A maior parte dos tutoriais de RAG na internet mostra sempre o mesmo brinquedo: «converse com o seu PDF». O que raramente se refere é que estas demonstrações estão muito longe de uma utilização produtiva. Assim que a base de conhecimento cresce, que os documentos são atualizados ou que os utilizadores fazem perguntas que ninguém testou, começam os problemas. É exatamente aqui que entra a abordagem descrita a seguir.
No seu vídeo, Cole Medin mostra como construir com as duas ferramentas n8n (automatização de fluxos de trabalho, comparável ao Make.com ou ao Zapier) e Supabase (plataforma de base de dados com suporte vetorial através de PG Vector) um agente de IA RAG mais próximo da prática do que muitos outros guias. A promessa: nenhum código, esforço controlável e uma montagem que cresce com a base de conhecimento. Para quem decide numa PME isto é interessante sobretudo porque permite tornar pesquisáveis documentos internos, atas ou manuais sem ter de manter uma equipa de desenvolvimento.
- O RAG (Retrieval Augmented Generation) liga um modelo de linguagem a uma base de conhecimento própria, de modo que o agente aceda aos seus documentos e não apenas ao que aprendeu no treino.
- O n8n encarrega-se da automatização; o Supabase serve ao mesmo tempo de memória de conversa e de base de dados vetorial.
- Toda a montagem funciona sem programação e, segundo o vídeo, fica pronta em menos de 15 minutos.
- Dois detalhes distinguem esta abordagem dos tutoriais superficiais: um armazenamento escalável para o histórico da conversa e a eliminação de vetores desatualizados, para evitar duplicados.
- Segundo o vídeo, o escalão gratuito do Supabase chega perfeitamente para começar.
O que o agente faz na prática
O funcionamento é mostrado no vídeo com um exemplo simples. No início a base de conhecimento está vazia e a tabela correspondente no Supabase não tem registos. Como seria de esperar, o agente não consegue responder a uma pergunta de teste sobre as tarefas saídas de uma reunião.
De seguida, coloca-se numa pasta vigiada um documento com notas de reunião, sob a forma de Google Doc. Ao fim de cerca de um minuto corre em segundo plano um fluxo de trabalho n8n que processa o ficheiro e o insere na base de conhecimento. Depois disso surge no Supabase um novo registo com o conteúdo da página, os metadados (entre outros, o ID do ficheiro no Google Drive) e o chamado vetor de embedding. Se voltar a fazer a mesma pergunta, o agente dá agora a resposta correta a partir do documento. As atualizações do ficheiro são igualmente detetadas e refletidas.
A montagem em síntese
O fluxo de trabalho tem duas partes: o agente de conversa propriamente dito e um percurso separado que insere documentos automaticamente na base de conhecimento. Segundo o vídeo, é possível descarregar de um repositório GitHub um template JSON já pronto e carregá-lo na própria instância de n8n através de “Import from file”. Depois disso, basta acrescentar as próprias credenciais e a pasta pretendida.
Preparar o Supabase
O Supabase é configurado com uma conta GitHub. Duas áreas das definições do projeto fornecem as credenciais necessárias:
- Database: host, nome da base de dados, porta, utilizador e palavra-passe para a ligação Postgres. Estes dados são usados para a memória de conversa.
- API: o URL específico do projeto e o service role secret. Estes dados são necessários para a base de dados vetorial.
Para a pesquisa vetorial, o n8n disponibiliza na sua documentação código SQL já pronto. Executa-se uma única vez no editor SQL do Supabase e cria automaticamente a extensão PG Vector, a tabela de documentos e a função de correspondência para RAG. Não é preciso escrever código próprio.
O agente de conversa
O agente é iniciado por um acionador “When a chat message is received”. Este disponibiliza ao mesmo tempo uma janela de conversa dentro do próprio n8n, com a qual se pode testar o agente sem qualquer deployment. Se necessário, a mesma interface pode ser integrada num site através de código de incorporação já pronto. Ao agente estão ligados três blocos:
- Modelo de conversa: no exemplo, GPT-4o mini, ligado através da chave de API da OpenAI. Em alternativa, também é possível usar a Anthropic.
- Memória de conversa: aqui usa-se deliberadamente Postgres através do Supabase, em vez do armazenamento local em janela tantas vezes recomendado. O armazenamento local sobrecarrega o servidor n8n e escala mal. A tabela necessária é criada pelo próprio n8n quando é preciso.
- Ferramenta RAG: a ferramenta “retrieve documents” com o Supabase como armazenamento vetorial, configurada através do nome da tabela e da função de consulta.
Inserir documentos automaticamente
A segunda parte do fluxo de trabalho mantém a base de conhecimento atualizada. Um acionador do Google Drive verifica regularmente numa pasta definida se há ficheiros novos ou alterados. O resto do processo:
- O ID do ficheiro é extraído e passado aos passos seguintes.
- Os vetores existentes com o mesmo ID de ficheiro são eliminados no Supabase (mais sobre isto abaixo).
- O ficheiro é descarregado; os documentos são convertidos em texto e as folhas do Google Sheets em CSV, para obter o conteúdo textual puro.
- O texto é inserido na base de dados vetorial. Em ficheiros pequenos dispensa-se a divisão em blocos; caso contrário, usa-se um simples divisor de texto recursivo.
Dois detalhes que decidem a utilidade na prática
O artigo destaca dois pontos que faltam em muitos tutoriais e que causam problemas precisamente quando a coisa fica séria.
Memória de conversa escalável
O histórico de uma conversa é muitas vezes guardado localmente na instância de n8n, por ser o mais simples. É precisamente isso que sobrecarrega o servidor à medida que a utilização cresce. Passá-lo para uma base de dados Postgres no Supabase é o passo que torna o agente verdadeiramente robusto.
Eliminar vetores desatualizados
O ponto mais importante diz respeito às atualizações. As opções de vetores do n8n não funcionam como “upsert”: ao ser inserido de novo, um vetor existente não é substituído, mas duplicado, porque o ID do ficheiro não serve de ID do vetor. Se atualizar várias vezes o mesmo ficheiro, acumulam-se duplicados e a qualidade das respostas sofre. A solução no fluxo de trabalho: antes de cada inserção são eliminados todos os vetores cujos metadados contêm o ID do ficheiro do documento atual do Google Drive. Só depois é inserida a versão nova e atualizada. Assim mantém-se exatamente um registo atual por documento.
Enquadramento para quem decide
A montagem apresentada é explicitamente pensada como um ponto de partida sólido, não como solução final acabada. Extensões como uma melhor pesquisa semântica ou uma pesquisa adicional por palavras-chave são possíveis, mas ficam deliberadamente em aberto. Ainda assim, para uma primeira base de conhecimento próxima da produção, a abordagem aguenta-se.
Digno de nota é o lado dos custos: segundo o vídeo, o escalão gratuito do Supabase chega para começar, e a mudança para o plano pago só compensa quando se escala. Quem já trabalha com n8n consegue montar o agente com os seus próprios documentos em pouco tempo, sem encomendar desenvolvimento externo.
Conclusão
O artigo mostra de forma sóbria e compreensível como implementar um agente de IA RAG com n8n e Supabase sem programação. O verdadeiro valor não está no efeito rápido de demonstração, mas em dois detalhes muitas vezes ignorados: uma memória de conversa escalável e a remoção consequente de vetores desatualizados. São precisamente estes pontos que decidem se um agente continua utilizável à medida que a base de conhecimento cresce ou se se torna pouco fiável com o tempo. Quem quiser tornar documentos internos pesquisáveis recebe aqui um plano pragmático, que pode ser alargado passo a passo.
Fonte: Cole Medin, “This RAG AI Agent with n8n + Supabase is the Real Deal”, https://www.youtube.com/watch?v=PEI_ePNNfJQ