Использование векторных БД в n8n лекция Михаила Бакуничева от 16.01.2026

Практический гайд по настройке RAG-агента в n8n от Михаила Бакуничева. SQL-код, эмбеддинги, чанки — всё с нуля. В этой лекции разбираем: • SQL-код для создания векторной таблицы (pgvector, HNSW индекс) • Настройки эмбеддингов: chunk size, overlap, dimensions • Метадата для фильтрации и обновления документов • Альтернативы OpenAI: Яндекс, Сбер, локальные модели • Self-hosted решения для 152-ФЗ ⏱ Таймкоды: 00:00 — Введение и задача 01:07 — SQL-код для создания векторной таблицы 03:04 — Документация n8n vs кастомный подход 04:05 — Методы поиска: cosine similarity, HNSW индекс 05:16 — Что такое семантический поиск 06:17 — Защита от пустых документов (constraints) 06:59 — Метадата и индексы для фильтрации 08:05 — Загрузка документов в n8n 09:35 — Работа с PDF и изображениями 10:44 — Embedded Batch Size и QueryName 12:56 — Text Splitters: Token vs Recursive Character 14:14 — Chunk Size (1000) и Overlap (200) 16:13 — Выбор эмбеддинг-модели: text-embedding-3-small 17:39 — Обновление документов через метадату 19:03 — Q&A: тестирование и бизнес-требования 22:02 — Персональные данные и 152-ФЗ 23:15 — Яндекс эмбеддинги как альтернатива OpenAI 24:37 — Metadata Filter в VectorStore Tool 28:59 — Проблема множества Tools vs промпт-инжиниринг 35:03 — Подготовка и очистка данных 40:40 — Q&A: формат документов (PDF, Markdown, HTML) 44:34 — Подключение Яндекс эмбеддингов 50:35 — Коллекции в Postgres 52:50 — Self-hosted: развертывание на своем сервере 58:36 — Итоги и ссылки Лекция из сообщества разработчиков n8n. #n8n #rag #vectordb #ai #автоматизация