Human Approval और OpenAI-Compatible API के साथ n8n Document Q&A Workflow बनाएं

निर्णय: approval कहां होना चाहिए?

Document question answering के लिए केवल इसलिए human approval न जोड़ें कि AI model मौजूद है। इसे उस बिंदु पर जोड़ें जहां workflow संवेदनशील सामग्री तक पहुंच सकता है या ऐसे उत्तर को प्रकाशित कर सकता है जिसकी समीक्षा आवश्यक है।

एक उपयोगी n8n design इस प्रकार है:

1. एक question प्राप्त करें।
2. AI Agent से document-search request तैयार करवाएं।
3. जब corpus संवेदनशील हो, query से restricted material उजागर हो सकता हो या search की operational cost हो, तब search tool चलने से पहले human approval पर workflow रोकें।
4. Source metadata के साथ passages प्राप्त करें।
5. Model से केवल उन्हीं passages के आधार पर उत्तर देने को कहें।
6. Source references के साथ उत्तर लौटाएं, या publication से पहले draft को दूसरे approval step पर भेजें।

इससे तीन अलग-अलग निर्णय स्पष्ट होते हैं, जिन्हें अक्सर एक समझ लिया जाता है: क्या question स्वीकार्य है, क्या retrieval action स्वीकार्य है, और क्या generated answer भेजने के लिए तैयार है।

n8n AI Agent से जुड़े specific tools के लिए human review का documentation उपलब्ध कराता है। Review enabled होने पर workflow रुक जाता है और reviewer proposed tool call को approve या deny कर सकता है। Supported behavior और approval-channel details के लिए n8n human-in-the-loop documentation देखें।

आवश्यकताएं

आपको इन चीज़ों की आवश्यकता होगी:

• AI Agent और model connection वाला n8n workflow।
• Searchable document source, जैसे vector store, database या internal search service। Exact connector application-specific है और cited n8n page से स्थापित नहीं होता।
• ऐसा retrieval tool जो text के साथ document metadata भी लौटाए।
• n8n में configured approval channel। Documentation में Chat, Slack, Discord, Telegram, Microsoft Teams, Gmail, WhatsApp Business Cloud, Google Chat और Microsoft Outlook को उपलब्ध channels के रूप में सूचीबद्ध किया गया है।
• OpenAI-compatible API endpoint तक access। OneMux एक OpenAI-compatible API के माध्यम से leading AI models तक access देता है; current endpoint और authentication instructions के लिए OneMux quickstart और API documentation का उपयोग करें।

Compatibility conditional है। n8n से connect करने से पहले पुष्टि करें कि चुना गया endpoint उस request format, model identifier, authentication method, streaming behavior, tool calling और उन parameters को support करता है जिनका उपयोग आपका n8n node या HTTP request करता है। यह article यह दावा नहीं करता कि किसी विशेष OneMux model या n8n configuration का परीक्षण किया गया है।

अनुशंसित n8n workflow structure

Workflow को पांच logical stages में बनाएं:

1. Question capture और normalization

Question प्राप्त करने के लिए अपना चुना हुआ n8n entry point इस्तेमाल करें और उसे एक छोटे object में normalize करें, जिसमें user question, user या workspace context और optional document-scope filter शामिल हो।

Unrestricted user text को सीधे system instruction में न रखें। Question को data के रूप में रखें और agent का behavior अलग से define करें। यदि workflow tenant या department boundaries support करता है, तो इन boundaries को controlled fields के रूप में retrieval tool को भेजें, न कि model को उन्हें गढ़ने दें।

2. Document-search tool जोड़ें

AI Agent से एक search tool connect करें। इसका input narrow और explicit होना चाहिए, उदाहरण के लिए:

{
  "query": "string",
  "document_scope": "string or controlled value",
  "max_results": "integer"
}

Search result में उपयोगी citation के लिए पर्याप्त metadata सुरक्षित रहना चाहिए:

{
  "text": "Approved passage from the document",
  "title": "Document title",
  "url": "Document URL or stable identifier",
  "page": "Page number when available",
  "section": "Section heading when available",
  "chunk_id": "Stable passage identifier"
}

ऊपर दिए गए field names implementation pattern हैं; ये किसी required n8n schema का दावा नहीं हैं। इन्हें आपके connector या service के अनुसार अनुकूलित करें। महत्वपूर्ण property traceability है: answer generator को passage और उसका origin साथ-साथ मिलना चाहिए।

3. चुने गए tool के आसपास human review रखें

AI Agent के Tools panel को खोलें, Human review section खोजें, approval channel चुनें और document-search tool को उस review step से connect करें। चुने गए channel के credentials और settings n8n में configure करें।

Reviewer message proposed action और उसके parameters दिखा सकता है। n8n का documentation इस उद्देश्य के लिए $tool.name और $tool.parameters variables को describe करता है। एक व्यावहारिक message है:

The AI wants to use {{ $tool.name }} with these parameters:
{{ JSON.stringify($tool.parameters, null, 2) }}

Approve only if the query and document scope are appropriate for this request.

यह तब सबसे उपयोगी होता है जब reviewer risky scope पहचान सके, जैसे ऐसी request जो किसी दूसरी team के documents search करने जैसी लगे। सामान्य public documentation के लिए हर search पर approval लेना अनावश्यक friction पैदा कर सकता है। ऐसी स्थिति में retrieval को automatic रखें और final answer को publish या send करने वाले अलग tool पर approval लगाएं।

4. OpenAI-compatible model endpoint connect करें

अपने provider द्वारा documented endpoint और credentials का उपयोग करके model layer configure करें। OneMux के साथ OneMux quickstart से शुरुआत करें, ऐसा model चुनें जो आपके n8n node के लिए आवश्यक capabilities support करता हो, और model identifier तथा request parameters verify करें।

एक generic request shape इस तरह दिख सकता है, लेकिन यह illustrative है, tested OneMux recipe नहीं:

curl https://api.example-provider.invalid/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "YOUR_MODEL_ID",
    "messages": [
      {"role": "system", "content": "Answer only from supplied document passages."},
      {"role": "user", "content": "What does the document say about retention?"}
    ]
  }'

Placeholder URL, key handling और model ID को provider के current documentation में दिए गए values से बदलें। Workflow exports या user-visible approval messages में credentials expose न करें। यदि n8n का model node ऐसा parameter अपेक्षित करता है जिसे endpoint support नहीं करता, तो compatible configuration का उपयोग करें या HTTP Request-based design अपनाएं—लेकिन केवल तब जब आपकी security और response parsing requirements पूरी होती हों।

5. Answer prompt में attribution लागू करें

Model को retrieved passages स्पष्ट रूप से delimited context में दें और हर substantive claim के लिए citation आवश्यक करें। उदाहरण के लिए:

You answer questions about the supplied documents.

Rules:
- Use only the passages in DOCUMENT_CONTEXT.
- If the passages do not support an answer, say that the documents do not establish it.
- Do not create titles, URLs, page numbers, or quotations.
- Cite each factual answer using the supplied title and page, section, URL, or chunk ID.
- Distinguish a direct statement from an inference.

DOCUMENT_CONTEXT:
{{ JSON.stringify($json.documents) }}

QUESTION:
{{ $json.question }}

Exact expression syntax इस बात पर निर्भर करती है कि आपके preceding n8n nodes data को किस तरह shape करते हैं। इस prompt को pattern मानें, ready-to-use workflow export नहीं।

Approval design: retrieval बनाम publication

Approval के दो उपयुक्त points हैं:

High-risk workflows के लिए आप दोनों का उपयोग कर सकते हैं। n8n के documentation के अनुसार review AI Agent से जुड़े सभी tools या चुने हुए tools पर लागू किया जा सकता है, जो इस selective design को support करता है। Documentation यह भी बताता है कि approval मुख्य interaction से अलग channel के माध्यम से हो सकता है; उदाहरण के लिए, user-facing chat को Slack में reviewer approval के साथ जोड़ा जा सकता है।

System prompt और denial behavior

Agent को बताएं कि किन tools के लिए approval आवश्यक है और denial का अर्थ क्या है। यदि reviewer search को deny करता है, तो agent को उसी call को बदले हुए wording के साथ दोबारा नहीं आज़माना चाहिए और न ही यह दावा करना चाहिए कि उसे evidence मिल गया। उसे समझाना चाहिए कि requested lookup approve नहीं हुआ और जहां संभव हो, एक narrower, permitted alternative देना चाहिए।

एक संक्षिप्त policy है:

The document_search tool requires human approval. If it is denied, do not call it again for the same request. Tell the user that the lookup was not approved. Never answer from memory when document evidence is required.

यह n8n की documented guidance के अनुरूप है, जिसमें system prompt में tool और human-review behavior शामिल करने की सलाह दी गई है ताकि agent rejected calls को उचित तरीके से संभाल सके।

Troubleshooting और limitations

Approval request में उपयोगी context नहीं है

जांचें कि tool inputs explicit fields का उपयोग करते हैं और review message में $tool.name तथा $tool.parameters शामिल हैं। महत्वपूर्ण scope को किसी opaque string के भीतर छिपाने से बचें।

Citations गायब हैं

Model तक पहुंचने से पहले retrieval output का निरीक्षण करें। यदि mapping node title, URL, page, section या chunk identifiers को हटा देता है, तो model उन्हें विश्वसनीय रूप से दोबारा नहीं बना सकता। Model को unsupported claims से इनकार करने का निर्देश भी दें।

Endpoint request अस्वीकार करता है

Base URL, authentication header, model ID, tool-calling support, context limits और parameter names सत्यापित करें। OpenAI-compatible का अर्थ identical नहीं है: compatibility को n8n के request format और provider के documented API दोनों के विरुद्ध जांचना आवश्यक है।

Denial के बाद response असहज है

System prompt में स्पष्ट denial policy जोड़ें और approval तथा denial दोनों paths का परीक्षण करें। n8n approval और cancellation को अलग outcomes के रूप में document करता है; आपके workflow को दोनों संभालने चाहिए, न कि यह मान लेना चाहिए कि tool हमेशा चलेगा।

Workflow बहुत धीमा है

हर low-risk search को approve करने के बजाय selective review का उपयोग करें। Approval को sensitive retrieval या publication के लिए रखें और अपने environment में operational effect मापें। Testing के बिना model speed, retrieval quality या approval latency के बारे में अनुमान न लगाएं।

Cost और operational planning

OneMux यहां n8n के workflow controls के replacement के रूप में नहीं, बल्कि model-access route के रूप में प्रासंगिक है। Model चुनने से पहले current OneMux pricing देखें और input तथा output usage, retrieval volume, repeated approval attempts और document-search service की किसी भी लागत को ध्यान में रखें। लागू price selected model और current published terms पर निर्भर करती है; यह article कोई rate निर्धारित या savings का वादा नहीं करता।

Spend visibility और model-selection context के लिए OneMux model catalogue देखें। Model choice को आपके workflow की वास्तविक आवश्यकताओं पर conditional रखें, विशेष रूप से structured output या tool calling पर।

निष्कर्ष

एक robust n8n document Q&A workflow केवल model से connected agent नहीं होता। यह एक controlled chain है: authorized passages retrieve करें, उनका metadata सुरक्षित रखें, सही tool boundary पर review आवश्यक करें और ऐसा उत्तर generate करें जो केवल प्राप्त evidence को cite करे।

Orchestration और human approval के लिए n8n का उपयोग करें, और OneMux को एक व्यावहारिक OpenAI-compatible model-access route के रूप में evaluate करें जब उसका documented endpoint और parameters आपके design से मेल खाते हों। छोटे corpus से शुरुआत करें, approved और denied paths का परीक्षण करें, और unsupported claims, missing citations तथा incompatible parameters को model mysteries के बजाय workflow failures मानें।

Sources

• n8n: Human-in-the-loop for tools — tool approval behavior, approval channels, $tool expressions और denial-handling guidance का source।
• OneMux documentation — current API usage और compatibility details के लिए provider documentation।
• OneMux quickstart — endpoint और authentication configuration के लिए starting point।
• OneMux pricing — deployment से पहले जांचने के लिए current pricing reference।