Урок 6 — Базы данных и RAG

PRAGMA EDU · УРОК 6 ИЗ 12

Базы данных
и RAG

Ваш бот перестаёт быть просто умным — он начинает знать ваш бизнес. Отвечает по вашему прайсу, вашим данным, вашим документам

⏱ Лекция 60 мин

🛠 Практика 30 мин

💬 Q&A 30 мин

1

📦 КОНТЕКСТ

Что такое база данных в контексте автоматизации

Не страшное слово — просто организованное хранилище данных

БЛОК 1

АНАЛОГИЯ

База данных — это как хорошо организованный шкаф с папками. Каждая папка — это таблица. Каждый лист в папке — это строка данных. Вы знаете где что лежит и можете быстро найти нужное. n8n умеет открывать этот шкаф и доставать нужные папки.

Зачем боту нужна БД

Без БД бот знает только то что вы написали в системном промпте. С БД — бот может обращаться к актуальным данным в реальном времени.

Клиент спрашивает о наличии товара → бот смотрит в таблицу → отвечает точно и актуально

Два уровня работы с данными

УРОВЕНЬ 1
Простые БД — Google Sheets, Notion, Airtable. Подходят для 80% задач малого бизнеса.

УРОВЕНЬ 2
Векторные БД + RAG — для больших объёмов данных и умного поиска по документам.

Что мы освоим в этом уроке

Оба уровня. Начнём с простого — Google Sheets. Дойдём до RAG с векторной базой Supabase. К концу урока ваш бот будет отвечать по вашим реальным данным.

2

БЛОК 2

Простые БД —
Google Sheets,
Airtable, Notion

Инструменты которые у вас уже есть — и которые отлично работают как база данных для автоматизации.

3

📊 GOOGLE SHEETS

Google Sheets как база данных

Самый простой и мощный инструмент для начала

БЛОК 2

Почему Sheets — идеальная простая БД
Вы уже умеете с ним работать. Данные редактируются прямо в таблице — не нужен разработчик. n8n читает Sheets в реальном времени — обновили таблицу, бот сразу знает новые данные.

Что хранить в Sheets для бота

Прайс — услуги и цены
FAQ — вопросы и ответы
Расписание — время работы
Контакты — адреса, телефоны
Заявки — запись клиентов
Заказы — история покупок

КАК ЧИТАТЬ SHEETS В N8N

1

Google Sheets нод → Read rows

Выбираете таблицу и лист. n8n читает все строки и передаёт дальше как JSON

2

Передаём данные в AI Agent

Все строки таблицы вставляем в системный промпт через {{ $json }}

3

Бот отвечает по актуальным данным

Claude видит весь прайс и отвечает точно. Обновили цену в таблице — бот сразу знает

4

🗄 AIRTABLE · NOTION

Airtable и Notion — когда что использовать

Более мощные альтернативы Google Sheets

БЛОК 2

📋 Airtable

Как Google Sheets но с возможностями настоящей БД — связи между таблицами, фильтры, виды.

Когда использовать
Когда данные сложнее простой таблицы — CRM, каталог с категориями, связанные записи.

Минус
Бесплатный план ограничен — 1000 записей на базу. n8n имеет нативный Airtable нод.

📝 Notion

База данных + документы в одном месте. Удобно когда команда уже использует Notion.

Когда использовать
Когда нужно хранить и документы и данные вместе — база знаний, Wiki компании, FAQ с описаниями.

Минус
API медленнее чем Sheets. Структура сложнее для новичка.

	GOOGLE SHEETS	AIRTABLE	NOTION
Простота	Очень просто	Средне	Средне
Бесплатно	Да	Ограничено	Да
Для малого бизнеса	Идеально	Хорошо	Хорошо
Рекомендуем	Начните здесь	Если нужно больше	Для документов

5

3

БЛОК 3

Системный промпт
vs RAG —
в чём разница?

Оба подхода позволяют боту знать ваши данные. Но работают по-разному и подходят для разных задач.

6

⚖️ СРАВНЕНИЕ

Системный промпт с данными vs RAG

Когда что использовать — чёткая граница

БЛОК 3

📝 Системный промпт с данными

Вы просто вставляете данные прямо в системный промпт или передаёте из Sheets.

Работает когда:
Данных мало — прайс на 10-20 позиций
Данные статичные — адрес, время работы
Простые вопросы — цена, наличие

Не работает когда:
Данных много — 500+ товаров
Превышается лимит контекста модели
Нужен поиск по большим документам

🔍 RAG

Данные хранятся в векторной базе. При вопросе — система ищет только релевантные части и передаёт их в Claude.

Работает когда:
Данных много — каталог, база знаний
Нужна точность — юридические документы
Данные постоянно обновляются

Не нужен когда:
Данных мало — хватит системного промпта
Простой прайс на несколько позиций

АНАЛОГИЯ

Системный промпт с данными — это как дать менеджеру одну страницу с информацией перед звонком. RAG — это как дать менеджеру доступ к целой библиотеке где он сам находит нужный раздел под каждый вопрос.

7

4

БЛОК 4 · RAG

RAG —
умный поиск
по вашим данным

Retrieval-Augmented Generation. Звучит сложно — на деле это просто умный способ дать Claude нужную информацию в нужный момент.

8

🔍 RAG

Что такое RAG

Retrieval-Augmented Generation — простыми словами

БЛОК 4

АНАЛОГИЯ — БИБЛИОТЕКАРЬ

Представьте библиотеку с тысячами книг. Клиент задаёт вопрос.

Без RAG: Claude пытается ответить из своей памяти — может ошибиться или выдумать.

С RAG: Библиотекарь (система) быстро находит нужные страницы из нужных книг → передаёт Claude → Claude отвечает точно по этим страницам.

RAG = найти нужное + передать в Claude + получить точный ответ

R — Retrieval

Поиск. Система ищет в базе данных самые релевантные куски информации под конкретный вопрос.

A — Augmented

Дополненный. Найденная информация добавляется к запросу в Claude — дополняет контекст.

G — Generation

Генерация. Claude получает вопрос + найденные данные → генерирует точный ответ на основе ваших документов.

9

🧮 ВЕКТОРНЫЕ БД

Векторные базы данных

Почему обычная база не подходит для RAG — и что такое векторы

БЛОК 4

АНАЛОГИЯ — ПОИСК ПО СМЫСЛУ

Обычная БД ищет по точному совпадению слов. Спросите "цена маникюра" — найдёт только если именно эти слова есть в данных.

Векторная БД ищет по смыслу. Спросите "сколько стоит сделать ногти" — найдёт "стоимость маникюра 4500₸" потому что понимает что это одно и то же.

Как работают векторы

Каждый кусок текста превращается в набор чисел — вектор. Похожие по смыслу тексты имеют похожие векторы.

Текст → Embeddings модель → Вектор [0.23, 0.87, 0.12...]

При поиске: вопрос → вектор → ищем похожие векторы в базе → возвращаем похожие тексты

Supabase — наша векторная БД

Supabase это PostgreSQL база с расширением pgvector — поддержка векторов встроена.

Бесплатно — щедрый бесплатный план
Просто — регистрация через Google
n8n — нативный Supabase нод
Надёжно — используют тысячи компаний

10

⚙️ RAG · МЕХАНИКА

Как RAG работает пошагово

Два этапа — загрузка данных и ответы на вопросы

БЛОК 4

ЭТАП 1 — ЗАГРУЗКА ДАННЫХ (ОДИН РАЗ)

1

Берём документ

Прайс из Google Sheets, PDF с FAQ, любой текст с данными о вашем бизнесе

2

Разбиваем на чанки

n8n делит документ на небольшие кусочки — по 200-500 слов каждый

3

Создаём embeddings

Gemini превращает каждый чанк в вектор — набор чисел которые отражают смысл

4
Сохраняем в Supabase
Текст + вектор сохраняются в векторную базу. Готово — база знаний создана

ЭТАП 2 — ОТВЕТЫ НА ВОПРОСЫ (КАЖДЫЙ РАЗ)

1

Клиент задаёт вопрос

"Сколько стоит маникюр с покрытием?"

2

Вопрос → вектор

Gemini превращает вопрос в вектор — так же как делали с документом

3

Supabase ищет похожее

Сравнивает вектор вопроса с векторами в базе → находит самые релевантные чанки

4
Claude отвечает точно
Найденные чанки + вопрос → Claude → точный ответ по вашим данным

11

5

БЛОК 5 — ПРАКТИКА

Строим RAG-агента
в n8n

Google Sheets → Gemini Embeddings → Supabase → Telegram бот который отвечает по вашему прайсу. Повторяйте за мной шаг за шагом.

12

🛠 ПРАКТИКА · ЭТАП 1

Этап 1 — Загружаем прайс в Supabase

Делается один раз — создаём базу знаний бота

15 МИН

Google Sheets
читаем прайс

→

Text Splitter
делим на чанки

→

Gemini
embeddings

→

Supabase
сохраняем

1

Регистрируемся на supabase.com

Вход через Google → создаём новый проект → в разделе Database включаем расширение vector → создаём таблицу для хранения данных

2

В n8n: Google Sheets нод → читаем прайс

Подключаем Google аккаунт → выбираем таблицу с прайсом → читаем все строки

3

Text Splitter нод → делим на чанки

Размер чанка 500 символов, перекрытие 50 — так ничего не потеряется на границах

4

Embeddings нод → Supabase Vector Store

Выбираем Gemini Embeddings → подключаем Supabase → запускаем флоу → данные загружены

13

🛠 ПРАКТИКА · ЭТАП 2

Этап 2 — Telegram бот отвечает по прайсу

Подключаем RAG к боту — теперь он знает ваши данные

15 МИН

Telegram
вопрос клиента

→

Gemini
вектор вопроса

→

Supabase
ищет похожее

→

AI Agent
отвечает

→

Telegram
ответ клиенту

1

Telegram Trigger → ловим вопрос

Берём флоу из урока 4 — тот же Telegram бот

2

Supabase Vector Store нод → поиск

Передаём вопрос клиента → Supabase ищет похожие чанки → возвращает релевантный текст из прайса

3

AI Agent → системный промпт с найденными данными

"Отвечай только на основе этих данных: {{ $json.results }}. Если ответа нет — скажи что уточнишь у менеджера."

4

Тестируем — спрашиваем бота о ценах

Пишем боту вопросы из прайса — он отвечает точно. Спрашиваем то чего нет — он честно говорит что не знает.

14

💡 ИТОГ

Ключевые мысли этого урока

Шесть вещей которые важно запомнить

ИТОГ

01

Google Sheets — лучший старт для хранения данных бота

Просто, бесплатно, обновляется в реальном времени. Для 80% задач малого бизнеса этого достаточно.

02

Системный промпт с данными работает когда данных мало

До 20-30 позиций — просто вставляйте в промпт. Быстро, просто, без лишних настроек.

03

RAG нужен когда данных много или нужна точность

Сотни товаров, большой каталог, юридические документы — здесь системный промпт не справится.

04

Векторная база ищет по смыслу, не по словам

"Сколько стоит сделать ногти" найдёт "маникюр от 4500₸" — потому что понимает смысл вопроса.

05

RAG = загрузить данные один раз + отвечать всегда точно

Этап 1 делается один раз. Этап 2 работает автоматически для каждого вопроса клиента.

06

Supabase + Gemini — бесплатный и рабочий стек для RAG

Не нужны платные сервисы. Тот же API ключ Gemini что использовали с урока 4 — работает и для embeddings.

15

УРОК 6 ЗАВЕРШЁН

Ваш бот теперь
знает ваш
бизнес изнутри.

На следующей неделе переходим к серверам и деплою — делаем ваши автоматизации постоянно работающими в облаке.

GOOGLE SHEETS

Простая БД · Бесплатно · Реальное время

СИСТЕМНЫЙ ПРОМПТ

Мало данных · Просто · До 20-30 позиций

RAG

Много данных · Поиск по смыслу · Точность

ВЕКТОРНАЯ БД

Supabase · pgvector · Бесплатно

EMBEDDINGS

Gemini · Текст → Вектор → Поиск

СЛЕДУЮЩИЙ УРОК

Урок 7 · n8n Cloud · Деплой · VPS

PRAGMA EDU · AI-автоматизация · Урок 6 · 16 слайдов

16