PGVector 向量存储节点#

PGVector 是 PostgreSQL 的扩展功能。使用此节点可与 PostgreSQL 数据库中的 PGVector 表进行交互。您可以将文档插入向量表、从向量表获取文档、检索文档以提供给连接到AI链的检索器，或直接作为AI工具连接到AI代理。

本页将介绍 PGVector 节点的参数配置，并提供更多资源链接。

凭据

您可以在此处找到此节点的认证信息。

/// 注意 | 子节点中的参数解析子节点在使用表达式处理多个项目时的行为与其他节点不同。

大多数节点（包括根节点）会接收任意数量的输入项，处理这些项目，然后输出结果。您可以使用表达式来引用输入项，节点会依次为每个项目解析表达式。例如，给定五个 name 值作为输入，表达式 {{ $json.name }} 会依次解析为每个名称。

而在子节点中，表达式总是解析为第一个项目。例如，给定五个 name 值作为输入，表达式 {{ $json.name }} 总是解析为第一个名称。 ///

节点使用模式#

您可以通过以下方式使用 PGVector 向量存储节点。

作为常规节点插入和检索文档#

您可以将 PGVector 向量存储作为常规节点来插入或获取文档。此模式将 PGVector 向量存储置于常规连接流中，而不使用代理。

您可以在此模板的场景1中查看示例（该模板使用 Supabase 向量存储，但模式相同）。

直接作为工具连接到AI代理#

您可以将 PGVector 向量存储节点直接连接到AI代理的工具连接器，在回答查询时将向量存储作为资源使用。

此处的连接方式为：AI代理(工具连接器) -> PGVector 向量存储节点。

使用检索器获取文档#

您可以将 Vector Store Retriever 节点与 PGVector Vector Store 节点结合使用，从 PGVector 向量存储中获取文档。这通常与 Question and Answer Chain 节点一起使用，以从向量存储中获取与给定聊天输入匹配的文档。

连接流程示例（链接示例使用 Pinecone，但模式相同）如下：Question and Answer Chain（Retriever 连接器）-> Vector Store Retriever（Vector Store 连接器）-> PGVector Vector Store。

使用向量存储问答工具回答问题#

另一种模式是使用 Vector Store Question Answer Tool 来汇总结果并回答来自 PGVector Vector Store 节点的问题。这种模式不是直接将 PGVector Vector Store 作为工具连接，而是使用专门设计用于汇总向量存储中数据的工具。

在此情况下的连接流程（链接示例使用 Simple Vector Store，但模式相同）如下所示：AI agent（工具连接器）-> Vector Store Question Answer Tool（Vector Store 连接器）-> Simple Vector store。

节点参数#

操作模式#

该 Vector Store 节点提供四种操作模式：获取多个文档、插入文档、检索文档（作为链/工具的向量存储）和检索文档（作为 AI 代理的工具）。您选择的模式决定了节点可执行的操作以及可用的输入输出选项。

获取多个文档#

在此模式下，您可以通过提供提示词从向量数据库中检索多个文档。提示词将被嵌入并用于相似性搜索。节点将返回与提示词最相似的文档及其相似度分数。当您需要检索相似文档列表并将其作为额外上下文传递给代理时，此模式非常有用。

插入文档#

使用插入文档模式可将新文档存入您的向量数据库。

检索文档（作为链/工具的向量存储）#

将检索文档（作为链/工具的向量存储）模式与向量存储检索器配合使用，可从向量数据库检索文档并将其提供给连接到链的检索器。在此模式下，您必须将节点连接到检索器节点或根节点。

检索文档（作为 AI 代理的工具）#

使用检索文档（作为 AI 代理的工具）模式可在回答查询时将向量存储作为工具资源使用。当向量存储名称和描述与问题细节匹配时，代理在构建响应时会使用该向量存储。

Get Many 参数#

表名：输入要查询的表名。
提示：输入您的搜索查询。
限制：输入一个数字以设置从向量存储中检索多少结果。例如，将此设置为 10 以获取十个最佳结果。

插入文档参数#

表名：输入要查询的表名称。

检索文档参数（作为链/工具的向量存储）#

表名：输入要查询的表名称。

检索文档（作为AI代理工具）参数#

名称：向量存储的名称。
描述：向大语言模型解释此工具的功能。一个具体清晰的描述有助于LLM更频繁地产生预期结果。
表名：输入要使用的PGVector表。
限制：输入要从向量存储中检索的结果数量。例如，设置为10可获取最匹配的10个结果。

节点选项#

集合#

在PGVector中分隔数据集的方式。这会创建一个单独的表和列来跟踪向量所属的集合。

使用集合：选择是否使用集合（开启）或不使用（关闭）。
集合名称：输入要使用的集合名称。
集合表名：输入存储集合信息的表名称。

列名#

以下选项指定存储向量及相关信息的列名称：

ID列名
向量列名
内容列名
元数据列名

元数据过滤器#

在 Get Many 模式下可用。搜索数据时，使用此功能可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，则所有字段都必须匹配。

插入数据时，元数据是通过文档加载器设置的。有关加载文档的更多信息，请参阅默认数据加载器。

模板和示例#

自托管 AI 入门套件#

初次接触 AI 并使用自托管版 n8n？试试 n8n 的自托管 AI 入门套件，通过 Ollama、Qdrant 和 PostgreSQL 快速搭建概念验证或演示环境。