Supabase Vector Store（Supabase 向量存储）

使用 Supabase Vector Store，将 Supabase 数据库作为向量存储进行交互。可向向量数据库插入文档、从中获取多个文档，以及检索文档并提供给连接到链的检索器。

使用 Supabase Vector Store，将 Supabase 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、检索文档并提供给连接到链²的检索器，或直接连接到智能体³作为工具⁴使用。也可根据 ID 更新向量存储中的数据项。

本页列出了 Supabase 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 Supabase 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。

Supabase 提供了设置向量存储的快速入门指南。如果使用与快速入门默认值不同的设置，可能会影响 n8n 中的参数设置。请确保理解所做的配置。

节点使用模式

可按以下方式使用 Supabase Vector Store 节点。

作为普通节点插入、更新和检索文档

可将 Supabase Vector Store 用作普通节点，插入、更新或获取文档。此模式将 Supabase 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。

作为工具直接连接到 AI 智能体

可将 Supabase 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）→ Supabase Vector Store 节点。

使用检索器获取文档

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

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）→ Supabase Vector Store。

节点参数

Operation Mode（操作模式）

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。

Get Many（获取多条）参数

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

Insert Documents（插入文档）参数

• Table Name（表名称）：输入要使用的 Supabase 表。

Retrieve Documents（作为链或工具的向量存储）参数

• Table Name（表名称）：输入要使用的 Supabase 表。

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 Supabase 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。

Update Documents（更新文档）

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

Update Documents（更新文档）参数

• ID

节点选项

Query Name（查询名称）

在 Supabase 中设置的匹配函数名称。如果按照 Supabase 快速入门指南配置，此值为 match_documents。

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

相关资源

查看 n8n 的高级 AI 文档。

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。 ↩