作者：来自 Elastic _som
你是否希望可以直接和你的费用数据对话？
可以这样问：
"我上周花了多少钱？"
"显示我这个月的餐饮支出。"
"添加我昨天用 信用卡 支付的 350 的晚餐费用。"
这个项目将这些自然语言消息，甚至语音消息，转换为结构化数据和可搜索的洞察，使用了：
- Telegram 作为聊天 UI
- n8n 作为工作流编排器
- AWS Bedrock（本示例中使用 Claude 3.5 Sonnet）用于意图分类、数据写入和对话式查询 agent（你可以替换为任何你选择的 LLM）
- Sarvam Speech-to-Text 用于语音转写（你也可以接入 Whisper、Deepgram、AssemblyAI，或任何你觉得合适的方案）
- Elasticsearch Agent Builder + MCP 负责存储、语义搜索，以及自定义 ES|QL 函数调用工具
另外，还准备了一个单独的 Colab notebook，用于自动部署整个 n8n 工作流，这是临时的。对于长期运行的 n8n 服务，建议你将其部署在你自己的服务器上，而不是使用 Colab。
这个系统做了什么
- 将语音 → 文本
- 判断消息类型是：
- INGEST（"我在午餐上花了 250"）
- QUERY（"我上个月花了多少钱？"）
- 将结构化 JSON 和语义 embedding 写入 Elasticsearch
- 使用 Agent Builder 工具运行有上下文的 ES|QL 查询
- 在 Telegram 中返回友好的回复
- 在分类置信度较低时，通过交互式澄清步骤来处理
n8n 架构一览
流程：
Telegram → n8n（ STT → Classifier → Ingest / Query 路由）→ AWS Bedrock LLMs → Elasticsearch（索引 + 使用 MCP 的语义搜索）→ Elastic Agent Builder 工具 → Telegram 响应
关键节点 / 组件
n8n Workflow
- Telegram Trigger
- 语音 / 文本 切换
- STT 请求
- Classifier agent
- Ingestion agent
- 通过 Agent Builder MCP 的 Query agent
- Elasticsearch indexer
- 低置信度门控
Elasticsearch
- 启用带有 Bedrock embeddings 的 semantic_text 字段
- 干净的索引 mapping（ amount 、 merchant 、 category 、 ts / @timestamp 、 raw_transcript ）
- 使用 ES|QL 构建的 Agent Builder 工具
AWS Bedrock
- Claude 3.5 Sonnet v2 用于：
- Intent 分类
- Expense JSON 提取
- Query agent 推理（通过 MCP 进行函数调用）
自己动手试试（ 一键设置 ）
我把所有内容都打包在这个 Colab notebook 里：
Colab：
Colab 为你做了什么：
- 在 Colab 内启动 n8n，进行临时设置
- 通过 Cloudflare Tunnel 将其暴露到互联网上
- 通过 API 在 n8n 中创建 AWS、ES、Telegram 凭证
- 安装完整的工作流模板
- 设置 Elasticsearch：
- Bedrock 推理端点
- 带 semantic_text 的索引 mapping
- 提供批量写入工具，用于你的合成费用数据集
- 让你可以立即从 Telegram 开始与你的 bot 对话
演示截图
- Telegram 对话
- Agent Builder（直接对话）
- Elastic Agent Builder YouTube 视频
https://www.bilibili.com/video/BV1TcBsBVEoB/?spm_id_from=333.1387.homepage.video_card.click
总结
这个技术栈为你提供：
- 一个对话式个人理财助手
- 使用 Elastic Agent Builder 的完整语义 + 结构化搜索
- 来自聊天或语音的实时写入