- \n
- O RAG (Retrieval Augmented Generation) liga um modelo de linguagem a uma base de conhecimento pr\u00f3pria, de modo que o agente aceda aos seus documentos e n\u00e3o apenas ao que aprendeu no treino.<\/li>\n
- O n8n encarrega-se da automatiza\u00e7\u00e3o; o Supabase serve ao mesmo tempo de mem\u00f3ria de conversa e de base de dados vetorial.<\/li>\n
- Toda a montagem funciona sem programa\u00e7\u00e3o e, segundo o v\u00eddeo, fica pronta em menos de 15 minutos.<\/li>\n
- Dois detalhes distinguem esta abordagem dos tutoriais superficiais: um armazenamento escal\u00e1vel para o hist\u00f3rico da conversa e a elimina\u00e7\u00e3o de vetores desatualizados, para evitar duplicados.<\/li>\n
- Segundo o v\u00eddeo, o escal\u00e3o gratuito do Supabase chega perfeitamente para come\u00e7ar.<\/li>\n<\/ul>\n<\/div>\n
![\"Compara\u00e7\u00e3o](\"https:\/\/pletzenauer.com\/wp-content\/uploads\/2026\/06\/1486-1.png\")
Dois detalhes muitas vezes ignorados decidem se um agente RAG continua utiliz\u00e1vel \u00e0 medida que a base de conhecimento cresce.<\/figcaption><\/figure>\n O que o agente faz na pr\u00e1tica<\/h2>\n
O funcionamento \u00e9 mostrado no v\u00eddeo com um exemplo simples. No in\u00edcio a base de conhecimento est\u00e1 vazia e a tabela correspondente no Supabase n\u00e3o tem registos. Como seria de esperar, o agente n\u00e3o consegue responder a uma pergunta de teste sobre as tarefas sa\u00eddas de uma reuni\u00e3o.<\/p>\n
De seguida, coloca-se numa pasta vigiada um documento com notas de reuni\u00e3o, 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 conte\u00fado da p\u00e1gina, 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 d\u00e1 agora a resposta correta a partir do documento. As atualiza\u00e7\u00f5es do ficheiro s\u00e3o igualmente detetadas e refletidas.<\/p>\n
A montagem em s\u00edntese<\/h2>\n
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 v\u00eddeo, \u00e9 poss\u00edvel descarregar de um reposit\u00f3rio GitHub um template JSON j\u00e1 pronto e carreg\u00e1-lo na pr\u00f3pria inst\u00e2ncia de n8n atrav\u00e9s de “Import from file”. Depois disso, basta acrescentar as pr\u00f3prias credenciais e a pasta pretendida.<\/p>\n
Preparar o Supabase<\/h3>\n
O Supabase \u00e9 configurado com uma conta GitHub. Duas \u00e1reas das defini\u00e7\u00f5es do projeto fornecem as credenciais necess\u00e1rias:<\/p>\n
- \n
- Database:<\/strong> host, nome da base de dados, porta, utilizador e palavra-passe para a liga\u00e7\u00e3o Postgres. Estes dados s\u00e3o usados para a mem\u00f3ria de conversa.<\/li>\n
- API:<\/strong> o URL espec\u00edfico do projeto e o service role secret. Estes dados s\u00e3o necess\u00e1rios para a base de dados vetorial.<\/li>\n<\/ul>\n
Para a pesquisa vetorial, o n8n disponibiliza na sua documenta\u00e7\u00e3o c\u00f3digo SQL j\u00e1 pronto. Executa-se uma \u00fanica vez no editor SQL do Supabase e cria automaticamente a extens\u00e3o PG Vector, a tabela de documentos e a fun\u00e7\u00e3o de correspond\u00eancia para RAG. N\u00e3o \u00e9 preciso escrever c\u00f3digo pr\u00f3prio.<\/p>\n
O agente de conversa<\/h3>\n
O agente \u00e9 iniciado por um acionador “When a chat message is received”. Este disponibiliza ao mesmo tempo uma janela de conversa dentro do pr\u00f3prio n8n, com a qual se pode testar o agente sem qualquer deployment. Se necess\u00e1rio, a mesma interface pode ser integrada num site atrav\u00e9s de c\u00f3digo de incorpora\u00e7\u00e3o j\u00e1 pronto. Ao agente est\u00e3o ligados tr\u00eas blocos:<\/p>\n
- \n
- Modelo de conversa:<\/strong> no exemplo, GPT-4o mini, ligado atrav\u00e9s da chave de API da OpenAI. Em alternativa, tamb\u00e9m \u00e9 poss\u00edvel usar a Anthropic.<\/li>\n
- Mem\u00f3ria de conversa:<\/strong> aqui usa-se deliberadamente Postgres atrav\u00e9s do Supabase, em vez do armazenamento local em janela tantas vezes recomendado. O armazenamento local sobrecarrega o servidor n8n e escala mal. A tabela necess\u00e1ria \u00e9 criada pelo pr\u00f3prio n8n quando \u00e9 preciso.<\/li>\n
- Ferramenta RAG:<\/strong> a ferramenta “retrieve documents” com o Supabase como armazenamento vetorial, configurada atrav\u00e9s do nome da tabela e da fun\u00e7\u00e3o de consulta.<\/li>\n<\/ul>\n
Inserir documentos automaticamente<\/h3>\n
A segunda parte do fluxo de trabalho mant\u00e9m a base de conhecimento atualizada. Um acionador do Google Drive verifica regularmente numa pasta definida se h\u00e1 ficheiros novos ou alterados. O resto do processo:<\/p>\n
- \n
- O ID do ficheiro \u00e9 extra\u00eddo e passado aos passos seguintes.<\/li>\n
- Os vetores existentes com o mesmo ID de ficheiro s\u00e3o eliminados no Supabase (mais sobre isto abaixo).<\/li>\n
- O ficheiro \u00e9 descarregado; os documentos s\u00e3o convertidos em texto e as folhas do Google Sheets em CSV, para obter o conte\u00fado textual puro.<\/li>\n
- O texto \u00e9 inserido na base de dados vetorial. Em ficheiros pequenos dispensa-se a divis\u00e3o em blocos; caso contr\u00e1rio, usa-se um simples divisor de texto recursivo.<\/li>\n<\/ul>\n
Dois detalhes que decidem a utilidade na pr\u00e1tica<\/h2>\n
O artigo destaca dois pontos que faltam em muitos tutoriais e que causam problemas precisamente quando a coisa fica s\u00e9ria.<\/p>\n
Mem\u00f3ria de conversa escal\u00e1vel<\/h3>\n
O hist\u00f3rico de uma conversa \u00e9 muitas vezes guardado localmente na inst\u00e2ncia de n8n, por ser o mais simples. \u00c9 precisamente isso que sobrecarrega o servidor \u00e0 medida que a utiliza\u00e7\u00e3o cresce. Pass\u00e1-lo para uma base de dados Postgres no Supabase \u00e9 o passo que torna o agente verdadeiramente robusto.<\/p>\n
Eliminar vetores desatualizados<\/h3>\n
O ponto mais importante diz respeito \u00e0s atualiza\u00e7\u00f5es. As op\u00e7\u00f5es de vetores do n8n n\u00e3o funcionam como “upsert”: ao ser inserido de novo, um vetor existente n\u00e3o \u00e9 substitu\u00eddo, mas duplicado, porque o ID do ficheiro n\u00e3o serve de ID do vetor. Se atualizar v\u00e1rias vezes o mesmo ficheiro, acumulam-se duplicados e a qualidade das respostas sofre. A solu\u00e7\u00e3o no fluxo de trabalho: antes de cada inser\u00e7\u00e3o s\u00e3o eliminados todos os vetores cujos metadados cont\u00eam o ID do ficheiro do documento atual do Google Drive. S\u00f3 depois \u00e9 inserida a vers\u00e3o nova e atualizada. Assim mant\u00e9m-se exatamente um registo atual por documento.<\/p>\n
Enquadramento para quem decide<\/h2>\n
A montagem apresentada \u00e9 explicitamente pensada como um ponto de partida s\u00f3lido, n\u00e3o como solu\u00e7\u00e3o final acabada. Extens\u00f5es como uma melhor pesquisa sem\u00e2ntica ou uma pesquisa adicional por palavras-chave s\u00e3o poss\u00edveis, mas ficam deliberadamente em aberto. Ainda assim, para uma primeira base de conhecimento pr\u00f3xima da produ\u00e7\u00e3o, a abordagem aguenta-se.<\/p>\n
Digno de nota \u00e9 o lado dos custos: segundo o v\u00eddeo, o escal\u00e3o gratuito do Supabase chega para come\u00e7ar, e a mudan\u00e7a para o plano pago s\u00f3 compensa quando se escala. Quem j\u00e1 trabalha com n8n consegue montar o agente com os seus pr\u00f3prios documentos em pouco tempo, sem encomendar desenvolvimento externo.<\/p>\n
Conclus\u00e3o<\/h2>\n
O artigo mostra de forma s\u00f3bria e compreens\u00edvel como implementar um agente de IA RAG com n8n e Supabase sem programa\u00e7\u00e3o. O verdadeiro valor n\u00e3o est\u00e1 no efeito r\u00e1pido de demonstra\u00e7\u00e3o, mas em dois detalhes muitas vezes ignorados: uma mem\u00f3ria de conversa escal\u00e1vel e a remo\u00e7\u00e3o consequente de vetores desatualizados. S\u00e3o precisamente estes pontos que decidem se um agente continua utiliz\u00e1vel \u00e0 medida que a base de conhecimento cresce ou se se torna pouco fi\u00e1vel com o tempo. Quem quiser tornar documentos internos pesquis\u00e1veis recebe aqui um plano pragm\u00e1tico, que pode ser alargado passo a passo.<\/p>\n
- Mem\u00f3ria de conversa:<\/strong> aqui usa-se deliberadamente Postgres atrav\u00e9s do Supabase, em vez do armazenamento local em janela tantas vezes recomendado. O armazenamento local sobrecarrega o servidor n8n e escala mal. A tabela necess\u00e1ria \u00e9 criada pelo pr\u00f3prio n8n quando \u00e9 preciso.<\/li>\n
- API:<\/strong> o URL espec\u00edfico do projeto e o service role secret. Estes dados s\u00e3o necess\u00e1rios para a base de dados vetorial.<\/li>\n<\/ul>\n
- Database:<\/strong> host, nome da base de dados, porta, utilizador e palavra-passe para a liga\u00e7\u00e3o Postgres. Estes dados s\u00e3o usados para a mem\u00f3ria de conversa.<\/li>\n