In sintesi: l’architettura RAG automatizzata con n8n e Google Drive mantiene la knowledge base aziendale sempre aggiornata: due flussi coordinati gestiscono chat e indicizzazione, sincronizzando in automatico creazione, modifica ed eliminazione dei documenti nel vector store. Il recupero è ibrido: ricerca vettoriale, query SQL sui dati tabulari e lettura puntuale dei documenti, selezionate autonomamente dall’agente.
Il sistema RAG automatizzato con n8n e Google Drive risolve uno dei problemi più comuni nell’adozione dell’intelligenza artificiale in azienda: la knowledge base che non si aggiorna. Documenti modificati, file eliminati, nuovi contenuti aggiunti — se il processo di sincronizzazione è manuale, diventa subito un collo di bottiglia. L’architettura descritta in questo articolo elimina questo problema alla radice, rendendo la base di conoscenza sempre allineata ai dati reali.
I contenuti di questo articolo sono tratti da un video pubblicato su youtube che dimostra come creare un sistema rag evoluto ed ibrido con N8N (link al video)
Cos’è un sistema RAG e perché la sincronizzazione è critica
RAG (Retrieval-Augmented Generation) è l’approccio che permette a un modello linguistico di rispondere attingendo a documenti privati e proprietari, anziché solo al suo addestramento. Il modello cerca i contenuti più pertinenti nella knowledge base, li usa come contesto e genera una risposta precisa. Il limite più frequente in produzione non è la qualità del modello, ma l’aggiornamento dei documenti: se un file cambia e il sistema non lo sa, le risposte diventano obsolete o errate.
n8n, combinato con Google Drive come sorgente dei documenti, permette di automatizzare completamente questo ciclo: creazione, modifica ed eliminazione dei file vengono gestite in modo autonomo, senza intervento manuale.
L’architettura: due flussi coordinati
Il sistema si organizza in due flussi n8n distinti. Il primo flusso gestisce la chat: riceve le domande dell’utente via webhook, le elabora tramite un agente AI con memoria di sessione su PostgreSQL e restituisce risposte contestuali. Il secondo flusso gestisce l’indicizzazione: monitora una cartella Google Drive denominata Rag Material, processa ogni file nuovo o modificato e aggiorna il vector store in tempo reale.
L’applicazione è costruita con un front-end Blazor che comunica con n8n attraverso API dedicate, che fungono da strato di sicurezza e controllo. Questa scelta evita l’esposizione diretta degli endpoint n8n e centralizza la gestione dell’autenticazione.
Come vengono processati i documenti
n8n dispone di trigger nativi per la creazione e la modifica di file su Google Drive. Per le cancellazioni — evento non gestito da trigger nativi — è stato implementato un sistema di polling: ogni 5 minuti uno schedulatore confronta il contenuto attuale della cartella con lo stato salvato nel database, rimuovendo i documenti eliminati.
Quando un file viene creato o aggiornato, il flusso esegue quattro operazioni in sequenza. Prima estrae i metadati (ID, tipo MIME, titolo, URL) e li salva su PostgreSQL tramite Supabase. In caso di modifica, il record precedente viene eliminato prima di inserire quello nuovo. Poi scarica il file e ne estrae il testo con parser specifici per ogni formato: PDF, Excel, CSV, testo semplice. Infine vettorizza il contenuto: il testo viene suddiviso in blocchi semantici, trasformato in embedding multidimensionali e salvato in PG Vector insieme ai metadati di origine.
La logica ibrida di recupero delle informazioni
Questa è la parte più distintiva dell’architettura. La maggior parte dei sistemi RAG usa esclusivamente la ricerca vettoriale. Qui invece l’agente dispone di tre strategie di recupero complementari, che seleziona automaticamente in base alla natura della domanda.
La ricerca vettoriale è il metodo principale: la domanda viene trasformata in embedding e confrontata con i frammenti semanticamente più vicini nel vector store. Un re-ranker ordina i risultati per pertinenza prima di passarli all’agente. Quando invece la domanda richiede calcoli su dati strutturati — somme, medie, conteggi su file Excel o CSV — l’agente utilizza un tool SQL dedicato che esegue query dirette sulla tabella document_row, dove i dati tabulari sono salvati in formato JSON. Se nessuno dei due approcci è sufficiente, l’IA può consultare l’indice completo dei documenti nella tabella document_metadata, identificare il file corretto tramite ID e leggerne il contenuto in modo puntuale.
La selezione della strategia avviene autonomamente grazie a un system prompt che istruisce l’agente a ragionare sul tipo di risposta necessaria prima di agire. Non è una logica pre-programmata, è l’IA che valuta caso per caso.
Esempio pratico: contare i pacchetti venduti
Chiedendo “conteggiami i pacchetti venduti”, il sistema riconosce immediatamente che si tratta di un’operazione analitica su dati strutturati. Anziché cercare frammenti di testo nel vector store, l’agente seleziona il tool SQL, esegue una query COUNT sulla tabella dei dati tabulari e restituisce il numero esatto — in questo caso, tre pacchetti.
Lo stesso sistema, interrogato su una domanda concettuale come “quali prodotti vengono forniti?”, userebbe invece la ricerca vettoriale per trovare i frammenti più rilevanti nei documenti caricati. L’utente non deve sapere quale meccanismo viene attivato: ottiene semplicemente la risposta corretta.
Risultato: una knowledge base sempre aggiornata
L’integrazione tra estrazione vettoriale, analisi SQL e consultazione gerarchica produce un sistema RAG capace di rispondere con precisione sia a domande aperte che a richieste analitiche complesse. La sincronizzazione automatica con Google Drive elimina il principale punto di fragilità dei sistemi RAG in produzione: i documenti caricati sono sempre quelli effettivamente in uso, senza processi manuali di reindicizzazione.
Per le PMI che gestiscono grandi volumi di documenti interni — listini, manuali, report, contratti — questa architettura rappresenta un modo concreto per trasformare l’archivio aziendale in un assistente AI sempre aggiornato e affidabile.
Vuoi analizzare come applicare questa soluzione ai tuoi flussi aziendali? Prenota una call gratuita su vislogica.com e scopri come recuperare tempo ed efficienza con le automazioni AI.
Domande frequenti sul RAG automatizzato con n8n
La knowledge base che non si aggiorna: se un documento cambia e il sistema non lo sa, le risposte dell’AI diventano obsolete o errate. Qui creazione, modifica ed eliminazione dei file su Google Drive vengono sincronizzate automaticamente con il vector store, senza intervento manuale.
n8n ha trigger nativi per creazione e modifica, ma non per le cancellazioni: per quelle è stato implementato un polling che ogni 5 minuti confronta il contenuto della cartella con lo stato salvato nel database e rimuove i documenti eliminati.
L’agente dispone di tre strategie complementari: la ricerca vettoriale con re-ranking per le domande semantiche, un tool SQL per i calcoli su dati strutturati (somme, medie, conteggi su Excel e CSV) e la lettura puntuale del documento tramite l’indice dei metadati. La scelta avviene autonomamente, in base alla natura della domanda.
Il sistema riconosce che si tratta di un’operazione analitica su dati strutturati: invece di cercare frammenti di testo nel vector store, l’agente seleziona il tool SQL, esegue una query di conteggio sulla tabella dei dati tabulari e restituisce il numero esatto.
No: il front-end Blazor comunica con n8n attraverso API dedicate che fanno da strato di sicurezza e controllo, evitando l’esposizione diretta dei webhook e centralizzando la gestione dell’autenticazione.
Approfondimenti correlati
- Leggi anche come costruire un’applicazione RAG aziendale, mantenendo il pieno controllo del codice.
- Leggi anche RAG e fine tuning a confronto, per capire quale tecnica scegliere.
