Supabase Vector Store 节点#
使用 Supabase Vector Store 节点可以将您的 Supabase 数据库作为向量存储进行交互。您可以将文档插入向量数据库、从向量数据库获取文档、检索文档以提供给连接到链的检索器，或直接将其连接到代理作为工具使用。
本页面将介绍 Supabase 节点的参数配置，并提供更多资源链接。
凭据
您可以在此处找到该节点的认证信息。
/// 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。
///
Supabase 提供了设置向量存储的快速入门指南。如果您使用不同于快速入门中的默认设置，可能会影响 n8n 中的参数配置。请确保您理解所做的更改。
节点使用模式#
您可以通过以下方式使用 Supabase Vector Store 节点。
作为常规节点插入、更新和检索文档#
您可以将 Supabase Vector Store 作为常规节点来插入、更新或获取文档。这种模式将 Supabase Vector Store 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。
直接连接到AI代理作为工具#
您可以将 Supabase Vector Store 节点直接连接到AI代理的工具连接器，在回答查询时使用向量存储作为资源。
此处的连接方式为：AI代理(工具连接器) -> Supabase Vector Store节点。
使用检索器获取文档#
您可以将 Vector Store Retriever 节点与 Supabase Vector Store 节点结合使用，从 Supabase 向量存储中获取文档。这通常与 Question and Answer Chain 节点配合使用，以获取与给定聊天输入匹配的向量存储文档。
连接流程示例（示例使用 Pinecone，但模式相同）如下：Question and Answer Chain（连接检索器）-> Vector Store Retriever（连接向量存储）-> Supabase Vector Store。
使用向量存储问答工具回答问题#
另一种模式使用 Vector Store Question Answer Tool 节点来汇总结果并回答来自 Supabase Vector Store 节点的问题。这种模式不是直接将 Supabase 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如下：AI agent（连接工具）-> Vector Store Question Answer Tool（连接向量存储）-> Supabase Vector store。
节点参数#
操作模式#
该向量存储节点提供五种操作模式：获取多条记录、插入文档、检索文档（作为链/工具的向量存储）、检索文档（作为AI代理工具）和更新文档。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。
获取多条记录#
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条文档记录。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评分。当您需要检索相似文档列表并将其作为附加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向向量数据库添加新文档。
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代理工具）#
使用检索文档（作为AI代理工具）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，代理在生成响应时会使用该向量存储。
更新文档#
使用更新文档模式可通过ID更新向量数据库中的文档。在ID字段中填写需要更新的嵌入条目ID。
Get Many 参数#
- 表名：输入要使用的 Supabase 表名。
- 提示语：输入搜索查询。
- 限制：输入要从向量存储中检索的结果数量。例如，设置为
10可获取最佳的十个结果。
插入文档参数#
- 表名: 输入要使用的 Supabase 表名。
检索文档（作为链/工具的向量存储）参数#
- 表名: 输入要使用的 Supabase 表名。
检索文档（作为 AI 代理的工具）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。具体清晰的描述能让大语言模型更频繁地产生预期结果。
- 表名: 输入要使用的 Supabase 表名。
- 限制: 输入要从向量存储中检索的结果数量。例如设置为
10可获取最匹配的十条结果。
更新文档#
- 表名: 输入要使用的 Supabase 表名。
- ID: 嵌入条目的 ID。
节点选项#
查询名称#
在 Supabase 中设置的匹配函数名称。如果按照 Supabase 快速入门操作，此项应为 match_documents。
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。
模板与示例#
相关资源#
更多关于该服务的信息，请参考 LangChain 的 Supabase 文档。
查看 n8n 的高级 AI 文档。
AI glossary#
- completion: Completions are the responses generated by a model like GPT.
- hallucinations: Hallucination in AI is when an LLM (large language model) mistakenly perceives patterns or objects that don't exist.
- vector database: A vector database stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.
- vector store: A vector store, or vector database, stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.