Mensagem entra
│
▼
1. Filtro (grupo? eu mesmo?)
│
▼
2. Buffer Postgres (junta msgs picadas · espera 8s)
│
▼
3. AI Agent
├─ Memória (Postgres Chat Memory · automática)
├─ Camada 1 (dados exatos · kb_fatos) ◄ Bloco 5
└─ Camada 2 RAG (pgvector · kb_chunks) ◄ Bloco 5
│
▼
4. LLM (MiMo v2.5-pro · padrão)
│
▼
5. Envia pelo plug (Evolution / Z-API / Cloud)
100% Postgres · zero RedisConfigurar LLM no n8n
Padrão da aula: MiMo v2.5-pro (Xiaomi). É o que o Pedro usa em produção no Bot SDR Polypus. API compatível OpenAI, contexto 1M, mais barato que Claude Haiku.
US$ 1 / 3 · padrão da aula, contexto 1M
US$ 1 / 5 · alternativa Anthropic
US$ 3 / 15 · vendas high-ticket
RAG 2 camadas — decisão de arquitetura
Postgres + SQL exato. Pra: preço, ID cliente, status, números autorizados. NUNCA vetorizar — risco de pegar dado do cliente errado.
PGVector. Pra: playbooks, FAQs, objeções, processos. Embedding 1x na ingestão. Filtro por metadata é crítico (não vaza entre clientes).
"Innova" vs "Inova" têm vetor parecido — agente puxa cliente errado. Pra dado crítico (preço, ID), sempre lookup determinístico.
Passo 1 · Preparar o conhecimento (as 2 camadas)
Antes de turbinar o bot, monta a base: dados exatos numa tabela SQL (Camada 1) e conhecimento em pgvector (Camada 2). Faz uma vez.
# PROMPT — Setup do conhecimento do bot: 2 camadas no Postgres (determinística + pgvector) (FASEADO) Você vai preparar, via MCP do n8n (ou Postgres direto), a base de conhecimento do meu bot em 2 camadas. NÃO é só "jogar tudo num vetor" — é separar o que NUNCA pode errar (dado exato) do que precisa de busca por significado (conteúdo). EM FASES.
Passo 2 · Dar conhecimento ao bot (RAG 2 camadas)
O template do bot (Bloco 2/3/4) já agrupa mensagens picadas e tem memória — tudo no Postgres. Aqui você adiciona o CONHECIMENTO: as 2 camadas viram ferramentas do AI Agent.
# PROMPT — Dar conhecimento ao bot: RAG 2 camadas como ferramentas do AI Agent (FASEADO) Você vai pegar o template do bot que eu já importei (Evolution / Z-API / Cloud — a versão "v2 só Postgres") e adicionar CONHECIMENTO: a camada determinística (dados exatos) e a camada semântica (RAG/pgvector), ambas como FERRAMENTAS do AI Agent. EM FASES, validando cada uma. NÃO refaz o workflow — só adiciona.
O buffer e a memória já vêm prontos no template (e são o que roda no Bot SDR do Pedro). O RAG 2 camadas é a evolução que ele desenhou e que esse prompt monta — vale rodar 1 teste de cada GATE antes de soltar pro público.