编号和类别。
3. AI Agent 读消息和提取节点的 JSON。商品问题它调用 personal_shopper，搜索店铺里有货的商品。店铺问题它调用 RAG，通过 OpenAI Chat Model1 读取 Qdrant 集合。Calculator 用来算数，Window Buffer Memory 记住这次聊天之前的消息。

改变风格

• 哪些问题走哪条路：Information Extractor 和 AI Agent 的系统消息。
• 店铺的文档：Google Drive2 里的文件夹。
• 文档怎么切分：Token Splitter1 里的大小和重叠。
• 模型：三个聊天模型节点和两个嵌入节点。两个嵌入节点必须用同一个模型。
• 商品搜索返回什么：personal_shopper 的选项。

注意事项

• 提示词是为一家卖鞋和包的店写的。提取节点里这样说，Agent 里则把店称为服装店。把两处都改成描述你自己的店。
• personal_shopper 返回最多 50 件有货商品的完整记录，对模型来说文字很多。回答变慢或变贵时，把它的 Limit 调低。
• 提取节点会读一个类别名，但 personal_shopper 没有类别选项，所以类别不会缩小搜索范围。
• Qdrant 的参考页面（2026 年 11 月 12 日查阅）没有说删除请求里的空筛选条件匹配什么。先在一个用完即弃的集合上试一试这个删除调用。它本意是清空集合，也许真的会这样。
• 三个聊天模型节点都没有指定模型。n8n 当前的源码（2026 年 11 月 12 日查阅）把默认设为 gpt-5-mini。OpenAI 的弃用页面写明它在 2026 年 12 月 11 日停用，并列出 gpt-5.6-terra。
• 两个嵌入节点也没有指定模型。n8n 当前的源码里，它们这个版本的默认是 text-embedding-3-small。载入和搜索必须用同一个模型。
• 顾客的消息和店铺的文档会发给 OpenAI。
• JSON 里没有任何凭据。