Qdrant 矢量商店
使用 Qdrant 节点作为 向量存储[^1] 与 Qdrant 集合进行交互。您可以将文档插入矢量数据库、从矢量数据库获取文档、检索文档以将其提供给连接到链 [^2] 的检索器,或将其直接连接到代理 [^3] 以用作工具 [^4]。
在此页面上,您将找到 Qdrant 节点的节点参数和更多资源的链接。
提示
Credentials 凭证
您可以在Qdrant 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。
节点使用模式
您可以在以下模式中使用 Qdrant Vector Store 节点。
用作常规节点插入和检索文档
您可以将 Qdrant Vector Store 用作常规节点来插入或获取文档。此模式将 Qdrant Vector Store 放置在常规连接流中,而不使用代理。
您可以在此模板的第一部分中看到一个示例。
作为工具直接连接到 AI 代理
您可以将 Qdrant 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 代理(工具连接器)-> Qdrant Vector Store 节点。
使用检索器获取文档
您可以将 Vector Store Retriever 节点与 Qdrant Vector Store 节点结合使用,从 Qdrant 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。
连接流的示例是:Question and Answer Chain(检索器连接器)-> Vector Store Retriever(向量存储连接器)-> Qdrant Vector Store。
使用Vector Store问答工具回答问题
另一种模式使用 Vector Store Question Answer Tool 总结结果并回答来自 Qdrant Vector Store 节点的问题。该模式不是直接将 Qdrant 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。
在本例中,连接流程 如下所示:AI 代理(工具连接器)-> Vector Store Question Answer Tool(Vector Store 连接器)-> Qdrant 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
- Qdrant collection name:输入要使用的 Qdrant 集合的名称。
- Prompt 提示:输入搜索查询。
- 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。
该操作模式包括一个Node option 节点选项,即元数据过滤器。
插入文档参数
- Qdrant collection name:输入要使用的 Qdrant 集合的名称。
此操作模式包含一个 节点选项:
- Collection Config 集合配置:输入用于创建 Qdrant 集合创建配置的 JSON 选项。请参考 Qdrant Collections{:target=_blank .external-link} 文档获取更多信息。
检索文档(作为链/工具的矢量存储)参数
- Qdrant Collection:输入要使用的 Qdrant 集合的名称。
该操作模式包括一个Node option 节点选项,即元数据过滤器。
检索文档(作为AI代理工具)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。
- Qdrant Collection:输入要使用的 Qdrant 集合的名称。
- 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
元数据过滤器
在 Get Many 得到很多 模式下可用。搜索数据时,使用它来匹配与文档关联的元数据。
这是一个 AND 查询。如果您指定多个元数据过滤器字段,所有字段都必须匹配。
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 Qdrant 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 的 Qdrant 文档{:target=_blank .external-link} 获取有关该服务的更多信息。
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。
[^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。