Google Drive文件夹自动建成可检索的向量知识库

原文要点

这是n8n.io上的免费工作流模板（编号19424，Stanislaw Chalupczak发布）。流程可手动、每天凌晨3点定时、或Drive文件夹有新文件时触发；扫描指定Google Drive文件夹，用n8n Data Table记录fileId/indexedAt/modifiedTime以跳过未改动文件；按MIME类型分流处理：导出Google文档/表格、PDF提取文本（扫描件先OCR转换）、解析Excel、用OpenAI Vision描述图片、把DOCX/PPTX转成Google格式再导出；文本分块后生成OpenAI嵌入（text-embedding-3-small，索引维度1536）写入Pinecone并带title/source/fileId元数据；Drive中已删除的文件会同步删除对应向量和表记录；不支持的格式通过Gmail通知管理员并记录避免重复告警。

这次做成什么

在n8n中搭一条Drive文件夹到Pinecone向量库的自动同步索引流程：增量索引、按类型提取、删除同步、异常通知。模板无工作流文件可下载，以下为按原文说明独立设计的搭建方案，节点名称以你所用n8n版本为准。

准备什么

• n8n实例（需支持Data Table功能，社区版较新版本可用）
• Google Drive OAuth2凭据及一个待索引的测试文件夹ID
• OpenAI API Key（嵌入与Vision描述图片都要用）
• Pinecone账号，已建维度1536的索引，拿到index name、host、namespace
• Gmail OAuth2凭据和管理员邮箱地址
• 两三个不同类型的测试文件（如一份Google文档、一份PDF、一张图片）

具体怎么做

1. 建Data Table并配置Settings

   在n8n的Data Tables里新建表gdrive_indexed_files，三列：fileId（文本）、indexedAt（日期）、modifiedTime（文本）。工作流第一个节点放Edit Fields命名为Settings，写入folder_id、admin_email、pinecone_index、pinecone_host、namespace、chunkSize（如1000）、chunkOverlap（如200）。配好Google Drive、OpenAI、Pinecone、Gmail四条凭据。

2. 加三种触发器并列出文件夹文件

   加三个触发节点汇入同一流程：Manual Trigger（手动跑首次建索引）、Schedule Trigger（每天凌晨3:00）、Google Drive Trigger（监听指定文件夹新建文件）。后接Google Drive节点的List Files操作，读取Settings里的folder_id，过滤掉名称带ocr_tmp/converted前缀的中间转换文件，逐文件循环处理。

3. 增量判断：跳过未改动文件

   循环内先用Data Table的Get操作按fileId查记录，接IF节点比较：若表中modifiedTime与Drive返回的modifiedTime相同，直接跳过该文件；不同或不存在才继续。这是避免每次全量重建嵌入、控制OpenAI费用的关键一步。

4. 按MIME类型分流提取内容

   接Switch节点按文件的mimeType分六路：Google文档/表格用Drive的Export操作导出为纯文本或CSV；PDF用Extract from File节点提文本，提取为空的扫描件走OCR分支（先转换再提取）；Excel用电子表格解析节点读出全部行；图片调OpenAI的Vision能力生成文字描述；DOCX/PPTX先用Drive转换为Google格式再导出文本。六路最终都汇成统一字段：fileId、title、content。

5. 分块、嵌入并写入Pinecone

   汇入Text Splitter（Recursive Character），chunkSize和chunkOverlap取Settings值；每个分块调OpenAI Embeddings（text-embedding-3-small）生成向量。写Pinecone前先按fileId删除该文件旧向量，再批量upsert新向量，metadata带title、source（Drive链接）、fileId。全部块写完后，向Data Table upsert该文件的fileId/indexedAt/modifiedTime记录。

6. 删除同步与不支持的格式通知

   循环结束后加一个收尾段：读取Data Table全部fileId，与本次Drive列出的文件清单比对，表里有而Drive没有的fileId，删其Pinecone向量并删表记录。Switch节点加default分支：不支持的MIME类型走Gmail节点给admin_email发通知（含文件名和类型），同时在表里记一条skip标记，防止每天重复告警。

7. 先手动建初始索引再开触发器

   用下方测试文件清单放进测试文件夹，点Manual Trigger跑一遍"首次建索引"：确认Data Table出现记录、Pinecone里能按fileId查到向量。通过后再激活Schedule和Drive两个触发器进入日常同步。

可直接复制的材料

{
  "folder_id": "1AbCdEfGhIjKlMnOpQrStUvWxYz",
  "admin_email": "admin@example.com",
  "pinecone_index": "drive-kb",
  "pinecone_host": "drive-kb-xxxx.svc.aped-4627-b74a.pinecone.io",
  "namespace": "default",
  "chunkSize": 1000,
  "chunkOverlap": 200,
  "embedding_model": "text-embedding-3-small",
  "embedding_dimension": 1536
}

// 输入：当前文件信息 + 分块数组 chunks
const file = $('Loop Files').item.json;
const chunks = $input.all().map(i => i.json.chunk);
return chunks.map((chunk, idx) => ({json:{
  vector_id: `${file.id}_chunk_${idx}`,
  text: chunk,
  metadata: {
    fileId: file.id,
    title: file.name,
    source: `https://drive.google.com/file/d/${file.id}/view`,
    chunk_index: idx
  }
}}));

文件名,类型,预期路径
产品FAQ（Google文档）,application/vnd.google-apps.document,Export导出文本→分块→嵌入
报价单扫描件.pdf,application/pdf,提取为空→OCR转换→再提取
功能清单.xlsx,application/vnd.openxmlformats-officedocument.spreadsheetml.sheet,解析全部行→文本化→嵌入
界面截图.png,image/png,OpenAI Vision生成描述→嵌入
旧版演示.pptx,application/vnd.openxmlformats-officedocument.presentationml.presentation,转为Google幻灯片→导出文本
字体文件.woff2,font/woff2,不支持→Gmail通知+表内记skip

输入与输出示例

本站虚构演示，未真实运行，块数按3200字/1000字每块估算。

输入

测试文件夹含上表6个文件；首次手动运行时Data Table为空，chunkSize=1000、chunkOverlap=200。其中"产品FAQ"导出文本约3200字，被切成4块。

对应输出

运行后关键结果：Data Table新增5条索引记录（fileId、indexedAt=2026-09-14T03:00:00Z、modifiedTime）加1条skip记录；Pinecone中fileId=1FaQ...的向量按1FaQ..._chunk_0至_chunk_3共4条upsert，metadata含title='产品FAQ'与source链接；admin@example.com收到一封Gmail："不支持的文件：字体文件.woff2（font/woff2），已跳过"。第二次运行因modifiedTime未变，6个文件全部跳过，OpenAI零调用。

做完检查这些

• 首次运行后Data Table中每个支持文件各有一条记录，且modifiedTime与Drive一致
• 不改动任何文件再次运行，所有文件被跳过、不产生新的OpenAI嵌入调用
• 在Pinecone按metadata.fileId过滤能查到对应向量，且vector_id含chunk序号
• 从Drive删除一个文件后再次运行，其向量和表记录均被清除
• 放入woff2等不支持格式只收到一封通知，重复运行不再告警

容易卡住的地方

• Pinecone索引维度必须是1536，与text-embedding-3-small匹配，建错维度upsert会报错
• 扫描版PDF直接提取文本为空，必须保留OCR分支，否则该文件索引出空内容
• DOCX/PPTX要先转换成Google格式再导出，直接Export会失败
• 重索引前必须先按fileId删旧向量，否则新旧分块并存导致检索重复
• OpenAI嵌入、Vision和Pinecone存储都计费，大文件夹首次建索引前先小样本试跑
• Google Drive Trigger有轮询延迟，急用的文件可手动触发补跑