e-mail Chatbot with both semantic and structured RAG, using Telegram and Pgvector

工作流名称

e-mail Chatbot with both semantic and structured RAG, using Telegram and Pgvector

主要功能和亮点

该工作流打造了一个智能邮件问答机器人，结合了语义检索（基于向量搜索）与结构化数据库查询（SQL），实现对个人电子邮件数据库的高效智能问答。用户可通过Telegram聊天界面或n8n内置聊天直接交互，机器人能够理解自然语言问题，自动拆解并调用向量搜索与SQL查询双重引擎，精准定位邮件内容和相关时间信息，给出准确的答案。

解决的核心问题

传统邮件搜索大多依赖关键词匹配，难以理解语义和上下文，尤其是涉及时间范围和事件细节的查询。该工作流通过结合Pgvector的向量化语义搜索和SQL的结构化查询，解决了邮件内容语义理解与时间精准检索的难题，实现了对复杂邮件查询的智能响应。

应用场景

• 个人或企业用户快速查询邮件历史，如查找会议安排、面试时间、服务注册时间等具体信息
• 通过Telegram随时随地以对话形式检索邮件内容
• 实现邮件数据的语义问答，提升邮件管理效率和信息获取便捷性
• 作为智能助理辅助用户管理和回顾邮件沟通记录

主要流程步骤

1. 触发入口：通过Telegram消息触发或n8n内置聊天触发工作流启动
2. 会话管理：生成并管理会话ID，支持上下文记忆
3. 自然语言理解：将用户输入文本传给AI Agent，解析查询意图
4. 语义向量检索：调用Pgvector向量数据库对邮件文本进行语义搜索，检索相关邮件片段
5. 结构化SQL查询：结合向量检索结果中的邮件ID，调用SQL查询工具，获取邮件具体结构化信息（如日期、主题）
6. 答案生成与格式化：AI Agent综合双重查询结果，生成精准答案，并格式化响应内容
7. 响应输出：将答案分段处理并通过Telegram消息批量回复用户，保证信息完整且易读

涉及的系统或服务

• Telegram：作为主要的用户交互界面，触发消息接收与回复
• Postgres PGVector：存储邮件的向量化嵌入，实现语义检索
• SQL数据库（Postgres）：存储邮件结构化数据，支持精确的SQL查询
• n8n LangChain节点：实现AI Agent、向量检索、SQL查询工具的集成与调用
• OpenAI模型（mistral-small3.1）和Ollama Embeddings：提供语言理解与向量生成能力

适用人群或使用价值

• 邮件管理需求高的个人用户，希望通过自然语言快速查询邮件历史
• 企业用户和团队，需高效查询和梳理大量邮件沟通记录
• 开发者和自动化工程师，想要构建智能邮件问答助手，提升办公自动化水平
• AI与数据结合的应用场景，推动邮件内容的智能检索与信息洞察

此工作流通过先进的语义与结构化检索融合技术，赋能用户以对话形式智能查询邮件，极大提升邮件搜索的智能化和便捷性。