构建基于Qdrant和Open AI的电影推荐RAG聊天机器人

此工作流适合以下人群：
- 电影爱好者：希望根据个人喜好获取推荐电影的人。
- 开发者：需要集成电影推荐功能到应用中的开发者。
- 数据科学家：希望分析和处理电影数据的人。
- 研究人员：对电影推荐系统的研究感兴趣的学者。

该工作流解决了以下问题：
- 个性化推荐：通过用户输入的正面和负面示例，提供个性化的电影推荐。
- 数据整合：从 GitHub 提取电影数据，并将其存储在 Qdrant 向量数据库中，以便快速检索。
- 自动化流程：通过 n8n 自动化整个推荐过程，节省时间和精力。

工作流的详细步骤如下：
1. 手动触发：用户通过点击‘测试工作流’按钮启动工作流。
2. 从 GitHub 获取数据：工作流连接到 GitHub，下载 Top_1000_IMDB_movies.csv 文件。
3. 提取文件内容：使用 ExtractFromFile 节点提取电影名称、发行年份和描述。
4. 生成嵌入：利用 OpenAI 的嵌入模型生成电影描述的向量表示。
5. 存储向量：将生成的嵌入存储到 Qdrant 向量数据库中。
6. 接收聊天消息：当用户发送消息时，工作流触发并进入推荐流程。
7. 处理请求：使用 AI 代理处理用户请求，生成正面和负面的示例。
8. 调用嵌入 API：向 OpenAI API 发送请求，获取正面和负面的嵌入。
9. 调用 Qdrant 推荐 API：根据用户的嵌入请求 Qdrant 推荐 API，获取推荐的电影。
10. 检索电影元数据：根据返回的推荐结果，从 Qdrant 获取电影的详细信息。
11. 选择相关字段：提取并整理推荐结果，准备返回给用户。

用户可以通过以下方式自定义和调整此工作流：
- 修改数据源：更改 GitHub 的存储库和文件路径，以使用其他数据集。
- 调整嵌入模型：根据需求选择不同的 OpenAI 嵌入模型。
- 更新推荐逻辑：修改 AI 代理的系统消息，以改变推荐的方式和内容。
- 添加新功能：根据需要添加更多节点，例如通知系统或日志记录功能，以增强工作流的功能。