n8n 中文文档

Oracle Database Vector Store 节点

使用 Oracle 数据库矢量存储节点作为矢量存储与 Oracle 数据库交互[^1]。您可以将文档插入到向量表中,从向量表中获取文档,检索文档以将其提供给连接到链 [^2] 的检索器,或者直接连接到代理 [^3] 作为工具 [^4]。

在此页面上,你将找到 Oracle Database 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Oracle Database 凭据文档找到此节点的身份验证信息。

提示

Oracle Database vector support Oracle 数据库矢量支持

您的 Oracle 数据库实例必须支持 Oracle AI Vector Search 才能执行矢量存储操作。更多详情请参阅 Oracle AI Vector Search 指南。

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。

节点使用模式

你可以在以下模式中使用 Oracle Database Vector Store 节点。

用作常规节点插入和检索文档

你可以将 Oracle Database Vector Store 用作常规节点来插入或获取文档。此模式将 Oracle Database Vector Store 放置在常规连接流中,而不使用 agent。

你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 agent 作为工具

您可以将 Oracle 数据库矢量存储节点直接连接到 AI 代理 的工具连接器,以在回答查询时使用矢量存储作为资源。

这里的连接是:AI agent(工具连接器)-> Oracle Database Vector Store 节点。

使用检索器获取文档

您可以将 Vector Store Retriever 节点与 Oracle Database Vector Store 节点结合使用,从 Oracle Database 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(Vector Store 连接器)-> Oracle Database 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 总结结果并回答来自 Oracle Database Vector Store 节点的问题。该模式不是直接将 Oracle 数据库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 Simple Vector Store,但模式相同)看起来像这样:AI agent(工具连接器)-> Vector Store Question Answer Tool(Vector Store 连接器)-> Oracle Database 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。

Rerank Results 重排结果

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。

Get Many 获取多个参数

  • Table Name 表名:输入要查询的表名。如果该表不存在,节点会创建它。
  • Prompt 提示:输入搜索查询。
  • Limit 限制:输入一个数字来设置要从 Vector Store 中检索多少结果。例如,将此设置为 10 可获取十个最佳结果。

Insert Documents 插入文档参数

  • Table Name 表名:输入用于存储向量的表名。如果该表不存在,节点会创建它。

Retrieve Documents 检索文档参数(作为链/工具的 Vector Store)

  • Table Name 表名:输入要查询的表名。

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

  • Name 名称:Vector Store 的名称。
  • Description 描述:向 LLM 解释此工具的作用。良好、具体的描述能让 LLM 更频繁地产生预期结果。
  • Table Name 表名:输入要查询的 Oracle Database 向量表。
  • Limit 限制:输入要从 Vector Store 中检索多少结果。例如,将此设置为 10 可获取十个最佳结果。

节点选项

Distance Strategy 距离策略

在 Get Many 获取多个和 Retrieve Documents 检索文档模式下可用。此方法用于计算两个向量之间的距离。可选择:

  • Cosine 余弦
  • Inner Product 内积
  • Euclidean 欧几里得
  • Manhattan 曼哈顿
  • Euclidean Squared 欧氏平方
  • Hamming 汉明

Metadata Filter metadata 筛选器

在 Get Many 获取多个、Retrieve Documents (As Vector Store for Chain/Tool) 检索文档(作为链/工具的 Vector Store)和 Retrieve Documents (As Tool for AI Agent) 检索文档(作为 AI agent 的工具)模式下可用。搜索数据时,使用此项匹配与文档关联的 metadata。

如果使用 UI 指定多个 metadata 筛选字段,所有字段都必须匹配。这类似于 AND 查询。

对于高级筛选,Oracle Database Vector Store 会将 metadata 筛选器传递给 Oracle AI Vector Search。这支持更丰富的筛选对象,包括数组、嵌套筛选器、$gte 等比较运算符、$nin 等排除运算符,以及 $and 等逻辑运算符。

插入数据时,使用文档加载器设置元数据。有关加载文档的更多信息,请参阅默认数据加载器。

模板和示例

浏览 Oracle Database Vector Store 节点文档集成模板 或 搜索所有模板

相关资源

有关 Oracle Database 中向量搜索的更多信息,请参阅 Oracle AI Vector Search 文档。

查看 n8n 的 Advanced AI 高级 AI 文档。

[^1]: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。 [^2]:AI 链允许您按照组件调用顺序与大型语言模型 (LLM) 和其他资源进行交互。 n8n 中的 AI 链不使用持久内存,因此您不能使用它们来引用以前的上下文(为此使用 AI 代理)。 [^3]:AI 代理是能够响应用户请求、做出决策并执行现实世界任务的人工智能系统。他们使用大型语言模型 (LLM) 来解释用户输入,并就如何利用现有的信息和资源最好地处理请求做出决策。 [^4]: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。

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。