跳到主要内容

MongoDB Atlas Vector Store（MongoDB Atlas 向量存储）

MongoDB Atlas Vector Search 是 MongoDB Atlas 的一项功能，可存储和查询嵌入向量。使用此节点，与 MongoDB Atlas 集合中的 Vector Search 索引交互。可插入和检索文档，在链中使用向量存储，或将其用作智能体的工具。

本页列出了 MongoDB Atlas 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 MongoDB 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，请先在 MongoDB Atlas 集合中创建 Vector Search 索引。创建步骤如下：

  1. 登录 MongoDB Atlas 控制台。

  2. 选择组织和项目。

  3. 找到“Search & Vector Search”（搜索与向量搜索）部分。

  4. 选择集群，点击“Go to search”（前往搜索）。

  5. 点击“Create Search Index”（创建搜索索引）。

  6. 选择“Vector Search”（向量搜索）模式，使用可视化编辑器或 JSON 编辑器。例如：

    {
      "fields": [
        {
          "type": "vector",
          "path": "<field-name>",
          "numDimensions": 1536, // any other value
          "similarity": "<similarity-function>"
        }
      ]
    }

  7. 根据嵌入模型调整“dimensions”（维度）值（例如，1536 适用于 OpenAI 的 text-embedding-small-3）。

  8. 为索引命名并创建。

请记下以下值，配置节点时需要使用：

  • 集合名称
  • 向量索引名称
  • 嵌入和元数据的字段名称

节点使用模式 ​

可按以下方式使用 MongoDB Atlas Vector Store 节点：

作为普通节点插入和检索文档 ​

可将 MongoDB Atlas Vector Store 用作普通节点，插入或获取文档。此模式将 MongoDB Atlas Vector Store 放在常规连接流程中，无需使用智能体。

示例请参阅此模板的场景 1（该模板使用 Supabase Vector Store，但模式相同）。

作为工具直接连接到 AI 智能体 ​

可将 MongoDB Atlas Vector Store 节点直接连接到 AI 智能体的工具连接器，让智能体在回答查询时将向量存储用作资源。

此时连接方式为：AI Agent（工具连接器）→ MongoDB Atlas Vector Store 节点。

使用检索器获取文档 ​

可将 Vector Store Retriever 节点与 MongoDB Atlas Vector Store 节点配合使用，从 MongoDB Atlas Vector Store 节点获取文档。这通常与 Question and Answer Chain 节点配合，从向量存储获取与给定聊天输入匹配的文档。

连接流程示例如下（链接示例使用 Pinecone，但模式相同）：Question and Answer Chain（Retriever 连接器）→ Vector Store Retriever（Vector Store 连接器）→ MongoDB Atlas 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，汇总 MongoDB Atlas Vector Store 节点的结果并回答问题。此模式通过专门用于汇总向量存储数据的工具工作，无需将 MongoDB Atlas Vector Store 直接作为工具连接。

此时的连接流程如下（链接示例使用 In-Memory Vector Store，但模式相同）：AI Agent（工具连接器）→ Vector Store Question Answer Tool（Vector Store 连接器）→ In-Memory Vector Store。

节点参数 ​

此向量存储节点有四种模式：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）及 Retrieve Documents (As Tool for AI Agent)（检索文档，作为 AI 智能体工具）。所选模式决定可执行的操作，以及可用的输入和输出。

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。

Get Many（获取多条）参数 ​

  • Mongo Collection（Mongo 集合）：输入要使用的 MongoDB 集合名称。
  • Vector Index Name（向量索引名称）：输入 MongoDB Atlas 集合中 Vector Search 索引的名称。
  • Embedding Field（嵌入字段）：输入文档中包含嵌入向量的字段名称。
  • Metadata Field（元数据字段）：输入文档中包含文本元数据的字段名称。

Insert Documents（插入文档）参数 ​

  • Mongo Collection（Mongo 集合）：输入要使用的 MongoDB 集合名称。
  • Vector Index Name（向量索引名称）：输入 MongoDB Atlas 集合中 Vector Search 索引的名称。
  • Embedding Field（嵌入字段）：输入文档中包含嵌入向量的字段名称。
  • Metadata Field（元数据字段）：输入文档中包含文本元数据的字段名称。

Retrieve Documents（作为链或工具的向量存储）参数 ​

  • Mongo Collection（Mongo 集合）：输入要使用的 MongoDB 集合名称。
  • Vector Index Name（向量索引名称）：输入 MongoDB Atlas 集合中 Vector Search 索引的名称。
  • Embedding Field（嵌入字段）：输入文档中包含嵌入向量的字段名称。
  • Metadata Field（元数据字段）：输入文档中包含文本元数据的字段名称。

Retrieve Documents（作为 AI 智能体的工具）参数 ​

  • Name（名称）：向量存储的名称。
  • Description（描述）：向 LLM 说明此工具的用途。清晰、具体的描述有助于 LLM 更经常地生成预期结果。
  • Mongo Collection（Mongo 集合）：输入要使用的 MongoDB 集合名称。
  • Vector Index Name（向量索引名称）：输入 MongoDB Atlas 集合中 Vector Search 索引的名称。
  • Limit（上限）：输入从向量存储检索的结果数量。例如，设为 10 可获取最匹配的十条结果。

节点选项 ​

Options（选项） ​

  • Metadata Filter（元数据过滤器）：根据元数据过滤结果。

模板与示例 ​

浏览 MongoDB Atlas Vector Store（MongoDB Atlas 向量存储） 集成模板，或搜索所有模板

相关资源 ​

请参阅：

查看 n8n 的高级 AI 文档。

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