Oracle Database Vector Store 节点#

使用 Oracle Database Vector Store 节点，将 Oracle Database 作为 Vector Store 进行交互。你可以将文档插入向量表、从向量表获取文档、检索文档并提供给连接到链的检索器，或作为工具直接连接到 agent。

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。

凭据

你可以在这里找到此节点的身份验证信息。

Oracle Database 向量支持

你的 Oracle Database 实例必须支持 Oracle AI Vector Search，才能执行 Vector Store 操作。更多详情请参阅 Oracle AI Vector Search Guide。

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。

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#

你可以将 Oracle Database Vector Store 节点直接连接到 AI agent 的工具连接器，以在回答查询时将 Vector Store 用作资源。

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#

你可以将 Vector Store Retriever 节点与 Oracle Database Vector Store 节点一起使用，从 Oracle Database Vector Store 节点获取文档。这通常与 Question and Answer Chain 节点一起使用，从 Vector Store 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，并基于 Oracle Database Vector Store 节点回答问题。这种模式不是将 Oracle Database Vector Store 直接连接为工具，而是使用专门设计用于总结 Vector Store 中数据的工具。

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#

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。

Rerank Results 重排结果#

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#

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
Inner Product
Euclidean
Manhattan
Euclidean Squared
Hamming

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，metadata 使用文档加载器设置。有关加载文档的更多信息，请参阅 Default Data Loader。