[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"site-settings":3,"workflow-multi-model-rag-document-question-answering-workflow-2465":7},["Reactive",4],{"analytics_enabled":5,"gtm_container_id":6},true,"GTM-WWB2TQFD",["Reactive",8],{"id":9,"slug":10,"title":11,"short_description":12,"category_key":13,"category_title":14,"workflow_type_key":15,"workflow_type_title":15,"workflow_type_icon":16,"price":17,"is_free":5,"cover_image":18,"description":19,"compatible_versions":18,"locked":5,"lock_reason":20,"purchased":21,"in_cart":21,"workflow_file":22},757,"multi-model-rag-document-question-answering-workflow-2465","پرسش‌وپاسخ RAG با چند مدل زبانی","فایل‌های PDF و CSV را در Vector Store ذخیره می‌کند و با استفاده از دو مدل زبانی، پاسخ‌های مبتنی بر محتوای آن‌ها ارائه می‌دهد.","ai-agents","ایجنت‌های هوش مصنوعی","n8n","https:\u002F\u002Faidock.s3.ir-thr-at1.arvanstorage.ir\u002Fworkflow_types\u002Fimage.webp",0,"","📄 این گردش‌کار فایل‌های **PDF** یا **CSV** را از طریق فرم دریافت می‌کند، محتوای آن‌ها را با مدل‌های embedding به بردار تبدیل کرده و در یک **Vector Store** درون‌حافظه‌ای ذخیره می‌کند.\n\n💬 سپس کاربر می‌تواند در چت درباره محتوای فایل‌ها سؤال بپرسد. عامل هوش مصنوعی با استفاده از مدل قدرتمندتر برای مدیریت گفتگو و مدل سبک‌تر برای جست‌وجو و تولید پاسخ از داده‌های بازیابی‌شده استفاده می‌کند.\n\n⚙️ این ساختار، نمونه‌ای از استفاده هم‌زمان چند مدل در فرایندهای RAG با هدف کاهش مصرف منابع محاسباتی است.","login",false,null]