简单向量存储
使用简单向量存储节点在 n8n 的应用内内存中存储和检索嵌入[^1]。
在此页面上,您将找到 Simple Vector Store 节点的节点参数和更多资源的链接。
提示
Parameter resolution in sub-nodes 子节点参数解析
使用表达式处理多个项目时,子节点的行为与其他节点不同。
大多数节点,包括根节点,接受任意数量的项目作为输入,处理这些项目,并输出结果。您可以使用表达式引用输入项目,节点会依次为每个项目解析表达式。例如,给定五个 name 值的输入,表达式 {{ $json.name }} 会依次解析为每个名称。
在子节点中,表达式始终解析为第一项。例如,给定五个 name 值的输入,表达式 {{ $json.name }} 始终解析为名字。
提示
This node is different from AI memory nodes 该节点与AI内存节点不同
这里描述的简单向量存储与简单内存等AI内存节点不同。
该节点在应用程序内存中创建一个矢量数据库[^2]。
数据安全限制
在使用 Simple Vector Store 节点之前,了解其限制和工作原理很重要。
警告
n8n 建议仅将简单向量存储用于开发用途。
矢量存储数据不是持久的
此节点仅将数据存储在内存中。当 n8n 重新启动时,所有数据都会丢失,在低内存条件下也可能被清除。
所有实例用户都可以访问向量存储数据
Simple Vector Store 节点的内存键是全局的,不限定于单个工作流程。
这意味着实例的所有用户都可以通过添加 Simple Vector Store 节点并选择内存键来访问向量存储数据,无论为原始工作流程设置的访问控制如何。使用 Simple Vector Store 节点摄取数据时,注意不要暴露敏感信息。
节点使用模式
您可以在以下模式中使用 Simple Vector Store 节点。
用作常规节点插入和检索文档
您可以将 Simple Vector Store 用作常规节点来插入或获取文档。此模式将 Simple Vector Store 放置在常规连接流中,而不使用代理。
您可以在此模板的步骤 2 中看到一个示例。
作为工具直接连接到 AI 代理
您可以将简单向量存储节点直接连接到 AI 代理 的工具[^3] 连接器,以在回答查询时使用向量存储作为资源。
这里的连接是:AI 代理(工具连接器)-> Simple Vector Store 节点。
使用检索器获取文档
您可以将 Vector Store Retriever 节点与 Simple Vector Store 节点结合使用,从 Simple Vector Store 节点获取文档。这通常与问答链 节点一起使用,以从向量存储中获取与给定聊天输入匹配的文档。
连接流的示例(链接的示例使用 Pinecone,但模式相同)是:Question and Answer Chain(检索器连接器)-> Vector Store Retriever(向量存储连接器)-> Simple Vector Store。
使用Vector Store问答工具回答问题
另一种模式使用向量存储问题解答工具 总结结果并回答来自简单向量存储节点的问题。该模式不是直接将简单向量存储作为工具连接,而是使用专门设计来汇总向量存储中的数据的工具。
在这种情况下,连接流看起来像这样:AI 代理(工具连接器)-> Vector Store Question Answer Tool(向量存储连接器)-> Simple Vector store。
内存管理
Simple Vector Store 实现内存管理以防止过度内存使用:
- 当内存压力增加时自动清理旧的向量存储
- 删除在可配置的时间内未访问的不活动商店
配置选项
您可以使用这些环境变量控制内存使用:
| 变量 | 类型 | 默认 | 描述 |
|---|---|---|---|
N8N_VECTOR_STORE_MAX_MEMORY |
数量 | -1 | 所有向量存储组合允许的最大内存(以 MB 为单位)(-1 表示禁用限制)。 |
N8N_VECTOR_STORE_TTL_HOURS |
数量 | -1 | 商店被删除后不活动的时间(-1 表示禁用 TTL)。 |
在 n8n Cloud 上,这些值分别预设为 100MB(大约 8,000 个文档,取决于文档大小和元数据)和 7 天。对于自托管实例,两个值默认为 -1(无内存限制或基于时间的清理)。
节点参数
此 Vector Store 节点有四种模式:Get Many 获取多个、Insert Documents 插入文档、Retrieve Documents (As Vector Store for Chain/Tool) 检索文档(作为 Chain/Tool 的 Vector Store) 和 Retrieve Documents (As Tool for AI Agent) 检索文档(作为 AI Agent 工具)。你选择的模式决定了可以用该节点执行哪些操作,以及可用的输入和输出。
对结果重新排序
启用重排序。如果启用此选项,必须将重排序节点(例如 Reranker Cohere)连接到 Vector Store。然后该节点将对查询结果重新排序。您可以将此选项与 Get Many、Retrieve Documents (As Vector Store for Chain/Tool) 和 Retrieve Documents (As Tool for AI Agent) 模式结合使用。
获取多个参数
- Memory Key 内存键:选择或创建包含您要查询的向量内存的键。
- Prompt 提示:输入搜索查询。
- Limit 限制:输入要从向量存储中检索多少结果。例如,将此设置为
10以获得十个最佳结果。
插入文档参数
Retrieve Documents (As Vector Store for Chain/Tool) 检索文档(作为链/工具的向量存储)参数
检索文档(作为链/工具的矢量存储)参数
Retrieve Documents (As Tool for AI Agent) 检索文档(作为 AI 代理的工具)参数
检索文档(作为AI代理工具)参数
- Name 名称:矢量存储的名称。
- Description 描述:向法学硕士解释该工具的用途。良好、具体的描述可以让法学硕士更频繁地产生预期的结果。
- Memory Key 记忆键:选择或创建包含要查询的向量内存的键。
- Limit 限制:输入要从向量存储中检索的结果数量。例如,将其设置为
10以获得十个最佳结果。
模板和示例
浏览 Simple Vector Store 节点文档集成模板 或 搜索所有模板
相关资源
请参考 LangChain 的 Memory Vector Store 文档{:target=_blank .external-link} 获取有关该服务的更多信息。
查看 n8n 的 Advanced AI 高级 AI 文档。
[^1]:嵌入是使用向量对数据进行数字表示。人工智能使用它们通过跨多个维度映射值来解释复杂的数据和关系。矢量数据库或矢量存储是设计用于存储和访问嵌入的数据库。 [^2]:矢量存储或矢量数据库存储信息的数学表示。与嵌入和检索器一起使用来创建一个数据库,您的 AI 在回答问题时可以访问该数据库。 [^3]:在 AI 环境中,工具是一种附加资源,AI 在响应请求时可以参考该资源来获取特定信息或功能。人工智能模型可以使用工具与外部系统交互或完成特定的、有重点的任务。