跳到主要内容

PGVector Vector Store（PGVector 向量存储）

PGVector 是 PostgreSQL 的扩展。使用此节点，与 PostgreSQL 数据库中的 PGVector 表交互。可向向量表插入文档、从中获取文档、检索文档并提供给连接到链1的检索器，或作为工具2直接连接到智能体3。

本页列出了 PGVector 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 Postgres 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。

节点使用模式 ​

可按以下方式使用 PGVector Vector Store 节点。

作为普通节点插入和检索文档 ​

可将 PGVector Vector Store 用作普通节点，插入或获取文档。此模式将 PGVector 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 PGVector 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使用向量存储作为资源。

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

使用检索器获取文档 ​

可将 Vector Store Retriever 节点与 PGVector Vector Store 节点配合使用，从 PGVector 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）→ PGVector 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 PGVector 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 PGVector 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 Simple Vector Store，但模式相同）：AI Agent（工具连接器）→ Vector Store Question Answer Tool（Vector Store 连接器）→ Simple 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 ​

  • Table name（表名称）：输入要查询的表名称。
  • Prompt（提示词）：输入搜索查询。
  • Limit（上限）：输入数字，设置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。

Insert Documents（插入文档）参数 ​

  • Table name（表名称）：输入要查询的表名称。

Retrieve Documents（作为链或工具的向量存储）参数 ​

  • Table name（表名称）：输入要查询的表名称。

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。
  • Table Name（表名称）：输入要使用的 PGVector 表。
  • 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 ​

Collection（集合） ​

用于在 PGVector 中分隔数据集。此功能会创建独立的表和列，记录向量所属的集合。

  • Use Collection（使用集合）：开启时使用集合，关闭时不使用。
  • Collection Name（集合名称）：输入要使用的集合名称。
  • Collection Table Name（集合表名称）：输入用于存储集合信息的表名称。

Column Names（列名称） ​

以下选项指定存储向量及其对应信息的列名称：

  • ID Column Name（ID 列名称）
  • Vector Column Name（向量列名称）
  • Content Column Name（内容列名称）
  • Metadata Column Name（元数据列名称）

Metadata Filter（元数据过滤器） ​

适用于 Get Many（获取多条）模式。搜索数据时，使用此项匹配与文档关联的元数据。

这是一个 AND 查询。如果指定多个元数据筛选字段，必须全部匹配。

插入数据时，元数据通过文档加载器设置。加载文档的更多信息，请参阅 Default Data Loader（默认数据加载器）。

模板与示例 ​

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

相关资源 ​

该服务的更多信息，请参阅 LangChain PGVector 文档。

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。

Footnotes​

  1. AI 链通过对组件的一系列调用，让你与大语言模型（LLM）及其他资源交互。n8n 中的 AI 链不使用持久记忆，因此不能通过它引用先前的上下文（此用途请使用 AI 智能体）。 ↩

  2. 在 AI 场景中，工具是附加资源，AI 可在响应请求时调用它获取特定信息或功能。AI 模型可以通过工具与外部系统交互，或完成具体、专门的任务。 ↩

  3. AI 智能体是能够响应请求、作出决策并为用户执行现实任务的人工智能系统。它们使用大语言模型（LLM）理解用户输入，利用可用的信息和资源，决定如何最好地处理请求。 ↩

本文为社区中文翻译。查看对应英文原文