MongoDB Atlas 矢量存储
MongoDB Atlas Vector Search 是 MongoDB Atlas 的一个功能,使用户能够存储和查询向量嵌入。使用此节点与 MongoDB Atlas 集合中的 Vector Search 索引进行交互。您可以插入文档、检索文档,并在链中使用向量存储或作为代理的工具。
在此页面上,您将找到 MongoDB Atlas Vector Store 节点的节点参数和更多资源的链接。
提示
Credentials 凭证
您可以在MongoDB 凭据文档找到此节点的身份验证信息。
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。
先决条件
在使用此节点之前,请在您的 MongoDB Atlas 集合中创建一个 Vector Search 索引。按照以下步骤创建一个:
- 登录MongoDB Atlas仪表板。
- 选择您的组织和项目。
- 找到“搜索和矢量搜索”部分。
- 选择您的集群并单击“Go to search”。
- 单击“创建搜索索引”。
-
选择“矢量搜索”模式并使用可视化或 JSON 编辑器。例如:
json { "fields": [ { "type": "vector", "path": "<field-name>", "numDimensions": 1536, // any other value "similarity": "<similarity-function>" } ] }7. 根据您的嵌入模型调整“尺寸”值(例如,OpenAI 的text-embedding-small-3为1536)。 8. 为您的索引命名并创建。
确保记下以下在配置节点时需要的值:
- 收藏名称
- 向量索引名称
- 嵌入和元数据的字段名称
节点使用模式
您可以在以下模式中使用 MongoDB Atlas Vector Store 节点:
用作常规节点插入和检索文档
您可以将 MongoDB Atlas Vector Store 用作常规节点来插入或获取文档。此模式将 MongoDB Atlas Vector Store 放置在常规连接流中,而不使用代理。
您可以在此模板的场景 1 中看到一个示例(该模板使用 Supabase Vector Store,但模式相同)。
作为工具直接连接到 AI 代理
您可以将 MongoDB Atlas Vector Store 节点直接连接到 AI 代理 的工具连接器,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)-> MongoDB Atlas Vector Store 节点。
使用检索器获取文档
您可以将 Vector Store Retriever 节点与 MongoDB Atlas Vector Store 节点结合使用,从 MongoDB Atlas 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)-> MongoDB Atlas Vector Store。
使用Vector Store问答工具回答问题
另一种模式使用矢量存储问答工具 总结结果并回答来自 MongoDB Atlas Vector Store 节点的问题。该模式不是直接将 MongoDB Atlas 矢量存储作为工具连接,而是使用专门设计来汇总矢量存储中的数据的工具。
在这种情况下,连接流(链接的示例使用内存向量存储,但模式相同)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)-> In-Memory Vector store。
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
- Mongo Collection Mongo 集合:输入要使用的 MongoDB 集合的名称。
- Vector Index Name 矢量索引名称:输入 MongoDB Atlas 集合中矢量搜索索引的名称。
- Embedding Field 嵌入字段:输入文档中包含矢量嵌入的字段名称。
- Metadata Field 元数据字段:输入文档中包含文本元数据的字段名称。
插入文档参数
- Mongo Collection Mongo 集合:输入要使用的 MongoDB 集合的名称。
- Vector Index Name 矢量索引名称:输入 MongoDB Atlas 集合中矢量搜索索引的名称。
- Embedding Field 嵌入字段:输入文档中包含矢量嵌入的字段名称。
- Metadata Field 元数据字段:输入文档中包含文本元数据的字段名称。
检索文档参数(作为链/工具的矢量存储)
- Mongo Collection Mongo 集合:输入要使用的 MongoDB 集合的名称。
- Vector Index Name 矢量索引名称:输入 MongoDB Atlas 集合中矢量搜索索引的名称。
- Embedding Field 嵌入字段:输入文档中包含矢量嵌入的字段名称。
- Metadata Field 元数据字段:输入文档中包含文本元数据的字段名称。
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 LLM 解释该工具的用途。良好、具体的描述可以让 LLM 更频繁地产生预期的结果。
- Mongo Collection Mongo 集合:输入要使用的 MongoDB 集合的名称。
- Vector Index Name 矢量索引名称:输入 MongoDB Atlas 集合中矢量搜索索引的名称。
- 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。
节点选项
选项
- Metadata Filter 元数据过滤器:根据元数据过滤结果。
模板和示例
浏览 MongoDB Atlas 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 MongoDB Atlas Vector Search 文档 了解有关该服务的更多信息。
- MongoDB Atlas 矢量搜索文档 了解有关 MongoDB Atlas 矢量搜索的更多信息。
查看 n8n 的 Advanced AI 高级 AI 文档。
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。