n8n 中文文档

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:

  1. 登录MongoDB Atlas仪表板。
  2. 选择您的组织和项目。
  3. 找到“搜索和矢量搜索”部分。
  4. 选择您的集群并单击“Go to search”。
  5. 单击“创建搜索索引”。
  6. 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:

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。

不想自己部署和维护 n8n?n8ncn 托管 n8n 云服务:开通账号即可使用,不用买服务器;也可以在 n8ncn 工作流库 找现成的中文工作流。