n8n 中文文档

Supabase Vector Store

使用 Supabase Vector Store 与 Supabase 数据库作为矢量存储进行交互。您可以将文档插入矢量数据库,从矢量数据库获取许多文档,并检索文档以将它们提供给连接到链的检索器。

使用 Supabase Vector Store 与 Supabase 数据库交互,作为 矢量存储[^1]。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]。您还可以通过 ID 更新矢量存储中的项目。

在此页面上,您将找到 Supabase 节点的节点参数以及更多资源的链接。

提示

Credentials 凭证

您可以在Supabase 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。

Supabase 提供了设置矢量存储的快速入门。如果您使用快速入门中默认值以外的设置,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。

用作常规节点来插入、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。

作为工具直接连接到 AI 代理

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 节点结合使用,从 Supabase 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(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 Supabase Vector Store 节点的问题。该模式不是直接将 Supabase 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

此矢量存储节点有五种模式:Get Many 得到很多、Insert Documents 插入文档、Retrieve Documents (As Vector Store for Chain/Tool)、Retrieve Documents (As Tool for AI Agent) 检索文档(作为AI代理的工具) 和 Update Documents 更新文件。您选择的模式决定了您可以对节点执行的操作以及可用的输入和输出。

获取许多

在此模式下,您可以通过提供提示从矢量数据库中检索多个文档。该提示将被嵌入并用于相似性搜索。该节点将返回与提示最相似的文档及其相似度分数。如果您想要检索类似文档的列表并将它们作为附加上下文传递给代理,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/工具的矢量存储)

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。

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

  • 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。

插入文档参数

  • Table Name 表名:输入要使用的 Supabase 表。

检索文档(作为链/工具的矢量存储)参数

  • Table Name 表名:输入要使用的 Supabase 表。

检索文档(作为AI代理工具)参数

  • Name 名称:Vector Store 的名称。
  • Description 描述:向 LLM 说明此工具的用途。具体、准确的描述有助于 LLM 更稳定地生成预期结果。
  • Table Name 表名:输入要使用的 Supabase 表。
  • Limit 限制:输入要从 Vector Store 中检索的结果数量。例如,设为 10 可获取十个最佳结果。

更新文档

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

Update Documents 更新文档的参数:

  • ID

节点选项

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,则这将是 match_documents。

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 Supabase Vector Store 节点文档集成模板 或 搜索所有模板

相关资源

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。