把放进文件夹的文件变成学习笔记

把放进文件夹的文件变成学习笔记

一个监视文件夹、并为每个新文件写学习笔记的 n8n 工作流。放进一份 PDF 或文本文件，工作流把它存进 Qdrant，向 Mistral 提出关于它的问题，再写出三份 Markdown 文档：学习指南、时间线和简报。

包里有什么

• workflow.json：n8n 导出的工作流，40 个节点，其中七个是便签。里面没有任何凭据。五张便签是彩色底框，一张是试用摘要，一张是关于添加模板的小提示。
• 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

• Mistral 和 Qdrant 节点原来关联着作者 n8n 里的凭据。这些关联已删掉，请选你自己的。
• 四个聊天模型原来要么是 Mistral 在 2025 年 3 月 30 日退役的 open-mixtral-8x7b，要么没设模型，用 n8n 旧的默认值 mistral-small。现在都设成 mistral-small-latest。两个向量节点设成 mistral-embed，它们原来就用这个，只是没写出来。
• 笔记原来写进被监视的文件夹。于是每份新笔记都会再次启动工作流，每次运行都会写出更多笔记。现在它们写到一个叫 notes 的文件夹，和被监视的文件夹并列，导出那张便签也这样写了。
• Local File Trigger 现在会等文件复制完成后再启动。
• To Binary 原来用一个返回整段文字的表达式来给来源字段命名，于是它去找一个以这段文字为名字的字段，失败了。现在它把字段命名为 data。
• 文本和 Markdown 文件原来被读进一个叫 data 的字段，但下一步读的是 text。现在 Extract from TEXT 写 text，和 PDF 那一步一样。
• Word 分支已去掉。docx 这种文件类型从不出现，所以这个分支从来走不到，而且它的节点还设成了 OpenDocument 电子表格操作。任何不是 PDF 的文件都走文本这条路。
• Interview 原来每个问题返回一项，但它后面的 Split Out 步骤去找一个列表字段，找不到。这一步已去掉，Answer from Qdrant 从 text 字段读每个问题。
• Qdrant 集合按名字选择，所以它不必事先存在。2secs 改名为 Pause two seconds，数值设成两秒。原来它用的是 n8n 的默认值。
• 别的都没改。

开始之前

• 一台自己运行的 n8n。Local File Trigger 在 n8n Cloud 上不存在。
• 一个 n8n 能读写的文件夹。在 Docker 里，把宿主机的一个文件夹挂载到 /home/node/storynotes。
• 一台 Qdrant 服务器，以及它的地址，它需要时还要 API 密钥。
• 一个 Mistral API 密钥。

设置

1. 打开 Local File Trigger。n8n 2.0 及以后版本默认关着它。把环境变量 NODES_EXCLUDE 设为 []，然后重启 n8n。
2. 允许 n8n 使用这个文件夹。把 N8N_RESTRICT_FILE_ACCESS_TO 设为 /home/node/storynotes，否则 n8n 2.0 会把文件访问限制在一个文件夹里。在里面建两个文件夹，context 和 notes。
3. 在 n8n 里新建一个工作流，打开它的菜单，选 Import from File，选中 workflow.json。
4. 添加一个 Qdrant 凭据，填上你服务器的地址和密钥。在 Qdrant Vector Store 和 Qdrant Vector Store1 里选中它。
5. 添加一个 Mistral Cloud 凭据。在四个聊天模型，也就是 Mistral Cloud Chat Model 到 Mistral Cloud Chat Model3，以及 Embeddings Mistral Cloud 和 Embeddings Mistral Cloud1 里选中它。
6. 发布这个工作流。把一份 PDF 或文本文件复制进 context 文件夹。
7. 等几分钟，然后到 notes 文件夹里找三个文件，每个模板一个。

一次运行的过程

1. 新文件出现在 /home/node/storynotes/context 里时，Local File Trigger 触发。Settings 从路径的第四段 storynotes 取项目名，并保留路径和文件名。
2. Import File 读取文件，Get FileType 把 PDF 送去 Extract from PDF，其余都送去 Extract from TEXT。Prep Incoming Doc 把文字放进一个叫 data 的字段。
3. 然后两件事同时发生。Qdrant Vector Store 存下文字，由 Recursive Character Text Splitter 切成每段 2000 个字符，由 Embeddings Mistral Cloud 生成向量，并带上项目名和文件名作为元数据。Summarization Chain 按每块 4000 个字符写出摘要。
4. Merge 等两边都完成。Prep For AI 收集摘要、项目名和文件名，Get Doc Types 列出三个模板：学习指南、时间线和简报。Split Out Doc Types 为每个模板生成一项。
5. For Each Doc Type... 每次取一个模板。Interview 读取摘要，写出这个模板需要回答的问题。
6. Answer from Qdrant 回答每个问题。Vector Store Retriever 取最接近的四段，用的是 Qdrant Vector Store1 和 Embeddings Mistral Cloud1。Aggregate 把回答收集起来。
7. Generate 根据模板的说明和这些回答写出文档。Pause two seconds 等待，循环再进入下一个模板。
8. 三份都完成后，Get Generated Documents、To Binary 和 Export to Folder 把每一份写成 /home/node/storynotes/notes 里的一个 Markdown 文件。文件名是源文件名的前 21 个字符、三个点，再加模板标题。

改变风格

• 写哪些模板：Get Doc Types 里的清单。加一项，写上文件名、标题和说明。
• 问多少个问题：Interview 里的措辞。
• 笔记存到哪里：Export to Folder 里的文件名。
• 一份文档怎么写：Generate 里的指令。
• 模型：每个聊天节点的模型字段，以及两个向量节点的模型字段。两个向量节点必须用同一个模型。
• 存下的每一段有多大：Recursive Character Text Splitter 里的分段大小。

注意事项

• 只有自己运行的 n8n 能用：n8n 的文档说 Local File Trigger 不在 n8n Cloud 上，而且从 n8n 2.0 起，它一直关着，直到你修改 NODES_EXCLUDE。之后，任何能编辑你 n8n 里工作流的人都能监视那台机器上的文件夹，所以只在你信任他们的地方打开它。
• Word 文件：这个工作流读取 PDF 和纯文本。n8n 的 Extract From File 节点没有 Word 操作，所以 .docx 会走文本这条路，读出来全是乱码。请先另存为 PDF。
• 模型：Mistral 的模型页面（2026 年 11 月 12 日查阅）把 open-mixtral-8x7b 列为 2025 年 3 月 30 日已退役，替代模型是 Mistral Small 4。Mistral Small 4 的模型卡把 mistral-small-latest 列为它的一个名字。这里的链都没有使用工具。
• 一个集合：每个文件都进同一个 Qdrant 集合 storynotes，而 Answer from Qdrant 搜索的是整个集合。关于一个文件的问题可能带出另一个文件的段落。元数据里有文件名，所以按它加一个搜索过滤条件，就能把它们分开。
• 成本：每个文件为三份文档大约要调用 21 次模型，另外还有摘要的调用，以及每一段一次向量调用。
• 你的数据：每个文件的文字都会发给 Mistral 和 Qdrant。
• 没运行过：这里没有对 Mistral 或 Qdrant 运行过任何东西，也没有监视过任何文件。这些修改来自 n8n 的源码和各厂商的页面（2026 年 11 月 12 日查阅）。先跑一个很短的文件，读过笔记后再信任它。