给 Google 文档的每一节加上背景，再存进 Pinecone

给 Google 文档的每一节加上背景，再存进 Pinecone

一个为搜索准备一份 Google 文档的 n8n 工作流。它把文字切成若干节，让模型为每一节写一句简短的背景，再把每一节连同它的背景变成 Gemini 向量，存进 Pinecone。

包里有什么

• workflow.json：n8n 导出的工作流，16 个节点。十三个在运行：一个手动触发器、Drive 下载、文字提取、一个切分各节的 Code 节点、一个 Split Out 和一个 Loop Over Items、带 OpenRouter 聊天模型的智能体、一个 Set 节点，以及带加载器、文本切分器和嵌入的 Pinecone 存储。三个是便签。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

• OpenRouter Chat Model 节点原来没设模型，所以运行的是 n8n 的默认值 openai/gpt-4.1-mini。OpenAI 的弃用页面（2026 年 11 月 12 日查阅）显示这个模型 2027 年 1 月 14 日关停，并给出 gpt-6-luna。节点现在设成 openai/gpt-6-luna，OpenRouter 的公开模型列表里有它。智能体没有工具，所以这个模型合适。
• Embeddings Google Gemini 原来用 models/text-embedding-004。Google 的页面（2026 年 11 月 12 日查阅）显示它已在 2026 年 1 月 14 日关停，并给出 gemini-embedding-2。节点现在用 models/gemini-embedding-001，它只处理文字，也是这个节点的默认值，默认返回 3072 个数值。
• Split Document Text Into Sections 原来按 [SECTIONEND] 两边一整行固定的虚线来切，而空的一节会被交给智能体。现在的代码在 [SECTIONEND] 处切开，两边有没有虚线都行，并对每一节去掉首尾空白，丢掉空的一节。
• 凭据关联已删除。Get Document From Google Drive 里的 Google 文档是空的，由你自己选，因为原来指向的是一位具名个人的文档。
• 便签重写过，指向一段视频的那张去掉了。
• 文件的名称是我们起的。
• 别的都没改。智能体的提示词、Set 节点、切分器和循环都照原文件。

Mindket 对照 n8n 的源码、Google 的页面和 OpenRouter 的公开模型列表读过这份副本，没有在真实的 n8n 上运行。

开始之前

• 一个 n8n 实例，n8n Cloud 或自己的服务器都行。
• 一个 Google 账号和一份 Google 文档。
• 一个 OpenRouter API 密钥。
• 一个给 Gemini 凭据用的 Google AI Studio API 密钥。
• 一个 Pinecone 账号和一个 API 密钥。

设置

1. 在 Pinecone 里建一个名为 context-rag-test 的索引，3072 维，余弦度量，并复制一个 API 密钥。
2. 在 n8n 里新建一个工作流，打开它的菜单，选 Import from File，选中 workflow.json。
3. 添加一个 Google Drive 凭据、一个 OpenRouter 凭据、一个填着你 AI Studio 密钥的 Google Gemini (PaLM) 凭据和一个 Pinecone 凭据。在需要它们的节点里选中。
4. 在 Get Document From Google Drive 里，选你的 Google 文档。
5. 在 Pinecone Vector Store 里，选你的索引。
6. 在你的文档里，各节之间放一行内容为 [SECTIONEND] 的分隔线。
7. 点 Test workflow。

一次运行的过程

1. Get Document From Google Drive 下载这份文档，并把它转成纯文本。
2. Extract Text Data From Google Document 把这段文字放进一个叫 data 的字段。
3. Split Document Text Into Sections 在每个 [SECTIONEND] 标记处切开 data。各节放在 section 里，同样的各节合成一个 JSON 字符串放在 document 里。
4. Prepare Sections For Looping 把各节变成每节一条数据，Loop Over Items 一次一条地交下去。
5. AI Agent - Prepare Context 把整份文档和其中一节交给模型，请它写一句有助于搜索找到这一节的简短背景，答案里别的什么都不要。
6. Concatenate the context and section text 用模型的那一句、一个句号和这一节，做出字段 section_chunk。
7. Pinecone Vector Store 以插入模式存储 section_chunk。Embeddings Google Gemini 生成向量，Default Data Loader 读取这个字段，Recursive Character Text Splitter 的块大小是 100000，所以一节保持完整。然后循环转到下一节。

想改的地方

• 各节之间的标记：Split Document Text Into Sections 里的匹配模式。
• 问模型什么：AI Agent - Prepare Context 里的 text 字段。
• 写背景的模型：OpenRouter Chat Model。
• 嵌入模型：Embeddings Google Gemini。换了它，就按它的大小建一个新索引。
• 索引：Pinecone Vector Store。

要知道的

• 每一节连同它的背景，要在 gemini-embedding-001 的 2048 个 token 上限之内。
• 工作流每次运行处理一份文档。运行两次，所有内容就存两遍，因为 Pinecone 节点的 Clear Namespace 选项是关着的。
• 每次模型调用都带着整份文档，所以文档越长，每多一节就越贵。
• 循环结束的那个输出没有接任何节点，所以最后一节存好之后运行就结束了。
• 数据去向：文档的文字会发给 OpenRouter、你所选模型的提供方和 Google，向量发给 Pinecone。
• 费用：每一节一次模型调用和一次嵌入调用。