MongoDB Atlas Vector Store 节点#

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。

凭据

您可以在这里找到此节点的身份验证信息。

子节点中的参数解析

子节点在使用表达式处理多个项目时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个项目。例如，给定五个 name 值的输入，表达式 {{ $json.name }} 始终解析为第一个名称。

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：

登录到 MongoDB Atlas 仪表板。
选择您的组织和项目。
找到"Search & Vector Search"部分。
选择您的集群并点击"Go to search"。
点击"Create Search Index"。

选择"Vector Search"模式并使用可视化或 JSON 编辑器。例如：

{
  "fields": [
    {
      "type": "vector",
      "path": "<field-name>",
      "numDimensions": 1536, // any other value
      "similarity": "<similarity-function>"
    }
  ]
}

根据您的嵌入模型调整"dimensions"值（例如，OpenAI 的 text-embedding-small-3 为 1536）。
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：

集合名称
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）。

直接连接到 AI 代理作为工具#

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 节点一起使用，从 MongoDB Atlas Vector Store 节点获取文档。这通常与 Question and Answer Chain 节点一起使用，从与给定聊天输入匹配的向量存储中获取文档。

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 Question Answer Tool 回答问题#

另一种模式使用 Vector Store Question Answer Tool 来总结结果并从 MongoDB Atlas Vector Store 节点回答问题。这种模式不是将 MongoDB Atlas Vector Store 直接连接为工具，而是使用专门设计用于总结向量存储中数据的工具。

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#

操作模式#

此向量存储节点有四种模式：获取多个、插入文档、检索文档（作为链/工具的向量存储）和检索文档（作为 AI 代理的工具）。您选择的模式决定了您可以使用节点执行的操作以及可用的输入和输出。

Get Many 获取多个#

在此模式下，您可以通过提供提示从向量数据库中检索多个文档。提示会被嵌入并用于相似性搜索。节点返回与提示最相似的文档及其相似性分数。如果您想检索相似文档列表并将其作为附加上下文传递给代理，这很有用。

Insert Documents 插入文档#

使用插入文档模式将新文档插入到您的向量数据库中。

Retrieve Documents (as Vector Store for Chain/Tool) 检索文档（作为链/工具的向量存储）#

使用检索文档（作为链/工具的向量存储）模式与向量存储检索器一起从向量数据库检索文档并将其提供给连接到链的检索器。在此模式下，您必须将节点连接到检索器节点或根节点。

Retrieve Documents (as Tool for AI Agent) 检索文档（作为 AI 代理的工具）#

使用检索文档（作为 AI 代理的工具）模式在回答查询时将向量存储用作工具资源。在制定响应时，当向量存储名称和描述与问题详情匹配时，代理会使用向量存储。

重新排序结果#

启用重新排序。如果启用此选项，您必须将重新排序节点连接到向量存储。然后该节点将为查询重新排序结果。您可以在 获取多个、检索文档（作为链/工具的向量存储）和检索文档（作为 AI 代理的工具）模式下使用此选项。

Get Many 获取多个参数#

Mongo Collection：输入要使用的 MongoDB 集合的名称。
Vector Index Name：输入 MongoDB Atlas 集合中 Vector Search 索引的名称。
Embedding Field：输入文档中包含向量嵌入的字段名称。
Metadata Field：输入文档中包含文本元数据的字段名称。

Insert Documents 插入文档参数#

Mongo Collection：输入要使用的 MongoDB 集合的名称。
Vector Index Name：输入 MongoDB Atlas 集合中 Vector Search 索引的名称。
Embedding Field：输入文档中包含向量嵌入的字段名称。
Metadata Field：输入文档中包含文本元数据的字段名称。

Retrieve Documents 检索文档参数（作为链/工具的向量存储）#

Mongo Collection：输入要使用的 MongoDB 集合的名称。
Vector Index Name：输入 MongoDB Atlas 集合中 Vector Search 索引的名称。
Embedding Field：输入文档中包含向量嵌入的字段名称。
Metadata Field：输入文档中包含文本元数据的字段名称。

Retrieve Documents (As Tool for AI Agent) 检索文档（作为 AI 代理的工具）参数#

Name 名称：向量存储的名称。
Description 描述：向 LLM 解释此工具的作用。良好、具体的描述允许 LLM 更频繁地产生预期结果。
Mongo Collection：输入要使用的 MongoDB 集合的名称。
Vector Index Name：输入 MongoDB Atlas 集合中 Vector Search 索引的名称。
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。

节点选项#

Options 选项#

Metadata Filter 元数据过滤器：基于元数据过滤结果。

模板和示例#

自托管 AI 入门套件#

刚开始使用 AI 和自托管 n8n？尝试 n8n 的自托管 AI 入门套件，使用 Ollama、Qdrant 和 PostgreSQL 开始概念验证或演示游乐场。