n8n + RAG + MCP

基于 n8n 的 GitLab issues
RAG 智能检索系统

让历史 issues 成为可对话的工程知识库

按 → 或点击下一页开始
02

项目目标

1

语义向量化

将 issues 数据转化为 AI 可理解的向量化知识

2

智能问答

支持自然语言提问与智能总结

3

可扩展架构

构建可复用、可扩展的研发知识检索能力

03

系统整体架构

多模型 Agent 智能问答
MCP Server 标准化 AI 检索
n8n 自动化调度
Qdrant 向量数据库
GitLab issues 数据源
04

流程一：数据采集与向量化

Ingestion

1. 数据抓取

n8n 自动抓取指定 GitLab issues 范围

2. 数据清洗

深度清洗 Markdown / HTML 噪音

3. 语义提取

仅保留 issues 核心语义字段

4. 向量化存储

OpenAI Embedding + Token 分片写入 Qdrant

05

流程二：标准化 MCP 检索服务

MCP Server
SSE Protocol
AI Tool Interface
GPT-4o-mini
DeepSeek
基于 SSE 协议暴露 MCP Server Trigger
将 issues 向量检索能力封装为标准 AI Tool
后端同时支持 GPT-4o-mini 与 DeepSeek
模型切换不影响业务逻辑
06

流程三：智能问答 Agentic Workflow

1

意图判断

需要检索？
YES NO
2

查询重写

"之前那个bug"
"登录模块 token 过期问题"
3

上下文记忆

Session Memory 多轮对话理解
07

技术亮点总结

全流程自动化

抓取 → 清洗 → 向量化 → 检索

三段式检索策略

显著降低 LLM 幻觉风险

可靠性保障

MCP 架构设计

实现能力解耦与横向扩展

08

实际应用价值

效率提升

开发问题定位速度显著提升

经验复用

历史经验得以长期复用

AI 赋能

为 AI Coding / Agent 提供高质量私有上下文

🚀 让知识流动，让 AI 更懂你的代码