Redis Vector Store（Redis 向量存储）

使用 Redis Vector Store 节点，将 Redis 数据库作为向量存储¹进行交互。可向向量数据库插入文档、从中获取文档、通过连接到链²的检索器检索文档，或直接连接到智能体³作为工具⁴使用。

本页列出了 Redis 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 Redis 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。

信息

功能可用性

Redis 查询过滤器和 Metadata Schema（元数据架构）选项从 Redis Vector Store 节点版本 1.4 起可用。更早的节点版本，请参阅 Metadata Filter（元数据过滤器）。

现有 Redis Vector Store 节点会保留其节点版本，原有索引仍可使用。如需使用节点版本 1.4，请添加新的 Redis Vector Store 节点并使用新索引，然后重新导入文档。请勿将节点版本 1.4 的节点指向早期节点版本创建的索引，否则元数据会缺失，过滤器将返回错误结果。

前置条件

使用此节点前，需要一个启用了 Redis Query Engine 的 Redis 数据库。可使用以下任一选项：

• Redis Open Source（v8.0 及更高版本）：默认包含 Redis Query Engine
• Redis Cloud：全托管服务
• Redis Software：自行管理的部署

信息

如果没有索引，将创建新索引。

只有需要自定义索引架构或复用现有索引时，才需要提前创建索引。否则可跳过此步骤，让节点根据你指定的选项创建新索引。

节点使用模式

可按以下方式使用 Redis Vector Store 节点：

作为普通节点插入和检索文档

可将 Redis Vector Store 用作普通节点，插入或获取文档。此模式将 Redis 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，其中将语义缓存存储在 Redis 中，并在工作流开头使用 Redis Vector Store 节点检索。

作为工具直接连接到 AI 智能体

可将 Redis Vector Store 节点直接连接到 AI 智能体的工具⁴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）→ Redis Vector Store 节点。

使用检索器获取文档

可将 Vector Store Retriever 节点与 Redis Vector Store 节点配合使用，从 Redis 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）→ Redis 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 Redis 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 Redis Vector Store 直接作为工具连接。

此模板展示了如何将 Vector Store Question Answer Tool 与 Redis Vector Store 节点配合使用。此时的连接流程为：AI Agent（工具连接器）→ Vector Store Question Answer Tool（Vector Store 连接器）→ Redis 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

• Redis Index（Redis 索引）：输入要使用的 Redis 向量搜索索引名称，也可从列表中选择现有索引。
• Prompt（提示词）：输入搜索查询。
• 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。

此操作模式包含 Metadata Filter（元数据过滤器）节点选项。从节点版本 1.4 起，还包含 Metadata Schema（元数据架构）节点选项。

Insert Documents（插入文档）参数

• Redis Index（Redis 索引）：输入要使用的 Redis 向量搜索索引名称，也可从列表中选择现有索引。

从节点版本 1.4 起，此操作模式包含 Metadata Schema（元数据架构）节点选项。

Retrieve Documents（作为链或工具的向量存储）参数

• Redis Index（Redis 索引）：输入要使用的 Redis 向量搜索索引名称，也可从列表中选择现有索引。

此操作模式包含 Metadata Filter（元数据过滤器）节点选项。从节点版本 1.4 起，还包含 Metadata Schema（元数据架构）节点选项。

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。
• Redis Index（Redis 索引）：输入要使用的 Redis 向量搜索索引名称，也可从列表中选择现有索引。
• 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。

此操作模式包含 Metadata Filter（元数据过滤器）节点选项。从节点版本 1.4 起，还包含 Metadata Schema（元数据架构）节点选项。

Include Metadata（包含元数据）

是否包含文档元数据。

可与 Get Many（获取多条）和 Retrieve Documents（作为 AI 智能体的工具）模式配合使用。

节点选项

Metadata Filter（元数据过滤器）

Metadata Filter（元数据过滤器）选项将结果限定为元数据匹配过滤器的文档，适用于 Get Many（获取多条）、Retrieve Documents（作为链或工具的向量存储）和 Retrieve Documents（作为 AI 智能体的工具）操作模式。过滤器语法取决于节点版本。

插入数据时，由文档加载器设置元数据。加载文档的更多信息，请参阅 Default Data Loader。

节点版本 1.4 中的 Redis 查询过滤器

从节点版本 1.4 起，Metadata Filter（元数据过滤器）接受 Redis 查询表达式。可对标签、数值、文本和地理位置字段进行过滤，并用 AND 和 OR 逻辑组合条件。过滤器仅对索引中以匹配类型存储的字段有效。字段类型设置方法，请参阅 Metadata Schema（元数据架构）。

过滤类型	示例	匹配文档的条件
标签	@category:{electronics}	category 为 electronics
多个标签	@category:{electronics|books}	category 为 electronics 或 books
数值范围	@price:[0 100]	price 在 0 到 100 之间
组合	@category:{electronics} @price:[0 100]	两个条件都匹配
文本	@description:laptop	description 包含单词 laptop

完整语法，请参阅 LangChain Redis Vector Store 高级功能文档和 Redis Query Engine 文档。

节点版本 1.3 及更早版本中以逗号分隔的过滤器

在节点版本 1.3 及更早版本中，Metadata Filter（元数据过滤器）接受以逗号分隔的词列表，例如 Item1,Item2,Item3。节点执行 OR 查询，只要至少一个词匹配，文档即匹配。

Metadata Schema（元数据架构）

Metadata Schema（元数据架构）选项设置索引中各个元数据字段的类型。从节点版本 1.4 起，适用于 Insert Documents（插入文档）、Get Many（获取多条）、Retrieve Documents（作为链或工具的向量存储）和 Retrieve Documents（作为 AI 智能体的工具）操作模式。

输入 JSON 数组，每个元数据字段对应一个对象。每个对象必须包含 name 和 type，还可包含 options 对象：

[
	{"name": "category", "type": "tag"},
	{"name": "price", "type": "numeric", "options": {"sortable": true}},
	{"name": "description", "type": "text"},
	{"name": "location", "type": "geo"}
]

如果 JSON 无效、字段缺少名称或类型未知，节点将报错停止，索引保持不变。

类型	用途	过滤器示例
tag	精确匹配类别、标签和状态值	@category:{electronics}
text	对描述和内容进行全文搜索	@description:laptop
numeric	价格、分数和日期范围（日期以 Unix 时间戳存储）	@price:[0 100]
geo	地理位置，以 "<longitude>,<latitude>" 格式存储	@location:[-73.98 40.75 5 km]

选项	字段类型	描述
sortable	numeric、text	允许 Redis 按该字段对结果排序。默认值：false。
separator	tag	同一个值中分隔多个标签的字符。默认值：,。
caseSensitive	tag	区分大小写匹配标签。默认值：false。
weight	text	Redis 对文本匹配评分时，该字段的权重。默认值：1.0。
noStem	text	关闭词干提取，使 laptops 不匹配 laptop。默认值：false。
noindex	所有类型	存储字段但不为其建立索引，因此无法按此字段过滤。默认值：false。

如果将 Metadata Schema（元数据架构）留空，节点会根据插入的所有文档推断各字段的类型：

元数据值	推断类型
数值或日期	numeric
数组	tag
格式为 "<longitude>,<latitude>" 的字符串	geo
其他字符串	text

普通字符串字段会成为 text 类型，因此 @category:{electronics} 等标签过滤器无法匹配。要对字符串字段使用标签过滤器，请在 Metadata Schema（元数据架构）中将该字段声明为 tag。

更多详情，请参阅 LangChain Redis Vector Store 文档。

Redis 配置选项

适用于所有操作模式：

• Metadata Key（元数据键）：输入 Redis 哈希中元数据字段的键（默认值：metadata）。
• Key Prefix（键前缀）：输入存储文档使用的键前缀（默认值：doc:）。
• Content Key（内容键）：输入 Redis 哈希中内容字段的键（默认值：content）。
• Embedding Key（嵌入键）：输入 Redis 哈希中嵌入字段的键（默认值：embedding）。

插入选项

适用于 Insert Documents（插入文档）操作模式：

• Overwrite Documents（覆盖文档）：开启时覆盖现有文档，关闭时不覆盖。此操作还会删除索引。
• Time-to-Live（存活时间）：输入文档的存活时间，单位为秒。不会使索引过期。

模板与示例

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

相关资源

请参阅：

• Redis Vector Search 文档，了解 Redis 向量功能的更多信息。
• RediSearch 文档，了解详细查询语法和过滤表达式。
• LangChain Redis Vector Store 文档，了解该服务的更多信息，包括高级过滤与自定义架构功能。

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. 向量存储或向量数据库用于存储信息的数学表示。将其与嵌入模型和检索器配合使用，可创建供 AI 在回答问题时访问的数据库。 ↩

2. 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）。 ↩

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。 ↩

4. 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。 ↩ ↩²