Azure AI Search Vector Store（Azure AI Search 向量存储）

Azure AI Search（原名 Azure Cognitive Search）是一项云搜索服务，提供适用于 RAG 和语义搜索应用的向量搜索能力。使用此节点，存储、检索和查询嵌入向量及其对应的内容和元数据。

本页列出了 Azure AI Search Vector Store 节点的参数，并提供更多资源的链接。

信息

凭据

此节点的身份验证信息，请参阅 Azure AI Search 凭据文档。

信息

子节点中的参数解析

使用表达式处理多个数据项时，子节点的行为与其他节点不同。

多数节点，包括根节点，可以接收任意数量的输入数据项，处理后输出结果。你可以用表达式引用输入数据项，节点会依次对每个数据项解析表达式。例如，输入包含五个 name 值时，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数据项。例如，输入包含五个 name 值时，表达式 {{ $json.name }} 始终解析为第一个名称。

前置条件

使用此节点前，需要：

Azure 订阅
Azure AI Search 服务
已配置 API 密钥身份验证（写入操作使用管理员密钥，只读操作使用查询密钥）

设置说明，请参阅凭据文档。

索引配置

索引不存在时，节点会自动创建索引。自动创建时，节点会配置：

根据嵌入模型设置适当维度的向量字段
使用余弦度量的 HNSW 算法，实现高效相似度搜索
用于过滤和检索的内容及元数据字段

也可在 Azure Portal 中预先创建索引，使用自定义配置。架构示例：

{
  "name": "n8n-vectorstore",
  "fields": [
    {
      "name": "id",
      "type": "Edm.String",
      "key": true,
      "filterable": true
    },
    {
      "name": "content",
      "type": "Edm.String",
      "searchable": true
    },
    {
      "name": "content_vector",
      "type": "Collection(Edm.Single)",
      "searchable": true,
      "vectorSearchDimensions": 1536,
      "vectorSearchProfileName": "n8n-vector-profile"
    },
    {
      "name": "metadata",
      "type": "Edm.String",
      "filterable": true
    }
  ],
  "vectorSearch": {
    "profiles": [
      {
        "name": "n8n-vector-profile",
        "algorithm": "n8n-vector-algorithm"
      }
    ],
    "algorithms": [
      {
        "name": "n8n-vector-algorithm",
        "kind": "hnsw",
        "hnswParameters": {
          "metric": "cosine",
          "m": 4,
          "efConstruction": 400,
          "efSearch": 500
        }
      }
    ]
  }
}

信息

向量维度

vectorSearchDimensions 值必须与嵌入模型的输出匹配。

节点使用模式

作为普通节点插入和检索文档

直接在工作流中使用此节点插入或检索文档，无需智能体。模式示例，请参阅此模板（使用 Supabase，但模式完全相同）。

作为工具直接连接到 AI 智能体

连接到 AI 智能体的工具连接器，将向量存储用作可搜索的知识库：

AI Agent（工具连接器）→ Azure AI Search Vector Store 节点

使用检索器获取文档

与 Vector Store Retriever 和 Question and Answer Chain 配合使用，实现检索增强生成：

Question and Answer Chain（Retriever）→ Vector Store Retriever（Vector Store）→ Azure AI Search Vector Store

请参阅此示例工作流。

使用 Vector Store Question Answer Tool

使用 Vector Store Question Answer Tool 汇总信息并回答问题：

AI Agent（工具）→ Vector Store Question Answer Tool（Vector Store）→ Azure AI Search Vector Store

请参阅此示例。

节点参数

此向量存储节点有五种模式：Get Many（获取多条）、Insert Documents（插入文档）、Retrieve Documents (As Vector Store for Chain/Tool)（检索文档，作为链或工具的向量存储）、Retrieve Documents (As Tool for AI Agent)（检索文档，作为 AI 智能体工具）及 Update Documents（更新文档）。所选模式决定可执行的操作，以及可用的输入和输出。

Get Many（获取多条）

此模式下，可提供提示词，从向量数据库检索多个文档。提示词会转换为嵌入向量，用于相似度搜索。节点返回与提示词最相似的文档及其相似度分数。适合检索一组相似文档，再将其作为额外上下文传给智能体。

Insert Documents（插入文档）

使用 Insert Documents（插入文档）模式，将新文档插入向量数据库。

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

将 Retrieve Documents (As Vector Store for Chain/Tool)（检索文档，作为链或工具的向量存储）模式与向量存储检索器配合使用，从向量数据库检索文档，并提供给与链相连的检索器。此模式下，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 智能体工具）

使用 Retrieve Documents (As Tool for AI Agent)（检索文档，作为 AI 智能体工具）模式，将向量存储用作回答查询的工具资源。生成响应时，向量存储的名称和描述与问题详情匹配，智能体便会使用该向量存储。

Update Documents（更新文档）

使用 Update Documents（更新文档）模式，按 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 ID。

Rerank Results（结果重排序）

启用重排序。开启此选项后，必须将 Reranker Cohere（Cohere 重排序器）等重排序节点连接到向量存储，由其重新排列查询结果。此选项可用于 Get Many、Retrieve Documents (As Vector Store for Chain/Tool) 和 Retrieve Documents (As Tool for AI Agent) 模式。

信息

Azure AI Search 语义重排序

Azure AI Search 内置语义重排序，使用 Semantic Hybrid（语义混合）查询模式并配置语义设置时可用。使用步骤：

在 Options（选项）中，将 Query Mode（查询模式）设为 Semantic Hybrid（语义混合）
将 Semantic Configuration（语义配置）设为你的配置名称（未指定时默认为 semantic-search-config）

内置语义重排序器使用机器学习模型提高相关性。还可在语义重排序之后串联额外的重排序节点，进一步优化结果。

仅当索引定义了语义配置时，语义重排序才可用。

Get Many（获取多条）参数

Endpoint（端点）：Azure AI Search 端点（格式：https://your-service.search.windows.net）
Index Name（索引名称）：要查询的索引
Limit（上限）：返回的最大文档数量（默认值：4）

Insert Documents（插入文档）参数

Endpoint（端点）：Azure AI Search 端点
Index Name（索引名称）：要使用的索引（不存在时自动创建）
Batch Size（批次大小）：每批上传到 Azure AI Search 的文档数量。请根据文档大小及服务层级限制调整。此选项仅控制上传批次；生成嵌入的批次在嵌入节点中配置。

Update Documents（更新文档）参数

Endpoint（端点）：Azure AI Search 端点
Index Name（索引名称）：要更新的索引

Retrieve Documents（作为链或工具的向量存储）参数

Endpoint（端点）：Azure AI Search 端点
Index Name（索引名称）：要查询的索引

Retrieve Documents（作为 AI 智能体的工具）参数

Name（名称）：向 LLM 显示的工具名称
Description（描述）：向 LLM 说明此工具的用途。描述应具体，帮助 LLM 判断何时使用此工具。
Endpoint（端点）：Azure AI Search 端点
Index Name（索引名称）：要查询的索引
Limit（上限）：检索结果的最大数量（例如，10 表示最匹配的十条结果）

节点选项

Options（选项）

Filter（过滤器）：使用 OData 过滤表达式，按文档字段或元数据过滤结果。请参阅下方过滤器示例。
Query Mode（查询模式）：使用的搜索策略：
- Vector（向量）：仅使用嵌入进行相似度搜索
- Keyword（关键词）：使用 BM25 排序进行全文搜索
- Hybrid（混合，默认）：使用倒数排名融合（RRF），结合向量搜索和关键词搜索
- Semantic Hybrid（语义混合）：结合语义重排序的混合搜索，提高相关性
Semantic Configuration（语义配置）：用于语义排序的语义配置名称。未指定时默认为 semantic-search-config。仅当预先创建索引并使用自定义语义配置名称时，才需要填写。

信息

选择查询模式

语义相似度搜索使用 Vector（向量）；精确词项匹配使用 Keyword（关键词）；均衡结果使用 Hybrid（混合）；如果已在索引中配置语义搜索，希望尽可能提高相关性，则使用 Semantic Hybrid（语义混合）。

OData 过滤器示例

Azure AI Search 使用 OData 语法进行过滤，元数据字段通过 metadata/fieldName 格式访问。

按文档 ID 过滤：

id eq '3da6491a-f930-4a4e-9471-c05dcd450ba0'

按元数据字段过滤：

metadata/source eq 'user-guide'

复杂 AND 过滤器：

metadata/category eq 'technology' and metadata/author eq 'John'

复杂 OR 过滤器：

metadata/source eq 'user-guide' or metadata/rating ge 4

数值比较：

metadata/rating ge 4 and metadata/rating lt 10

使用 NOT 的字符串匹配：

metadata/category eq 'technology' and metadata/title ne 'Deprecated'

支持的 OData 运算符：

比较：eq、ne、gt、ge、lt、le
逻辑：and、or、not
字符串函数：startswith()、endswith()、contains()
集合函数：any()、all()

信息

过滤器格式

过滤器适用于所有查询模式（Vector、Keyword、Hybrid、Semantic Hybrid）和所有操作模式（retrieve、load、retrieve-as-tool）。

Azure AI Search 特有功能

使用 RRF 的混合搜索

Azure AI Search 的混合搜索使用倒数排名融合，合并向量和关键词结果，比单独使用任一方法更准确。

语义排序

Semantic Hybrid（语义混合）模式应用机器学习模型，根据对查询的语义理解重新排序结果。索引中必须具备语义配置。

OData 过滤器

在向量搜索执行之前，使用 OData 语法按文档字段或元数据过滤。需要来自特定来源或具有特定属性的结果时，这有助于提高性能和精度。

HNSW 算法

Azure AI Search 使用分层可导航小世界（HNSW）图进行近似最近邻搜索，在大规模数据上快速检索，并可配置准确性与速度之间的取舍。

故障排查

索引问题

找不到索引：确认索引名称正确（区分大小写），且索引存在于 Azure AI Search 服务中。使用自动创建时，检查索引是否创建成功。

向量维度不匹配：确保嵌入模型维度与索引向量字段维度一致。检查索引架构中的 vectorSearchDimensions 设置。

文档插入失败：

验证写入权限（需要管理员 API 密钥）
检查文档字段是否与索引架构匹配
确保文档提供了所有必需字段
大量文档导致超时时，检查批次大小设置

过滤器问题

过滤器不生效：

确认 OData 语法正确
确保元数据字段使用 metadata/ 前缀：metadata/source eq 'value'
检查索引架构中用于过滤的字段是否标记为 filterable
先测试简单过滤器（id eq 'value'），再测试复杂表达式

OData 语法无效：

字符串值使用单引号：metadata/source eq 'value'
使用正确的运算符：eq、ne、gt、ge、lt、le、and、or、not
语法详情，请参阅 OData 过滤器文档

连接问题

无法连接：

验证端点 URL 格式：https://your-service.search.windows.net
确认 Azure AI Search 服务正在运行且可访问
检查网络安全组、防火墙规则和专用终结点配置
对于托管在 Azure 上的 n8n，如果使用专用终结点，请验证虚拟网络对等互连或服务终结点配置

身份验证问题

包括 API 密钥错误在内的身份验证问题，请参阅凭据文档的故障排查部分。

模板与示例

浏览 Azure AI Search Vector Store（Azure AI Search 向量存储）集成模板，或搜索所有模板

自行托管 AI 入门套件

刚开始使用 AI 和自行托管的 n8n？可试用 n8n 的自行托管 AI 入门套件，通过 Ollama、Qdrant 和 PostgreSQL 搭建概念验证或演示环境。

本文为社区中文翻译。查看对应英文原文

前置条件 ​

索引配置 ​

节点使用模式 ​

作为普通节点插入和检索文档 ​

作为工具直接连接到 AI 智能体 ​

使用检索器获取文档 ​

使用 Vector Store Question Answer Tool ​

节点参数 ​

Get Many（获取多条） ​

Insert Documents（插入文档） ​

Retrieve Documents (As Vector Store for Chain/Tool)（检索文档，作为链或工具的向量存储） ​

Retrieve Documents (As Tool for AI Agent)（检索文档，作为 AI 智能体工具） ​

Update Documents（更新文档） ​

Rerank Results（结果重排序） ​

Get Many（获取多条）参数 ​

Insert Documents（插入文档）参数 ​

Update Documents（更新文档）参数 ​

Retrieve Documents（作为链或工具的向量存储）参数 ​

Retrieve Documents（作为 AI 智能体的工具）参数 ​

节点选项 ​

Options（选项） ​

OData 过滤器示例 ​

Azure AI Search 特有功能 ​

使用 RRF 的混合搜索 ​

语义排序 ​

OData 过滤器 ​

HNSW 算法 ​

故障排查 ​

索引问题 ​

过滤器问题 ​

连接问题 ​

身份验证问题 ​

模板与示例 ​

相关资源 ​

自行托管 AI 入门套件 ​