การใช้งาน MongoDB Atlas Vector Store

เรียนรู้วิธีใช้ node MongoDB Atlas Vector Store ใน n8n ปฏิบัติตามเอกสารทางเทคนิคเพื่อรวม node MongoDB Atlas Vector Store เข้ากับ workflow ของคุณ

MongoDB Atlas Vector Search เป็นคุณสมบัติของ MongoDB Atlas ที่ให้ผู้ใช้สามารถจัดเก็บและสืบค้นการฝังเวกเตอร์ ใช้ node นี้เพื่อโต้ตอบกับดัชนี Vector Search ในคอลเลกชัน MongoDB Atlas ของคุณ คุณสามารถแทรกเอกสาร ดึงเอกสาร และใช้ร้านค้าเวกเตอร์แบบลูกโซ่หรือเป็นเครื่องมือสำหรับตัวแทนได้

ในหน้านี้ คุณจะพบ parameter node สำหรับ node MongoDB Atlas Vector Store และลิงก์ไปยังแหล่งข้อมูลเพิ่มเติม

Credentials

อ้างถึง MongoDB 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 ให้สร้างไฟล์ ดัชนีค้นหาเวกเตอร์ ในคอลเลกชัน MongoDB Atlas ของคุณ ทำตามขั้นตอนเหล่านี้เพื่อสร้าง:

1. เข้าสู่ระบบที่ แดชบอร์ด MongoDB Atlas .

2. เลือกองค์กรและโครงการของคุณ

3. ค้นหาส่วน "การค้นหาและการค้นหาเวกเตอร์"

4. เลือกคลัสเตอร์ของคุณแล้วคลิก "ไปที่การค้นหา"

5. คลิก "สร้างดัชนีการค้นหา"

6. เลือกโหมด "ค้นหาเวกเตอร์" และใช้ตัวแก้ไขภาพหรือ JSON ตัวอย่างเช่น:

   {
     "fields": [
       {
         "type": "vector",
         "path": "<field-name>",
         "numDimensions": 1536, // any other value
         "similarity": "<similarity-function>"
       }
     ]
   }
   

7. ปรับค่า "มิติข้อมูล" ตามรูปแบบการฝังของคุณ (เช่น 1536 สำหรับ OpenAI text-embedding-small-3).

8. ตั้งชื่อดัชนีของคุณและสร้าง

ตรวจสอบให้แน่ใจว่าได้บันทึกค่าต่อไปนี้ซึ่งจำเป็นเมื่อกำหนดค่า node:

• ชื่อคอลเลกชัน
• ชื่อดัชนีเวกเตอร์
• ชื่อฟิลด์สำหรับการฝังและข้อมูลเมตา

รูปแบบการใช้งาน node

คุณสามารถใช้ node MongoDB Atlas Vector Store ในรูปแบบต่อไปนี้:

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

คุณสามารถใช้ MongoDB Atlas Vector Store เป็น node ปกติในการแทรกหรือรับเอกสารได้ รูปแบบนี้ทำให้ MongoDB Atlas Vector Store อยู่ในโฟลว์การเชื่อมต่อปกติโดยไม่ต้องใช้ตัวแทน

คุณสามารถดูตัวอย่างนี้ได้ในสถานการณ์ที่ 1 ของ เทมเพลตนี้ (เทมเพลตใช้ Supabase Vector Store แต่รูปแบบจะเหมือนกัน)

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

คุณสามารถเชื่อมต่อ node MongoDB Atlas Vector Store เข้ากับตัวเชื่อมต่อเครื่องมือของ AI Agent เพื่อใช้ร้านค้าเวกเตอร์เป็นทรัพยากรในการตอบคำถาม

ที่นี่การเชื่อมต่อจะเป็น: เอเจนต์ AI (ตัวเชื่อมต่อเครื่องมือ) -> node MongoDB Atlas Vector Store

ใช้รีทรีฟเวอร์เพื่อดึงเอกสาร (Use a retriever to fetch documents)

คุณสามารถใช้ Vector Store Retriever node ที่มี node MongoDB Atlas Vector Store เพื่อดึงเอกสารจาก node MongoDB Atlas Vector Store คำนี้มักใช้กับ Question and Answer Chain node เพื่อดึงเอกสารจากร้านค้าเวกเตอร์ที่ตรงกับ input แชทที่กำหนด

อ ตัวอย่างการไหลของการเชื่อมต่อ (ตัวอย่างที่เชื่อมโยงใช้ Pinecone แต่รูปแบบเหมือนกัน) จะเป็น: Question and Answer Chain (ตัวเชื่อมต่อ Retriever) -> Vector Store Retriever (ตัวเชื่อมต่อ Vector Store) -> MongoDB Atlas Vector Store

ใช้เครื่องมือตอบคำถามของ Vector Store เพื่อตอบคำถาม (Use the Vector Store Question Answer Tool to answer questions)

อีกรูปแบบหนึ่งใช้ Vector Store Question Answer Tool เพื่อสรุปผลลัพธ์และตอบคำถามจาก node MongoDB Atlas Vector Store แทนที่จะเชื่อมต่อ MongoDB Atlas Vector Store เป็นเครื่องมือโดยตรง รูปแบบนี้ใช้เครื่องมือที่ออกแบบมาเพื่อสรุปข้อมูลในร้านค้าเวกเตอร์โดยเฉพาะ

ที่ การเชื่อมต่อไหล (ตัวอย่างที่เชื่อมโยงใช้ In-Memory Vector Store แต่รูปแบบเหมือนกัน) ในกรณีนี้จะมีลักษณะดังนี้: เอเจนต์ AI (ตัวเชื่อมต่อเครื่องมือ) -> เครื่องมือตอบคำถามของ Vector Store (ตัวเชื่อมต่อ Vector Store) -> จัดเก็บ Vector ในหน่วยความจำ

parameter node

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

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

รับ parameter มากมาย (Get Many parameters)

• Mongo Collection : กรอกชื่อคอลเลกชัน MongoDB ที่จะใช้
• Vector Index Name : ป้อนชื่อของดัชนี Vector Search ในคอลเลกชัน MongoDB Atlas ของคุณ
• Embedding Field : ป้อนชื่อฟิลด์ในเอกสารของคุณที่มีการฝังเวกเตอร์
• Metadata Field : ป้อนชื่อฟิลด์ในเอกสารของคุณที่มีข้อมูลเมตาของข้อความ

แทรก parameter เอกสาร (Insert Documents parameters)

• Mongo Collection : กรอกชื่อคอลเลกชัน MongoDB ที่จะใช้
• Vector Index Name : ป้อนชื่อของดัชนี Vector Search ในคอลเลกชัน MongoDB Atlas ของคุณ
• Embedding Field : ป้อนชื่อฟิลด์ในเอกสารของคุณที่มีการฝังเวกเตอร์
• Metadata Field : ป้อนชื่อฟิลด์ในเอกสารของคุณที่มีข้อมูลเมตาของข้อความ

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

• Mongo Collection : กรอกชื่อคอลเลกชัน MongoDB ที่จะใช้
• Vector Index Name : ป้อนชื่อของดัชนี Vector Search ในคอลเลกชัน MongoDB Atlas ของคุณ
• Embedding Field : ป้อนชื่อฟิลด์ในเอกสารของคุณที่มีการฝังเวกเตอร์
• Metadata Field : ป้อนชื่อฟิลด์ในเอกสารของคุณที่มีข้อมูลเมตาของข้อความ

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

• Name : ชื่อร้านเวกเตอร์
• Description : อธิบายให้ LLM ฟังว่าเครื่องมือนี้ทำอะไรได้บ้าง คำอธิบายเฉพาะเจาะจงที่ดีและช่วยให้ LLM ให้ผลลัพธ์ที่คาดหวังได้บ่อยขึ้น
• Mongo Collection : กรอกชื่อคอลเลกชัน MongoDB ที่จะใช้
• Vector Index Name : ป้อนชื่อของดัชนี Vector Search ในคอลเลกชัน MongoDB Atlas ของคุณ
• Limit : ป้อนจำนวนผลลัพธ์ที่จะดึงจากร้านค้าเวกเตอร์ เช่น ตั้งเป็น 10 เพื่อให้ได้ผลลัพธ์ที่ดีที่สุดสิบประการ

ตัวเลือก node

Options

• Metadata Filter : กรองผลลัพธ์ตามข้อมูลเมตา

เทมเพลตและตัวอย่าง

เรียกดูเทมเพลตการรวมเอกสาร node MongoDB Atlas Vector Store หรือ ค้นหาเทมเพลตทั้งหมด

ทรัพยากรที่เกี่ยวข้อง

อ้างถึง:

• เอกสาร MongoDB Atlas Vector Search ของ LangChain สำหรับข้อมูลเพิ่มเติมเกี่ยวกับบริการ
• เอกสาร MongoDB Atlas Vector Search สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ MongoDB Atlas Vector Search

ดูของ n8n AI ขั้นสูง เอกสารประกอบ

ชุดเริ่มต้น AI ที่โฮสต์เอง

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