把整站内容建成向量库的Gemini客服问答机器人

原文要点

原模板为Mohammad Abid发布的免费n8n工作流（n8n.io/workflows/19587），分爬取段与问答段：手动执行后先查Pinecone索引主机并清空指定命名空间的全部向量；用Firecrawl映射目标站点返回最多100个URL，过滤、去重、规范化后逐个抓取并加短延迟；每页经HTTP抓取后剥离HTML、脚本、样式为纯文本，内容过少则跳过；剩余文本切成有重叠的块，用Google Gemini嵌入模型生成向量，连同URL元数据写入Pinecone命名空间。问答段通过公开chat webhook接收访客消息，Gemini代理检索最相关片段，配合短窗口记忆作答。原文明确提示每次重建会删除该命名空间全部向量。

这次做成什么

把自己公司站点内容灌入Pinecone命名空间，再挂一个公开问答webhook，让访客就站点内容提问并得到带依据的回答。本站用三页虚构站点内容做练习方案，验证切块、入库与检索链路。

准备什么

• n8n实例，能使用chat触发器并对外开放webhook访问
• Firecrawl账号及API密钥，抓取额度由Firecrawl计费
• Pinecone账号，已建索引且维度与所选Gemini嵌入模型一致
• Google Gemini（PaLM/Gemini）API凭据，嵌入与聊天模型可用，费用由Google另计
• 一个允许抓取的测试站点，或自己可控的演示页面

具体怎么做

1. 建Pinecone索引与专用命名空间

   在Pinecone控制台创建索引，向量维度必须等于你选用的Gemini嵌入模型的输出维度（建索引前先在Google AI文档确认该模型维度，再按此填写）。专门新建一个命名空间如site-demo-v1，只给这个机器人用；在所有Pinecone节点把YOUR_PINECONE_INDEX和YOUR_PINECONE_NAMESPACE占位值替换成实际名称。

2. 替换目标网址并配置爬取段

   把爬取段中https://example.com/换成你的站点根URL；按需调整Firecrawl的URL上限（默认最多100个）、屏蔽关键词列表、切块大小与重叠长度、页面间延迟。先用小站点测试，确认过滤后的URL清单里没有登录页或无关外链。

3. 手动执行一次灌库并核对入库结果

   确认Firecrawl、Pinecone、Gemini三套凭据均已连接后手动执行爬取段。执行前再次确认命名空间是专用空间，因为流程会先删除该命名空间全部向量再重建。执行完到Pinecone控制台看该命名空间的向量数大于0，并抽查若干向量的元数据包含来源URL。

4. 配置问答段并验证检索回答

   问答段的Gemini嵌入模型必须与爬取段完全相同，否则检索向量对不上。确认代理从同一索引和命名空间检索，窗口记忆保持默认短窗口即可。在n8n内用chat触发器的测试对话问一个站点内容相关问题，看回答是否引用了正确的页面内容。

5. 发布公开webhook并嵌入站点

   测试满意后复制chat触发器的公开webhook URL，嵌入你的网站聊天组件或聊天客户端。嵌入后再从访客视角发一条消息做最终验证，确认回答与站内测试一致。

可直接复制的材料

# page /pricing 纯文本（清洗后期望保留的正文）
云澜文档协作产品价格页：标准版每成员每月59元，含50GB空间；团队版每成员每月99元，含500GB空间与审计日志；所有套餐按年付享九折。支持7天无理由退款。

# page /refund 纯文本
退款政策：订阅后7天内可申请全额退款，退款在3至5个工作日原路退回；超过7天按剩余月份比例退还年费差额。

# page /security 纯文本
安全说明：数据传输采用TLS加密，静态数据AES-256加密存储，数据中心位于华东。

你是云澜文档协作的站点客服助手。只能根据从知识库检索到的内容回答，回答末尾用【来源：URL】列出用到的页面地址。检索结果中没有相关内容时，直接说“站内资料中未找到该信息，建议联系人工客服”，不要凭常识编造价格或政策。涉及金额时原样引用检索到的数字与单位。

{
  "pinecone_index": "替换YOUR_PINECONE_INDEX为你的索引名",
  "pinecone_namespace": "替换YOUR_PINECONE_NAMESPACE为专用空间名，如site-demo-v1",
  "crawl_root_url": "替换https://example.com/为你的站点根URL",
  "firecrawl_url_limit": 100,
  "embedding_model_consistency": "爬取段与问答段必须选同一个Gemini嵌入模型",
  "index_dimension_rule": "索引维度=所选嵌入模型输出维度，建库前查官方文档确认",
  "namespace_warning": "每次灌库先删除该命名空间全部向量，禁止与别的应用共用"
}

输入与输出示例

本站虚构演示，数字与上面的合成页面一一对应，非原作者运行结果

输入

灌库后对公开webhook发送："团队版多少钱？退款要多久到账？"

对应输出

团队版每成员每月99元，包含500GB空间与审计日志；按年付可享九折。退款方面，订阅7天内可申请全额退款，款项在3至5个工作日内原路退回。【来源：/pricing】【来源：/refund】

做完检查这些

• 灌库执行后Pinecone专用命名空间中向量数大于0，且抽查向量的元数据含来源URL字段
• 用与页面内容直接相关的问题提问时，回答中的数字与合成页面原文一致，并附来源标记
• 问站点内容之外的问题（如天气）时，机器人按提示词回复未找到信息而非编造
• 第二次灌库后向量总数与本次入库块数一致，没有旧内容重复残留

容易卡住的地方

• 清空命名空间步骤不可跳过审查：共用命名空间会在重建时误删其他应用的全部向量
• 爬取段与问答段用了不同嵌入模型时，检索结果会完全错位或为空，两处必须逐一核对
• Pinecone索引维度与嵌入模型维度不匹配会直接写入失败，且维度在建索引后通常不能修改
• Firecrawl映射上限为100个URL，大站点会先被截断，需要调整上限或分段抓取
• 公开webhook没有鉴权，任何人拿到URL都能提问，注意Gemini与检索调用成本