Drive 同步的 Telegram 知识库机器人

原文要点

原工作流由 MADIAD 发布（n8n.io/workflows/19789，免费模板）：Telegram 收到提问后交给 LangChain AI Agent，组合 OpenRouter 聊天模型、Postgres 聊天记忆与 Supabase 向量库工具（OpenAI embedding）检索上下文作答并回发 Telegram。另一条线监听 Google Drive：新文件触发下载 PDF、抽文本、切块、embedding 入 Supabase；更新触发先按文件名删除旧向量再重建；文件出现在指定 trash 文件夹时删除对应向量并从 Drive 删除文件。作者提醒：按文件名删向量要求切块元数据里稳定写入 fileName。

这次做成什么

搭一套『Drive 同步的 Telegram 知识库机器人』：向测试机器人提问时从已索引的 PDF 检索答案；往 Drive 文件夹放/改/移入回收文件夹 PDF 时，向量库自动新增、重建或清除。练习方案：只用一份自己写的测试 PDF 和隔离的测试文件夹跑通三条同步线。

准备什么

• n8n 实例，可连 Telegram/Google/Supabase/OpenRouter/OpenAI/Postgres
• @BotFather 创建的测试机器人 token
• Google Drive OAuth2 凭据，测试文件夹需授权下载与删除权限
• 已启用 pgvector 的 Supabase 项目及服务密钥
• OpenRouter API 密钥（聊天模型）与 OpenAI API 密钥（embedding）
• 可写的 Postgres 实例用于聊天记忆（可用 Supabase 自带库或独立测试库）

具体怎么做

1. 建向量表与凭据

   在 Supabase SQL 编辑器执行下方建表语句（本站示例，表名与维度按你的 embedding 模型调整），启用 vector 扩展。n8n 里依次添加 Telegram、Google Drive OAuth2、Supabase、OpenRouter、OpenAI、Postgres 六组凭据。

2. 接问答线：Telegram→Agent→回复

   Telegram Trigger 收消息，把文本送入 LangChain AI Agent 节点；Agent 挂三样东西：OpenRouter 聊天模型、Postgres Chat Memory（以 Telegram chat id 作会话键）、Supabase Vector Store 工具（OpenAI embedding，指向上面的表）。Agent 输出经 Telegram 节点发回原会话。

3. 接新增线：新 PDF 入库

   Google Drive Trigger 监听『新建文件』的测试文件夹；后接 Download 节点取 PDF、文本抽取节点取全文、文本切分节点切块，切块时把 fileName 写入每块 metadata；再用 OpenAI embedding 生成向量插入 Supabase 表。

4. 接更新线：先删后重建

   第二个 Drive Trigger 监听『文件更新』；先执行删除：按 metadata 里 fileName 等于该文件名删掉旧向量（Supabase 删除节点或 SQL 节点），再复用新增线的下载→抽取→切块→embedding→插入流程重建该文件的全部向量。

5. 接收回线：移入 trash 即清除

   第三个 Drive Trigger 监听指定的 trash 文件夹；文件出现时同样按 fileName 删除 Supabase 中匹配向量，然后调用 Drive 删除节点把该文件从 Drive 移除，避免过期资料继续被检索命中。

6. 端到端测试

   把下方测试 PDF 内容存成 demo-faq.pdf 放进源文件夹，等新增线跑完；在 Telegram 问『演示产品的退款期限是多久』，机器人应引用 30 天作答。修改 PDF 把 30 天改为 14 天覆盖上传，再问应得到 14 天；把文件移入 trash 文件夹后再问，应回答找不到相关资料，且 Drive 中文件被删除。

可直接复制的材料

create extension if not exists vector;

create table if not exists documents (
  id bigserial primary key,
  content text,
  metadata jsonb,
  embedding vector(1536)
);

create index if not exists documents_embedding_idx
  on documents using ivfflat (embedding vector_cosine_ops)
  with (lists = 100);

-- 按文件名清除某文件全部向量（更新线与回收线共用此思路）
delete from documents
where metadata->>'fileName' = 'demo-faq.pdf';

演示产品 FAQ（虚构）
1. 演示产品的退款期限是购买后 30 天内，超过期限不予受理。
2. 演示账号最多支持 5 台设备同时登录。
3. 企业版包含单点登录与审计日志功能，标准版不包含。
4. 数据导出支持 CSV 与 JSON 两种格式。

输入与输出示例

本站虚构演示，未实际运行，非原作者结果；回复措辞取决于所选聊天模型。

输入

上传含上方四条 FAQ 的 demo-faq.pdf 到 Drive 源文件夹，然后在 Telegram 测试会话发送：『演示产品的退款期限是多久？』

对应输出

机器人回复大意：『根据知识库内容，演示产品的退款期限是购买后 30 天内，超过期限不予受理。』将 PDF 中 30 天改为 14 天覆盖上传触发更新线后，再问同一问题回复变为 14 天；把文件移入 trash 文件夹后，Supabase 中 fileName=demo-faq.pdf 的向量被清空，再问回复为未找到相关资料，且 Drive 里该文件已被删除。

做完检查这些

• 新 PDF 放入源文件夹后，Supabase 表中新增多行且每行 metadata 都含相同的 fileName 值
• Telegram 提问退款期限，回答中的天数与当前 PDF 版本一致（30→改后 14）
• 覆盖上传同名文件后，旧版本内容不再被检索到，表中该文件的向量数量与新版切块数一致
• 文件移入 trash 文件夹后，按 fileName 查询 Supabase 返回 0 行，且 Drive 中该文件被删除
• 连续两轮对话中 Postgres 记忆生效，第二轮能引用第一轮上下文

容易卡住的地方

• 切块时忘了把 fileName 写进 metadata，更新与回收线会删不掉旧向量，导致新旧答案并存
• Drive 凭据只有读取权限时下载正常但回收线的删除会失败，需在 OAuth 授权时给足范围
• embedding 模型维度与建表维度不一致会插入报错，换模型必须重建表
• 更新线若先重建后删除，顺序错了会把新向量也清掉，必须先删后建
• OpenRouter 模型名拼写错误或额度不足会让 Agent 静默失败，先在节点里单独试跑模型
• trash 文件夹用系统回收站代替指定文件夹时触发条件不同，本方案依赖你自己指定的文件夹