Supabase Vector Store 节点#

使用 Supabase Vector Store 与您的 Supabase 数据库作为向量存储进行交互。您可以将文档插入向量数据库，从向量数据库获取文档，检索文档以提供给连接到链的检索器，或直接连接到代理作为工具。

在此页面上，您将找到 Supabase 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。

Supabase 提供了设置向量存储的快速入门指南。如果您使用快速入门指南中默认设置以外的设置，这可能会影响 n8n 中的参数设置。确保您了解自己在做什么。

节点使用模式#

您可以在以下模式中使用 Supabase Vector Store 节点。

用作常规节点插入、更新和检索文档#

您可以将 Supabase Vector Store 用作常规节点来插入、更新或获取文档。此模式将 Supabase 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。

直接连接到 AI 代理作为工具#

您可以将 Supabase 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）-> Supabase Vector Store 节点。

使用检索器获取文档#

您可以将 Vector Store Retriever 节点与 Supabase Vector Store 节点一起使用，从 Supabase 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（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）-> Supabase 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 Supabase Vector Store 节点回答问题。这种模式不是将 Supabase 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）-> Supabase Vector store。

节点参数#

操作模式#

此向量存储节点有五种模式：获取多个、插入文档、检索文档（作为链/工具的向量存储）、检索文档（作为 AI 代理的工具）和更新文档。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。

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。提示将被嵌入并用于相似性搜索。节点将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它们作为额外上下文传递给代理，这非常有用。

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。

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，并将它们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。

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细信息匹配时，代理会使用向量存储。

更新文档#

使用更新文档模式通过 ID 更新向量数据库中的文档。在 ID 中填入要更新的嵌入条目的 ID。

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：输入要使用的 Supabase 表。
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。

Insert Documents 插入文档参数#

Table Name 表名：输入要使用的 Supabase 表。

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

Table Name 表名：输入要使用的 Supabase 表。

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。
Table Name 表名：输入要使用的 Supabase 表。
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。

Update Documents 更新文档#

Table Name 表名：输入要使用的 Supabase 表。
ID：嵌入条目的 ID。

节点选项#

Query Name 查询名称#

您在 Supabase 中设置的匹配函数的名称。如果您遵循 Supabase 快速入门指南，这将是 match_documents。

Metadata Filter 元数据过滤器#

在获取多个模式下可用。搜索数据时，使用此选项与文档关联的元数据进行匹配。

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，元数据使用文档加载器设置。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#

AI 术语表#

completion（完成/补全）: 完成是由 GPT 等模型生成的响应。
hallucinations（幻觉）: AI 中的幻觉是指大语言模型（LLM）错误地感知到不存在的模式或对象。
vector database（向量数据库）: 向量数据库存储信息的数学表示。与嵌入和检索器一起使用，创建 AI 在回答问题时可以访问的数据库。
vector store（向量存储）: 向量存储或向量数据库，存储信息的数学表示。与嵌入和检索器一起使用，创建 AI 在回答问题时可以访问的数据库。