RAG com Supabase e n8n. Agente de IA (Atendimento RH)

Objetivo

O objetivo deste artigo é apresentar o desenvolvimento e a implementação de um agente inteligente de onboarding para Recursos Humanos, utilizando a técnica de RAG (Retrieval-Augmented Generation) para garantir respostas precisas e fundamentadas nos documentos internos da empresa. A solução proposta integra o Supabase como um banco de dados vetorial escalável para o armazenamento e recuperação de conhecimentos, e o n8n como a camada de orquestração de fluxo de trabalho (workflow), demonstrando como a união dessas tecnologias permite automatizar a integração de novos colaboradores de forma personalizada, eficiente e segura

Pré-requisitos:

Para que possamos seguir com esse roteiro de criação de um agente simples que utiliza o RAG para obter informações especifica da sua organização precisamos de uma conta no n8n e no supabase

Cria sua conta no n8n: Post da ValueHub explicando como criar uma conta, caso ainda não tenha criado.
Crie sua conta no supabase: Post da valuehub explicando como criar uma conta no supabase

Para que possa nivelar o seu conhecimento em relação a técnica de RAG, vou deixar um artigo para que você possa entender entender os fundamentos dessa técnica. Post da ValueHub

Configurando o Supabase

Dentro do projeto em que iremos criar o banco vetorial, selecione a funcionalidade do “SQL Editor” na parte esqueda da tela, conforme imagem abaixo:

Execute o script na tela do “SQL Editor”

-- Habilita  a extensao pgvector para trabalhar com embedding vectors
CREATE EXTENSION IF NOT EXISTS vector;

-- Cria a tabela para armazenar os documentos
-- Pode mudar o nome da tabla para sua necessidade, só lembrar de substituir todos os itens da função para o mesmo nome
create table if not exists documents(
  id bigserial primary key,
  content text, -- corresponds to Document.pageContent
  metadata jsonb, -- corresponds to Document.metadata
  embedding vector(1536) -- 1536 works for OpenAI embeddings, Altere se necessario
);

-- Create a function to search for documents
create function match_documents (
  query_embedding vector(1536),
  match_count int default null,
  filter jsonb DEFAULT '{}'
) returns table (
  id bigint,
  content text,
  metadata jsonb,
  similarity float
)
language plpgsql
as $$
#variable_conflict use_column
begin
  return query
  select
    id,
    content,
    metadata,
    1 - (documents.embedding <=> query_embedding) as similarity
  from documents
  where metadata @> filter
  order by documents.embedding <=> query_embedding
  limit match_count;
end;
$$;

Esse script cria todo setup necessário para funcionar a base vetorial no supabase

Criando o Agente “Meu Onboarding RH”

“Meu Onboarding RH” é um agente de inteligência artificial projetado para transformar a jornada de integração de novos talentos. Através da tecnologia RAG, ele atua como um assistente consultivo 24/7, capaz de sanar dúvidas sobre benefícios consultando instantaneamente os manuais da empresa para fornecer respostas precisas e contextualizadas.

Iremos separa a criação do agente em duas etapas. A primeira etapa será a parte de ingestão dos docuemntos e a segunda parte o agente consultando a base de conhecimento para dar as respostas corretas.

Criando a ingestão de documentos no supabase

Passo: Gatilho de Formulário (On form submission)
- Adicione o nó n8n Form Trigger.
- Configure o “Form Title” como “INGESTÃO DE DOCUMENTOS”.
- Em Fields, adicione um campo:
  - Field Name: “Faça o upload dos seus dados para testar o RAG.”
  - Field Element Type: File.
  - Accept File Types: .pdf.
Passo: O Coração do Fluxo (Supabase Vector Store)
- Adicione o nó Supabase Vector Store.
- No campo Action, selecione Insert Documents.
- Credential to connect with: Conecte sua API do Supabase.
- Table Name: Digite o nome da tabela criada no Supabase .
- Importante: Este nó possui duas “entradas” na parte inferior que precisam ser preenchidas pelos nós dos passos seguintes. “Embedding” e “Document”
Passo: Configurar Embeddings
- Clique no conector circular de entrada chamado Embedding (embaixo do nó Supabase) e procure por Embeddings OpenAI.
- Credentials: Insira sua OpenAI API Key.
- O modelo padrão geralmente é o text-embedding-3-small ou text-embedding-ada-002.
Passo: Carregar o Arquivo (Default Data Loader)
- Clique no conector circular de entrada chamado Document (embaixo do nó Supabase) e adicione o nó Default Data Loader.
- Em Data Type, selecione Binary (pois o arquivo vem do formulário).

Figura: Ingestão de documentos no n8n

Figura: Supabase Base vetorial.

Criando o agente “Meu Onboarding RH”

Passo: Configuração do Trigger de Interface. O fluxo inicia com o nó “When chat message received”.
- Tipo: chatTrigger.
- Objetivo: Capturar a entrada do usuário através de uma interface de chat e iniciar a execução do workflow.
Passo: Conectar o nó de “Agent AI”
- Adicine uma opção “Options” de “System Message”, para adicionar o prompt de sistemas.
- Elementos sugeridos para o prompt de sistemas
  - MISSÃO
  - PERSONA & TOM
  - REGRAS & RESTRIÇÕES
  - CONTEXTO & FERRAMENTAS
  - FOMATO DA SAÍDA
Passo: Definição do Modelo de Linguagem (Cérebro)
- Conecte o nó “OpenAI Chat Model” à entrada Chat Model do agente.
- Configuração: Utiliza o modelo gpt-4.1-mini ou modelo de sua preferência para processar as solicitações.
- Credenciais: Requer uma API Key da OpenAI configurada no n8n.
Passo: Implementação da Base de Conhecimento (Ferramenta de Busca)
- Conector de Vetores: Utilize o nó “Supabase Vector Store ” conectado à entrada Tool do agente.
- Parametros do “Supabase Vector Store”
  - Credential to connect with (Sua credencial do Supabase)
  - Operation Mode (Retrieve Documents (As Tool for AI Agent))
  - Description (Prompt para identificar o objetivo do Vector Store exemplo: “buscar informações na base de conhecimento de benefícios do RH”
  - Table Name (A tabela criada na etapa de configuração do Supa base vector) é aonde será recuperado as informações
- Configurar Embeddings
  - clique no conector circular de entrada chamado Embedding (embaixo do nó Supabase) e procure por Embeddings OpenAI.
  - Credentials: Insira sua OpenAI API Key.
  - O modelo padrão geralmente é o text-embedding-3-small ou text-embedding-ada-002.

Figura: Supabase Base vetorial.

O Agente está pronto para Ser utilizado

Conclusão

A construção deste agente no n8n representa uma solução avançada de IA Generativa aplicada ao RH, integrando o processamento de linguagem natural do modelo GPT-4 com a precisão técnica da arquitetura RAG (Retrieval-Augmented Generation). Ao conectar o nó central do Agente a uma base de conhecimento vetorial no Supabase, o sistema deixa de ser um chat genérico para se tornar um especialista em benefícios capaz de fornecer respostas fidedignas, seguras e contextualizadas para novos colaboradores. Em utilização, o agente atua como um facilitador de onboarding, reduzindo a carga operacional do Departamento Pessoal e garantindo que o colaborador receba informações estruturadas em tópicos, com destaques em termos cruciais e orientações claras para adesão, tudo isso sob rígidas regras de privacidade e fidelidade aos dados da empresa.

Referências:

Autor: Daniel J. F. Nunes https://www.linkedin.com/in/danieljfnunes

SUPABASE. LangChain: Vector Search with Supabase. In: Supabase Documentation. Disponível em: https://supabase.com/docs/guides/ai/langchain?database-method=sql. Acesso em: 5 jan. 2026.

LANGCHAIN. Supabase: Vector Store Integration. In: LangChain Documentation. Disponível em: https://docs.langchain.com/oss/javascript/integrations/vectorstores/supabase. Acesso em: 5 jan. 2026.

COPPINGER, Greg. OpenAI Embeddings and Vector Search in PostgreSQL with pgvector. Supabase Blog, 2023. Disponível em: https://supabase.com/blog/openai-embeddings-postgres-vector. Acesso em: 5 jan. 2026.

ANTHROPIC. Contextual Retrieval. Anthropic Engineering Blog, 2024. Disponível em: https://www.anthropic.com/engineering/contextual-retrieval. Acesso em: 5 jan. 2026.