【人工智能+】系列（二）：从概念到落地，30分钟搭建你的“战略型第二大脑”

这篇文章，主要是介绍如何在 n8n 上建立一个" 第二大脑" 的工作流，内容比较枯燥，如果想立即尝试，见文章最后的📎

这篇文章，主要是介绍如何在 n8n 上建立一个" 第二大脑" 的工作流，内容比较枯燥，如果想立即尝试，见文章最后的📎 配套资源，获取一键导入的 n8n 配置文件。在导入之前，确保 n8n、ollama 和 Qwen 都正常运行，相关安装方法，见网上教程。

引言：我们为什么需要“第二大脑”？

在通信行业，每一份战略规划都承载着对未来的判断。它不仅要基于历史经验、试点反馈，更要精准对齐高层意图，并洞察竞争格局。

然而，信息散落在 OA、本地磁盘、会议纪要中，专家常常陷入“找资料比写方案还累”的困境。

而我们在上篇提出的解决方案是：打造一个能“ 感知任务、融合知识、生成框架 ”的“战略型第二大脑”。

现在，是时候兑现承诺了。

本文将带您 从零开始，用开源工具本地搭建一个可用的“第二大脑” 。

一个基于 n8n + Ollama + Qwen 的智能系统，流程如下图：

战略生成流程知识库模块读取目录文件切分文本Ollama 向量化存入 Simple Vector Store任务输入感知模块融合模块查询 Vector Store Tool生成模块输出初稿专家介入

• 知识库模块 ：构建企业“战略记忆中枢”，将散落的文档转化为可检索、可追溯、可进化的智能资产。
• 感知模块 ：听懂任务背后的“弦外之音”，解析出关键词与战略意图。
• 融合模块 ：激活企业“沉睡的知识资产”，实现跨文档、跨时间的语义关联。
• 生成模块 ：基于上下文，自动生成逻辑清晰、结构完整的方案初稿。
• 专家介入 ：最终决策与洞见注入，人机协同产出真正有价值的方案。

这套系统能否成功，80% 取决于知识库的质量，20% 取决于技术实现的合理性。接下来，我们就来一步步构建它。

步骤 1：打造可进化的“战略知识库”

🎯 目标：将分散的 .txt 文件自动转化为结构化、可语义检索的知识资产。

1. 节点 1：读取指定目录下的所有文本文件（Read/Write File）

• 节点名称 ： 资料输入
• 节点类型 ： n8n-nodes-base.readWriteFile

• 配置：

{
  "fileSelector": "d:\\\\second_brain_demo\\\\*",
  "options": {
    "fileExtension": ".txt"
  }
}

• 功能：扫描 d:\second_brain_demo\ 目录下所有 .txt 文件，支持通配符。
• 输出：以二进制形式返回每个文件内容。

💡 可扩展支持 .pdf 、.docx ，但需确保 Ollama 支持解析。

2. 节点 2：文本切分（Recursive Character Text Splitter）

• 节点名称 ： Recursive Character Text Splitter

• 配置：

{
  "chunkSize": 100,
  "chunkOverlap": 20
}

• 作用：将长文本按字符递归切分为小片段，避免超出模型上下文。
• 切分逻辑 ：优先按 \n\n 、 \n 、、. 分割。

⚠️ 注意：当前版本中，切分由该节点控制，而非 Simple Vector Store 内置。

3. 节点 3：调用 Ollama 进行向量化（Embeddings Ollama）

• 节点名称 ： Embeddings Ollama

• 配置：

{
  "model": "dengcao/bge-large-zh-v1.5:latest"
}

• 功能：调用本地 Ollama 服务，使用中文优化的 bge-large-zh 模型生成向量。
• 优势：专为中文语义设计，在“领导讲话”“试点报告”等场景表现优异。

✅ 需提前运行：
ollama pull dengcao/bge-large-zh-v1.5

4. 节点 4：存入向量数据库（Simple Vector Store）

• 节点名称 ： Simple Vector Store
• 配置：
• Mode: insert
- • Memory Key: vector_store_key
• 连接：
• 输入文档 → Default Data Loader
- • 切分器 → Recursive Character Text Splitter
- • 嵌入模型 → Embeddings Ollama

✅ 数据将持久化在内存中，供后续查询使用。

✅ 知识库构建流程总结

节点	功能
`资料输入`	扫描目录，读取 `.txt` 文件
`Recursive Character Text Splitter`	按设定规则切分文本
`Embeddings Ollama`	使用 `bge-large-zh` 生成中文向量
`Simple Vector Store`	存储为可检索的知识片段

🔄 此流程可绑定 Cron Trigger ，实现 每日自动更新知识库 。

步骤 2：构建“懂战略”的 AI 生成引擎

🎯 目标：用户输入任务，AI 自动调用知识库，生成专业方案初稿。

1. 节点 1：任务输入（Chat Trigger）

• 节点名称 ： 任务输入
• 类型： @n8n/n8n-nodes-langchain.chatTrigger
• 作用：接收用户输入的任务指令，如： “请基于历史方案和试点反馈，制定县乡传输网低成本演进路径”

2. 节点 2：感知模块（AI Agent + 知识检索）

• 节点名称 ： 感知模块
• 类型： @n8n/n8n-nodes-langchain.agent
• 核心配置 ：

📌 使用的模型

• 语言模型 ： Qwen Turbo （通过 API 调用）
• 嵌入模型 ： Ollama （用于检索）
• 记忆机制 ： Window Buffer Memory （保留上下文）

📌 系统提示词（System Message）

你是一名通信网络战略规划专家以及专业的任务分析助手。你的职责是分析用户的要求：{{$json.chatInput}}，根据查询知识库 company_documents_tool 中的相关内容, 输出框架大纲。

请严格遵守以下规则：
1. 内容从知识库 company_documents_tool 获取
2. 输出内容只包含“需要做什么”，不得加入额外解释
3. 输出格式为 JSON，必须包含：
   - "task": "一句话说明要完成的具体任务"
   - "requirements": ["要求1", "要求2", ...]

📌 工具绑定

• Vector Store Tool ： company_documents_tool ，用于检索知识库

✅ 该模块将：
• 解析用户意图
• 自动调用知识库检索相关资料
• 输出结构化任务框架

3. 节点 3：生成模块（AI Agent + 文档生成）

• 节点名称 ： 生成模块
• 类型： @n8n/n8n-nodes-langchain.agent
• 系统提示词 ：

你是一名通信网络战略规划专家。
你是一个专业的文档编写助手。你的任务是根据任务要求，仅使用知识库 company_documents_tool 提供的内容，生成最终文档。

请严格遵守以下规则：
1. 所有内容必须来自知识库，不得引入外部信息
2. 可以在知识库范围内进行归纳、整合，但不得编造
3. 如果某项信息未找到，请写“相关信息未在知识库中找到”
4. 文风：简洁、正式、专业

✅ 输入来自“感知模块”的结构化任务框架，输出完整方案初稿。

✅ 战略生成流程总结

节点	功能
`任务输入`	接收用户指令
`感知模块`	解析意图，调用知识库，输出任务框架
`生成模块`	基于框架与知识，生成专业文档

🔁 整个流程无需人工干预，AI 自主完成“理解 → 检索 → 生成”。

三、关键连接：模块如何协同工作？

连接	说明
`资料输入` → `Simple Vector Store`	触发知识入库
`Embeddings Ollama` → `Simple Vector Store`	提供中文向量能力
`Vector Store Tool` ←→ `感知模块` & `生成模块`	提供语义检索能力
`Qwen` ←→ 所有 AI Agent 节点	提供大模型推理能力
`Window Buffer Memory` ←→ 两个 Agent	支持多轮对话上下文

✅ 所有 AI 能力通过标准接口连接，模块化、可替换、可扩展。

📁 知识库演示内容

为确保 AI 能生成高质量方案，建议知识库包含以下五个测试文件, 均由 LLM 生成：

文件名	内容重点	示例片段
`白皮书摘要.txt`	战略目标、技术路径	“2027 年实现县乡 100% 光缆覆盖”
`试点报告.txt`	成功/ 失败经验	“FgOTN 设备成本高达 45 万元”
`领导讲话.txt`	战略偏好	“要注重投资效益，避免重复建设”
`友商应用情况.txt`	竞争情报	“B 运营商采用 DCI-BOX，部署效率提升”
`设备对比资料.txt`	技术依据	“DCI-BOX 成本比 OTN 低 30%-50%”

⚠️ 重要说明与边界

项目	说明
Ollama 必须运行	`ollama serve` 需常驻后台
嵌入模型必须加载	`ollama pull dengcao/bge-large-zh-v1.5`
Qwen Turbo 需 API 密钥	通过阿里云百炼平台获取
向量库存储在内存中	如需持久化，建议升级为 ChromaDB 或 FAISS
必须人工审核	⚠️ AI 输出仅作参考，不可直接用于决策

实战演示：以“县乡传输网演进”为例

让我们用一个真实场景验证系统效果。

任务输入 ：

请结合《XX 网络 2025-2027 年演进白皮书》和DCI-BOX以及FgOTN试点情况，研究县乡本地传输网的演进方向。重点考虑低成本、可持续性和与国家‘新基建’政策的契合度。参考近期领导在务虚会上关于‘网络精简’和‘区域均衡’的讲话精神。

感知模块调用融合模块输出 ：

1
AI: {"task": "编制县乡本地传输网发展建设指导意见","requirements": ["结合《XX 网络 2025-2027 年演进白皮书》的内容","分析DCI-BOX和FgOTN试点情况","制定县乡本地传输网发展建设指导意见","重点考虑低成本、可持续性","确保与国家‘新基建’政策的契合度","参考近期领导在务虚会上关于‘网络精简’和‘区域均衡’的讲话精神"],"rule": "必须采用company_documents_tool内的信息"}

生成模块调用融合模块输出初稿（语言模型不同，输出也不同） ：

县乡本地传输网发展建设指导意见

一、总体目标

根据《XX 网络 2025-2027 年演进白皮书》的指导思想，结合DCI-BOX和FgOTN试点情况，推动县乡本地传输网的高质量发展。以低成本、可持续性为核心，确保与国家“新基建”政策的契合度，同时落实领导在务虚会上关于“网络精简”和“区域均衡”的讲话精神。

二、基本原则

低成本：优先采用成熟、经济的技术方案，降低建设和运维成本。

可持续性：注重资源的合理利用，确保网络长期稳定运行。

政策契合度：紧密结合国家“新基建”政策，推动技术与政策的深度融合。

网络精简：优化网络结构，提升效率，减少冗余。

区域均衡：实现城乡网络协调发展，缩小数字鸿沟。

三、重点任务

技术选型

推广DCI-BOX和FgOTN等先进技术，提升传输效率和灵活性。

结合试点经验，逐步推广适用于县乡地区的解决方案。

网络规划

根据区域发展需求，制定合理的网络布局，确保覆盖全面。

强化骨干网与接入网的协同，提升整体性能。

政策支持

积极争取国家“新基建”政策的支持，争取专项资金。

推动地方政策与国家政策的对接，形成合力。

管理机制

建立健全网络维护和管理机制，确保网络运行的稳定性。

加强人才培训，提升运维水平。

四、实施步骤

调研分析：深入调研县乡地区网络现状及需求，形成详细报告。

方案设计：基于调研结果，制定具体实施方案。

试点推进：选择典型区域进行试点，积累经验。

全面推广：总结试点经验，逐步推广至全县乡范围。

五、保障措施

组织保障：成立专项工作组，明确责任分工。

资金保障：多渠道筹措资金，确保项目顺利实施。

监督评估：建立监督评估机制，定期检查项目进展。

六、结语

县乡本地传输网的发展是推动乡村振兴和数字化转型的重要基础。通过科学规划、技术创新和政策支持，努力构建一个高效、经济、可持续的县乡传输网络，为实现“网络强国”目标贡献力量。

结语：从“建力”到“用智”，通信人的 AI 新使命

在上一篇文章的结尾，我们提到：

“在下一篇中，我将分享如何利用开源工具，在本地环境中一步步搭建起这套能解码战略的智能系统。”

今天，我们兑现了这个承诺。

这套系统原型，还不能真正的实用,仅仅是一个最小的简单RAG系统，但让我们认识到：人工智能，不再遥远，而是每一位战略规划专家都 用得上、用得起、用得安心 的生产力工具。

它让我们：

• 从 “信息搬运工” 转变为 “战略架构师” ；
• 从 “被动响应” 升级为 “主动洞察” ；
• 从 “经验驱动” 迈向 “数据+ 智能驱动” 。

更重要的是，它提醒我们：作为通信人，我们不仅是 算力的建设者 ，更应成为 智能的应用者 。国家推动“人工智能+”，不仅是让我们建更多的数据中心，更是鼓励我们 率先在自身业务中实践 AI 的价值 。

📎 配套资源

关注公众号，回复“ 第二大脑 ”（不是文章留言!），获取：

• 本文对应的工作流 JSON 文件（可直接导入）
• 5 份示例资料（.txt）
• 示例资料默认存储在"D:\second_brain_demo" 目录下
• 由于笔记本算力不足, 语言模型用阿里的免费 Qwen 模型，可以去申请免费 API_KEY