การใช้งาน Azure AI Search Vector Store

เรียนรู้วิธีใช้ node Azure AI Search Vector Store ใน n8n ปฏิบัติตามเอกสารทางเทคนิคเพื่อรวม node Azure AI Search Vector Store เข้ากับ workflow ของคุณ

Azure AI Search (เดิมคือ Azure Cognitive Search) เป็นบริการค้นหาบนคลาวด์ที่มีความสามารถในการค้นหาเวกเตอร์สำหรับ RAG และแอปพลิเคชันการค้นหาความหมาย ใช้ node นี้เพื่อจัดเก็บ ดึงข้อมูล และค้นหาการฝังเวกเตอร์ควบคู่ไปกับเนื้อหาและข้อมูลเมตา

ในหน้านี้ คุณจะพบ parameter node สำหรับ node Azure AI Search Vector Store และลิงก์ไปยังแหล่งข้อมูลเพิ่มเติม

Credentials

อ้างถึง Azure AI Search credentials สำหรับข้อมูลการตรวจสอบสิทธิ์สำหรับ node นี้

ความละเอียด parameter ใน sub-node (Parameter resolution in sub-nodes)

sub-node มีพฤติกรรมแตกต่างไปจาก node อื่นๆ เมื่อประมวลผลหลายรายการโดยใช้ expression

node ส่วนใหญ่ รวมถึง node รูท รับไอเท็มจำนวนเท่าใดก็ได้เป็น input ประมวลผลไอเท็มเหล่านี้ และ output ผลลัพธ์ คุณสามารถใช้ expression เพื่ออ้างถึงรายการ input และ node จะแก้ไข expression สำหรับแต่ละรายการตามลำดับ เช่น ให้ input เป็น 5 name ค่านิยม, การแสดงออก {{ $json.name }} จะแก้ไขชื่อแต่ละชื่อตามลำดับ

ใน sub-node expression จะแก้ไขเป็นรายการแรกเสมอ เช่น ให้ input เป็น 5 name ค่านิยม, การแสดงออก {{ $json.name }} แก้เป็นชื่อเสมอ

ข้อกำหนดเบื้องต้น

ก่อนที่จะใช้ node นี้ คุณต้องมี:

1. อ การสมัครสมาชิก Azure

2. อ บริการค้นหา Azure AI

3. การกำหนดค่าการรับรองความถูกต้องของคีย์ API (คีย์ผู้ดูแลระบบสำหรับการดำเนินการเขียน, คีย์แบบสอบถามสำหรับอ่านอย่างเดียว)

   ดูสิ Azure AI Search credentials สำหรับคำแนะนำในการตั้งค่า

การกำหนดค่าดัชนี (Index configuration)

node จะสร้างดัชนีโดยอัตโนมัติหากไม่มีอยู่ เมื่อสร้างอัตโนมัติ node จะกำหนดค่า:

• ฟิลด์เวกเตอร์ที่มีขนาดที่เหมาะสมตามโมเดลการฝังของคุณ
• อัลกอริธึม HNSW สำหรับการค้นหาความคล้ายคลึงกันอย่างมีประสิทธิภาพด้วยตัวชี้วัดโคไซน์
• ช่องเนื้อหาและข้อมูลเมตาสำหรับการกรองและเรียกค้น

คุณยังสามารถสร้างดัชนีล่วงหน้าใน Azure Portal สำหรับการกำหนดค่าแบบกำหนดเองได้ สคีมาตัวอย่าง:

{
  "name": "n8n-vectorstore",
  "fields": [
    {
      "name": "id",
      "type": "Edm.String",
      "key": true,
      "filterable": true
    },
    {
      "name": "content",
      "type": "Edm.String",
      "searchable": true
    },
    {
      "name": "content_vector",
      "type": "Collection(Edm.Single)",
      "searchable": true,
      "vectorSearchDimensions": 1536,
      "vectorSearchProfileName": "n8n-vector-profile"
    },
    {
      "name": "metadata",
      "type": "Edm.String",
      "filterable": true
    }
  ],
  "vectorSearch": {
    "profiles": [
      {
        "name": "n8n-vector-profile",
        "algorithm": "n8n-vector-algorithm"
      }
    ],
    "algorithms": [
      {
        "name": "n8n-vector-algorithm",
        "kind": "hnsw",
        "hnswParameters": {
          "metric": "cosine",
          "m": 4,
          "efConstruction": 400,
          "efSearch": 500
        }
      }
    ]
  }
}

ขนาดเวกเตอร์ (Vector dimensions)

ที่ vectorSearchDimensions ค่าจะต้องตรงกับ output โมเดลการฝังของคุณ

รูปแบบการใช้งาน node

ใช้เป็น node ปกติในการแทรกและดึงเอกสาร (Use as a regular node to insert and retrieve documents)

ใช้ node โดยตรงใน workflow เพื่อแทรกหรือดึงเอกสารโดยไม่ต้องใช้ตัวแทน ดูสิ เทมเพลตนี้ สำหรับรูปแบบตัวอย่าง (ใช้ Supabase แต่รูปแบบเหมือนกัน)

เชื่อมต่อโดยตรงกับ AI Agent ในฐานะเครื่องมือ (Connect directly to an AI agent as a tool)

เชื่อมต่อกับ AI Agent ตัวเชื่อมต่อเครื่องมือเพื่อใช้ร้านค้าเวกเตอร์เป็นฐานความรู้ที่สามารถค้นหาได้:

AI Agent (ตัวเชื่อมต่อเครื่องมือ) → node Azure AI Search Vector Store

ใช้รีทรีฟเวอร์เพื่อดึงเอกสาร (Use a retriever to fetch documents)

ใช้กับ Vector Store Retriever และ Question and Answer Chain สำหรับรุ่นที่ดึงข้อมูลมาเสริม:

กลุ่มคำถามและคำตอบ (รีทรีฟเวอร์) → ตัวดึงข้อมูลร้านค้าเวกเตอร์ (ร้านค้าเวกเตอร์) → ร้านค้าเวกเตอร์ Azure AI ค้นหา

ดูสิ ขั้นตอนการทำงานตัวอย่างนี้ .

Use the Vector Store Question Answer Tool

ใช้ Vector Store Question Answer Tool เพื่อสรุปและตอบคำถาม:

AI Agent (เครื่องมือ) → เครื่องมือตอบคำถามของ Vector Store (ร้านค้าเวกเตอร์) → Azure AI Search Vector Store

ดูสิ ตัวอย่างนี้ .

parameter node

node Vector Store นี้มีห้าโหมด: Get Many, Insert Documents, Retrieve Documents (As Vector Store for Chain/Tool), Retrieve Documents (As Tool for AI Agent) และ Update Documents . โหมดที่คุณเลือกจะกำหนดการดำเนินการที่คุณสามารถทำได้กับ node รวมถึง input และเอาท์พุตใดบ้างที่พร้อมใช้งาน

Get Many

ในโหมดนี้ คุณสามารถเรียกเอกสารหลายฉบับจากฐานข้อมูลเวกเตอร์ของคุณได้โดยแจ้งพร้อมท์ พรอมต์จะถูกฝังและใช้เพื่อค้นหาความคล้ายคลึงกัน node จะส่งคืนเอกสารที่คล้ายกับพรอมต์มากที่สุดพร้อมคะแนนความคล้ายคลึงกัน สิ่งนี้มีประโยชน์หากคุณต้องการดึงรายการเอกสารที่คล้ายกันและส่งต่อไปยังตัวแทนเพื่อเป็นบริบทเพิ่มเติม

Insert Documents

ใช้โหมดแทรกเอกสารเพื่อแทรกเอกสารใหม่ลงในฐานข้อมูลเวกเตอร์ของคุณ

Retrieve Documents (As Vector Store for Chain/Tool)

ใช้โหมดดึงเอกสาร (เป็นเวกเตอร์จัดเก็บสำหรับเชน/เครื่องมือ) กับเวกเตอร์สโตร์รีทรีฟเวอร์เพื่อดึงเอกสารจากฐานข้อมูลเวกเตอร์ และมอบให้กับรีทรีฟเวอร์ที่เชื่อมต่อกับเชน ในโหมดนี้ คุณต้องเชื่อมต่อ node กับ node ตัวดึงข้อมูลหรือ node รูท

Retrieve Documents (As Tool for AI Agent)

ใช้โหมดดึงเอกสาร (เป็นเครื่องมือสำหรับ AI Agent) เพื่อใช้ร้านค้าเวกเตอร์เป็นทรัพยากรเครื่องมือเมื่อตอบคำถาม เมื่อกำหนดคำตอบ เจ้าหน้าที่จะใช้ร้านค้าเวกเตอร์เมื่อชื่อและคำอธิบายของร้านค้าเวกเตอร์ตรงกับรายละเอียดของคำถาม

Update Documents

ใช้โหมดอัปเดตเอกสารเพื่ออัปเดตเอกสารในฐานข้อมูลเวกเตอร์ตาม ID กรอก ID ด้วย ID ของรายการฝังที่จะอัปเดต

Rerank Results

เปิดใช้งาน การจัดอันดับใหม่ . หากคุณเปิดใช้งานตัวเลือกนี้ คุณต้องเชื่อมต่อ node การจัดอันดับใหม่กับร้านค้าเวกเตอร์ node นั้นจะจัดอันดับผลลัพธ์สำหรับการสืบค้นใหม่ คุณสามารถใช้ตัวเลือกนี้กับ Get Many, Retrieve Documents (As Vector Store for Chain/Tool) และ Retrieve Documents (As Tool for AI Agent) โหมด

การจัดลำดับความหมายการค้นหา Azure AI ใหม่ (Azure AI Search semantic reranking)

Azure AI Search มีอยู่แล้วภายใน การจัดลำดับความหมายใหม่ ใช้ได้เมื่อคุณใช้ Semantic Hybrid โหมดแบบสอบถามที่มีการกำหนดค่าความหมาย หากต้องการใช้:

1. ชุด Query Mode ถึง Semantic Hybrid ในตัวเลือก
2. ชุด Semantic Configuration เป็นชื่อการกำหนดค่าของคุณ (ค่าเริ่มต้นคือ semantic-search-config ถ้าไม่ระบุ)

การจัดอันดับความหมายใหม่ในตัวใช้โมเดลการเรียนรู้ของเครื่องเพื่อปรับปรุงความเกี่ยวข้อง คุณสามารถเชื่อมโยง node การจัดอันดับใหม่เพิ่มเติมได้หลังจากการจัดอันดับความหมายใหม่เพื่อการปรับแต่งเพิ่มเติม

การจัดลำดับความหมายใหม่ ใช้ได้เฉพาะในกรณีที่ดัชนีของคุณมีการกำหนดค่าเชิงความหมายที่กำหนดไว้เท่านั้น

รับ parameter มากมาย (Get Many parameters)

• Endpoint : จุดสิ้นสุดการค้นหา Azure AI ของคุณ (รูปแบบ: https://your-service.search.windows.net)
• Index Name : ดัชนีที่จะสอบถาม
• Limit : จำนวนเอกสารสูงสุดที่จะส่งคืน (ค่าเริ่มต้น: 4)

แทรก parameter เอกสาร (Insert Documents parameters)

• Endpoint : จุดสิ้นสุดการค้นหา Azure AI ของคุณ
• Index Name : ดัชนีที่จะใช้ (สร้างขึ้นโดยอัตโนมัติหากไม่มีอยู่)
• Batch Size : จำนวนเอกสารที่อัปโหลดต่อชุดไปยัง Azure AI Search ปรับตามขนาดเอกสารและขีดจำกัดระดับบริการของคุณ วิธีนี้จะควบคุมการอัปโหลดเป็นแบตช์เท่านั้น—การฝังการสร้างแบตช์จะได้รับการกำหนดค่าใน node ที่ฝัง

อัพเดต parameter เอกสาร (Update Documents parameters)

• Endpoint : จุดสิ้นสุดการค้นหา Azure AI ของคุณ
• Index Name : ดัชนีที่จะอัปเดต

ดึงข้อมูล parameter เอกสาร (เป็น Vector Store สำหรับ Chain/Tool) (Retrieve Documents parameters (As Vector Store for Chain/Tool))

• Endpoint : จุดสิ้นสุดการค้นหา Azure AI ของคุณ
• Index Name : ดัชนีที่จะสอบถาม

ดึง parameter เอกสาร (เป็นเครื่องมือสำหรับ AI Agent) (Retrieve Documents (As Tool for AI Agent) parameters)

• Name : ชื่อเครื่องมือที่แสดงต่อ LLM
• Description : อธิบายให้ LLM ฟังว่าเครื่องมือนี้ทำอะไรได้บ้าง มีความเฉพาะเจาะจงเพื่อช่วยให้ LLM เลือกเวลาที่จะใช้เครื่องมือนี้
• Endpoint : จุดสิ้นสุดการค้นหา Azure AI ของคุณ
• Index Name : ดัชนีที่จะสอบถาม
• Limit : ผลลัพธ์สูงสุดที่จะดึงข้อมูล (เช่น 10 สำหรับการแข่งขันที่ดีที่สุดสิบนัด)

ตัวเลือก node

Options

• Filter: expression ตัวกรอง OData เพื่อกรองผลลัพธ์ตามฟิลด์เอกสารหรือข้อมูลเมตา ดูตัวอย่างตัวกรองด้านล่าง
• Query Mode : กลยุทธ์การค้นหาที่จะใช้:
  • Vector : ค้นหาความคล้ายคลึงกันโดยใช้การฝังเท่านั้น
  • Keyword : ค้นหาข้อความแบบเต็มโดยใช้การจัดอันดับ BM25
  • Hybrid (ค่าเริ่มต้น): รวมการค้นหาเวกเตอร์และคำสำคัญเข้ากับ Reciprocal Rank Fusion (RRF)
  • Semantic Hybrid : ค้นหาแบบไฮบริดด้วย การจัดลำดับความหมายใหม่ เพื่อปรับปรุงความเกี่ยวข้อง
• Semantic Configuration : ชื่อของการกำหนดค่าความหมายที่จะใช้ การจัดอันดับความหมาย . ค่าเริ่มต้นเป็น semantic-search-config ถ้าไม่ระบุ จำเป็นเฉพาะในกรณีที่คุณสร้างดัชนีไว้ล่วงหน้าด้วยชื่อการกำหนดค่าความหมายที่กำหนดเอง

การเลือกโหมดแบบสอบถาม (Query mode selection)

ใช้ Vector เพื่อความคล้ายคลึงทางความหมาย Keyword สำหรับการจับคู่คำที่ตรงทั้งหมด Hybrid เพื่อผลลัพธ์ที่สมดุลหรือ Semantic Hybrid เมื่อคุณได้กำหนดค่าการค้นหาเชิงความหมายในดัชนีของคุณเพื่อความเกี่ยวข้องสูงสุด

ตัวอย่างตัวกรอง OData (OData filter examples)

การใช้ Azure AI Search ไวยากรณ์ OData สำหรับการกรอง เข้าถึงช่องข้อมูลเมตาได้โดยใช้ metadata/fieldName รูปแบบ

กรองตามรหัสเอกสาร: (Filter by document ID:)

id eq '3da6491a-f930-4a4e-9471-c05dcd450ba0'

กรองตามฟิลด์ข้อมูลเมตา: (Filter by metadata field:)

metadata/source eq 'user-guide'

ซับซ้อนและตัวกรอง: (Complex AND filter:)

metadata/category eq 'technology' and metadata/author eq 'John'

ตัวกรองที่ซับซ้อนหรือ: (Complex OR filter:)

metadata/source eq 'user-guide' or metadata/rating ge 4

การเปรียบเทียบตัวเลข: (Numeric comparison:)

metadata/rating ge 4 and metadata/rating lt 10

การจับคู่ string ด้วย NOT: (String matching with NOT:)

metadata/category eq 'technology' and metadata/title ne 'Deprecated'

ตัวดำเนินการ OData ที่รองรับ: (Supported OData operators:)

• การเปรียบเทียบ: eq, ne, gt, ge, lt, le
• ตรรกะ: and, or, not
• ฟังก์ชั่น string: startswith(), endswith(), contains()
• ฟังก์ชั่นการรวบรวม: any(), all()

รูปแบบตัวกรอง (Filter format)

ตัวกรองทำงานในโหมดการสืบค้นทั้งหมด (เวกเตอร์, คำสำคัญ, ไฮบริด, ไฮบริดความหมาย) และโหมดการทำงานทั้งหมด (ดึงข้อมูล โหลด ดึงข้อมูลเป็นเครื่องมือ)

คุณลักษณะเฉพาะของ Azure AI Search

การค้นหาแบบไฮบริดด้วย RRF (Hybrid search with RRF)

การค้นหาแบบไฮบริดของ Azure AI Search ใช้ Reciprocal Rank Fusion เพื่อรวมผลลัพธ์เวกเตอร์และคำสำคัญเข้าด้วยกัน ซึ่งให้ความแม่นยำที่ดีกว่าวิธีใดวิธีหนึ่งเพียงอย่างเดียว

การจัดอันดับความหมาย (Semantic ranking)

โหมด Semantic Hybrid ใช้โมเดลการเรียนรู้ของเครื่องเพื่อจัดอันดับผลลัพธ์ใหม่ตามความเข้าใจเชิงความหมายของคำค้นหาของคุณ สิ่งนี้ต้องมีการกำหนดค่าเชิงความหมายในดัชนีของคุณ

ตัวกรอง OData (OData filters)

ใช้ไวยากรณ์ OData เพื่อกรองตามฟิลด์เอกสารหรือข้อมูลเมตาก่อนดำเนินการค้นหาเวกเตอร์ สิ่งนี้จะช่วยปรับปรุงประสิทธิภาพและความแม่นยำเมื่อคุณต้องการผลลัพธ์จากแหล่งที่มาเฉพาะหรือด้วยคุณลักษณะบางอย่าง

อัลกอริทึม HNSW (HNSW algorithm)

Azure AI Search ใช้กราฟ Hierarchical Navigable Small World (HNSW) สำหรับการค้นหาเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณ ให้การดึงข้อมูลที่รวดเร็วในวงกว้างด้วยความแม่นยำ/การแลกเปลี่ยนความเร็วที่กำหนดค่าได้

การแก้ไขปัญหา

ประเด็นดัชนี (Index issues)

ไม่พบดัชนี (Index not found) : ตรวจสอบชื่อดัชนีว่าถูกต้อง (ตรงตามตัวพิมพ์เล็กและตัวพิมพ์ใหญ่) และมีอยู่ในบริการ Azure AI Search ของคุณ หากใช้การสร้างอัตโนมัติ ให้ตรวจสอบว่าสร้างดัชนีสำเร็จแล้ว

มิติเวกเตอร์ไม่ตรงกัน (Vector dimension mismatch) : ตรวจสอบให้แน่ใจว่าขนาดโมเดลที่ฝังของคุณตรงกับขนาดฟิลด์เวกเตอร์ดัชนี ตรวจสอบสคีมาดัชนีเพื่อยืนยัน vectorSearchDimensions การตั้งค่า

การแทรกเอกสารล้มเหลว (Document insert failures):

• ตรวจสอบสิทธิ์ในการเขียน (ต้องใช้คีย์ API ของผู้ดูแลระบบ)
• ตรวจสอบช่องเอกสารที่ตรงกับสคีมาดัชนีของคุณ
• ตรวจสอบให้แน่ใจว่าได้ระบุฟิลด์ที่ต้องกรอกในเอกสาร
• ตรวจสอบการตั้งค่าขนาดแบทช์หากประสบปัญหาการหมดเวลากับชุดเอกสารขนาดใหญ่

ปัญหาการกรอง (Filter issues)

ตัวกรองไม่ทำงาน (Filter not working):

• ตรวจสอบว่าไวยากรณ์ OData ถูกต้อง
• ตรวจสอบให้แน่ใจว่ามีการใช้ช่องข้อมูลเมตา metadata/ คำนำหน้า: metadata/source eq 'value'
• ตรวจสอบว่าฟิลด์ที่กรองถูกทำเครื่องหมายเป็น filterable ในสคีมาดัชนีของคุณ
• ทดสอบด้วยตัวกรองแบบง่ายก่อน ( id eq 'value' ) ก่อน expression ที่ซับซ้อน

ไวยากรณ์ OData ไม่ถูกต้อง (Invalid OData syntax):

• ใช้เครื่องหมายคำพูดเดี่ยวสำหรับค่า string: metadata/source eq 'value'
• ใช้ตัวดำเนินการที่เหมาะสม: eq, ne, gt, ge, lt, le, and, or, not
• อ้างถึง เอกสารประกอบตัวกรอง OData สำหรับรายละเอียดไวยากรณ์

ปัญหาการเชื่อมต่อ (Connection issues)

ไม่สามารถเชื่อมต่อได้ (Unable to connect):

• ตรวจสอบรูปแบบ URL ปลายทาง: https://your-service.search.windows.net
• ยืนยันว่าบริการ Azure AI Search ของคุณกำลังทำงานและเข้าถึงได้
• ตรวจสอบกลุ่มความปลอดภัยของเครือข่าย กฎไฟร์วอลล์ และการกำหนดค่าปลายทางส่วนตัว
• สำหรับ n8n ที่โฮสต์โดย Azure ให้ตรวจสอบการเชื่อมต่อเครือข่ายเสมือนหรือการกำหนดค่าจุดสิ้นสุดบริการ หากใช้จุดสิ้นสุดส่วนตัว

ปัญหาการรับรองความถูกต้อง (Authentication issues)

สำหรับการแก้ไขปัญหาการตรวจสอบสิทธิ์รวมถึงข้อผิดพลาดของคีย์ API โปรดดูที่ ส่วนการแก้ไขปัญหาเอกสารรับรอง .

เทมเพลตและตัวอย่าง

เรียกดูเทมเพลตการรวมเอกสาร node Azure AI Search Vector Store หรือ ค้นหาเทมเพลตทั้งหมด

ทรัพยากรที่เกี่ยวข้อง

• เอกสาร Azure AI Search Vector Search
• การรวมการค้นหา LangChain Azure AI
• การอ้างอิง Azure AI Search REST API
• ไวยากรณ์ตัวกรอง OData สำหรับการค้นหา Azure AI

ดูของ n8n AI ขั้นสูง เอกสารประกอบ

ชุดเริ่มต้น AI ที่โฮสต์เอง

ยังใหม่กับการทำงานกับ AI และใช้ n8n ที่โฮสต์เองใช่ไหม ลอง n8n ดูครับ ชุดเริ่มต้น AI ที่โฮสต์เอง เพื่อเริ่มต้นด้วยการพิสูจน์แนวคิดหรือสนามเด็กเล่นสาธิตโดยใช้ Ollama, Qdrant และ PostgreSQL