带出处引用的 PDF 聊天，用 Pinecone

带出处引用的 PDF 聊天，用 Pinecone

一个回答 PDF 问题并说明每个答案出处的 n8n 工作流。运行一次，它从 Google Drive 把一份 PDF 载入 Pinecone。在聊天里，每条回复的结尾都有模型所用的每一段内容的引用。

包里有什么

• workflow.json：n8n 导出的工作流，22 个节点，其中四个是便签。里面没有任何凭据。这些便签中，两张是把节点圈在一起的彩色底框，一张是试用步骤，一张是简短的提示。
• 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

• Google Drive、OpenAI 和 Pinecone 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。
• Set file URL in Google Drive 里的 Drive 链接原来指向一个公开文件，前面还有一个空格。现在它是一个占位符 <GOOGLE_DRIVE_FILE_ID>，请换成你自己的链接。试用便签和节点旁边的小便签也按此改了说法。
• Compose citations 原来读的是 [$json.citations]，这是按整个编号列表所指的位置去取条目。只引用一段时它能用，引用两段或更多时就找不到，运行会失败。现在它依次读每个编号对应的条目，并跳过没有对应段的编号。
• Structured Output Parser 的 schema 现在把 answer 和 citations 列为必填，所以没有引用的回复会在解析器那里失败，而不是在后面才失败。
• OpenAI Chat Model 原来没有设模型，所以用 n8n 的默认值 gpt-5-mini。现在设成 gpt-5.6-terra。
• 两个向量节点原来没有设模型，所以用 text-embedding-ada-002。现在设成 text-embedding-3-small，它生成的向量大小相同，都是 1536。
• Chat Trigger 的 webhook id 已删掉，导入文件时 n8n 会生成新的。
• 别的都没改。

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。
• 一个能打开你的 PDF 的 Google 账号，通过 n8n 的 Google 登录关联。
• 一个 Pinecone 账号、一个 API 密钥，以及一个 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. 添加一个 OpenAI 凭据。在 OpenAI Chat Model、Embeddings OpenAI 和 Embeddings OpenAI2 里选中它。
3. 添加一个 Google Drive OAuth2 凭据，在 Download file 里选中它。
4. 在 Set file URL in Google Drive 里，把整个值换成你的 PDF 的分享链接。在 Drive 里打开这份 PDF，选 Share，复制链接。
5. 在 Pinecone 里建一个 1536 维的索引。在 n8n 里添加一个 Pinecone 凭据，然后在 Add to Pinecone vector store 和 Get top chunks matching query 里选中这个凭据和这个索引。两个节点必须用同一个索引。
6. 点 Execute workflow 载入 PDF。到 Pinecone 里确认索引里现在有记录了。
7. 从画布底部的按钮打开聊天，问一个关于这份 PDF 的问题。

一次运行的过程

载入，手动启动：

1. Set file URL in Google Drive 把链接存在一个叫 file_url 的字段里，Download file 取回那个文件。
2. Add in metadata 把文件名、扩展名和链接复制到这一项上。
3. Add to Pinecone vector store 通过 Default Data Loader 以二进制数据的方式读取文件。加载器把文件名和链接保留为元数据。Recursive Character Text Splitter 把文字切成每段 3000 个字符、重叠 200 的小段。Embeddings OpenAI 把每段转成向量。

提问，从聊天启动：

1. Set max chunks to send to model 添加一个字段 chunks，值为 4。
2. Get top chunks matching query 用 Embeddings OpenAI2 把你的问题转成向量，并向 Pinecone 要这么多段。
3. Prepare chunks 从 0 开始给各段编号，并连成一整块文字，标题是 --- CHUNK 0 ---，依此类推。
4. Answer the query based on chunks 把这一块文字和你的问题交给 OpenAI Chat Model。Structured Output Parser 让模型回复一个 answer，以及它用到的各段编号的列表。
5. Compose citations 把每个编号变成那一段的文件名和行号范围，比如 [report.pdf, lines 12-30]。
6. Generate response 把答案和引用合成一段文字，返回到聊天里。

改变风格

• 载入哪份 PDF：Set file URL in Google Drive 里的链接。
• 模型能看到几段：Set max chunks to send to model 里的 chunks 值。
• 每段有多大：Recursive Character Text Splitter 里的分段大小和重叠。改完后要重新载入。
• 指令的措辞：Answer the query based on chunks 里的提示文字。
• 引用的样子：Compose citations 里的表达式。
• 模型：OpenAI Chat Model 的模型字段。

注意事项

• 副本：插入节点不会清空任何东西。每次载入都会把各段再加一遍，之后一个问题可能两次返回同样的文字。再载入之前，请清空索引，或者用一个命名空间。
• 模型：OpenAI 的弃用页面（2026 年 11 月 12 日查阅）把 gpt-5-mini 列为 2026 年 12 月 11 日关停，替代模型是 gpt-5.6-terra。这条链没有工具，所以 Mindket 的副本用 gpt-5.6-terra。该页面没有列出 text-embedding-ada-002。新的向量模型生成的向量不能和旧模型的混用，所以如果你的索引里已有旧模型生成的向量，请重新载入。
• 引用来自模型：它报告自己说用过的那几段的编号，而没有任何东西检查这一点。依赖某段引文之前，请先读被引用的行。
• 行号：它们是文本切分器为每一段记录的行号，所以是在它拿到的文字内部计数的。
• 你的数据：PDF 的文字会发给 OpenAI 和 Pinecone，每个问题会发给 OpenAI。
• 没运行过：这里没有对 Google、OpenAI 或 Pinecone 运行过任何东西。这些说明来自 n8n 的源码和各厂商的页面（2026 年 11 月 12 日查阅）。