1
 2
 3
 4
 5
 6
 7
 8
 9
10

---|---
7. 根据你使用的嵌入模型调整“dimensions”（维度）值（例如，OpenAI 的 `text-embedding-small-3` 模型对应 `1536`）。
8. 为索引起名并创建。

请务必记录以下在配置节点时必需的信息：
  * 集合名称（Collection name）
  * 向量索引名称（Vector index name）
  * 用于嵌入向量和元数据的字段名（Field names for embeddings and metadata）

## 节点使用模式#

你可以通过以下几种模式使用 MongoDB Atlas 向量存储（MongoDB Atlas Vector Store）节点：

### 作为常规节点插入和检索文档#

你可以将 MongoDB Atlas 向量存储节点作为常规节点，用于插入或获取文档。这种模式下，该节点位于标准的连接流程中，不依赖 AI Agent。

你可以在 此模板 的场景 1 中看到一个示例（该模板使用的是 Supabase 向量存储，但使用模式相同）。

### 直接作为工具连接到 AI Agent#

你可以将 MongoDB Atlas 向量存储节点直接连接到 AI Agent 的工具（tools）连接器上，使向量存储在回答查询时作为资源使用。

此时的连接方式为：AI Agent（tools 连接器） → MongoDB Atlas 向量存储节点。

### 使用检索器（Retriever）获取文档#

你可以将 向量存储检索器（Vector Store Retriever） 节点与 MongoDB Atlas 向量存储节点结合使用，从后者中提取文档。这种模式通常与 问答链（Question and Answer Chain） 节点配合使用，以从向量存储中检索出与给定聊天输入相匹配的文档。

连接流程的一个示例（该示例使用 Pinecone，但模式一致）如下：
问答链（Retriever 连接器） → 向量存储检索器（Vector Store 连接器） → MongoDB Atlas 向量存储。

### 使用向量存储问答工具（Vector Store Question Answer Tool）回答问题#

另一种模式是使用 向量存储问答工具（Vector Store Question Answer Tool） 来总结结果并回答来自 MongoDB Atlas 向量存储节点的问题。与直接将向量存储作为工具不同，此模式使用专门设计用于总结向量存储中数据的工具节点。

连接流程示例（该示例使用内存向量存储 In-Memory Vector Store，但模式相同）如下：
AI Agent（tools 连接器） → 向量存储问答工具（Vector Store 连接器） → 内存向量存储（In-Memory Vector Store）。

---

## 节点参数#

### 操作模式（Operation Mode）#

该向量存储节点包含四种模式：**Get Many**、**Insert Documents**、**Retrieve Documents (As Vector Store for Chain/Tool)** 和 **Retrieve Documents (As Tool for AI Agent)**。所选模式决定了节点可执行的操作以及可用的输入和输出。

#### Get Many#

在此模式下，你可以通过提供提示词（prompt）从向量数据库中检索多个文档。提示词会被嵌入（embedding），并用于相似性搜索。节点返回与提示词最相似的文档及其相似度得分。当你希望获取一组相似文档并将其作为额外上下文传递给 Agent 时，此模式非常有用。

#### Insert Documents#

使用“插入文档”模式将新文档插入你的向量数据库。

#### Retrieve Documents (as Vector Store for Chain/Tool)#

使用“Retrieve Documents (As Vector Store for Chain/Tool)”模式与向量存储检索器（retriever）配合，从向量数据库中检索文档，并提供给连接到链（Chain）的检索器。在此模式下，你必须将该节点连接到一个检索器节点或根节点。

#### Retrieve Documents (as Tool for AI Agent)#

使用“Retrieve Documents (As Tool for AI Agent)”模式，可在回答查询时将向量存储作为工具资源使用。当 Agent 生成回复时，若问题内容与向量存储的名称和描述匹配，则会调用该向量存储。

### 重新排序结果（Rerank Results）#

启用 结果重排序（reranking） 功能。启用此选项后，你必须将一个重排序节点连接到向量存储节点，该节点会对查询结果进行重新排序。此功能可用于 `Get Many`、`Retrieve Documents (As Vector Store for Chain/Tool)` 和 `Retrieve Documents (As Tool for AI Agent)` 模式。

### Get Many 参数#

* **Mongo Collection**：输入要使用的 MongoDB 集合名称。
* **Vector Index Name**：输入 MongoDB Atlas 集合中的向量搜索索引名称。
* **Embedding Field**：输入文档中包含向量嵌入（vector embeddings）的字段名。
* **Metadata Field**：输入文档中包含文本元数据（text metadata）的字段名。

### 插入文档参数#
  * **Mongo Collection（MongoDB 集合）** : 输入要使用的 MongoDB 集合名称。
  * **Vector Index Name（向量索引名称）** : 输入 MongoDB Atlas 集合中向量搜索索引的名称。
  * **Embedding Field（嵌入字段）** : 输入文档中包含向量嵌入（vector embeddings）的字段名称。
  * **Metadata Field（元数据字段）** : 输入文档中包含文本元数据（text metadata）的字段名称。

### 检索文档参数（作为链/工具的向量存储）#
  * **Mongo Collection（MongoDB 集合）** : 输入要使用的 MongoDB 集合名称。
  * **Vector Index Name（向量索引名称）** : 输入 MongoDB Atlas 集合中向量搜索索引的名称。
  * **Embedding Field（嵌入字段）** : 输入文档中包含向量嵌入（vector embeddings）的字段名称。
  * **Metadata Field（元数据字段）** : 输入文档中包含文本元数据（text metadata）的字段名称。

### 检索文档（作为 AI Agent 的工具）参数#
  * **Name（名称）** : 向量存储的名称。
  * **Description（描述）** : 向大语言模型（LLM）说明此工具的功能。清晰且具体的描述有助于 LLM 更稳定地生成预期结果。
  * **Mongo Collection（MongoDB 集合）** : 输入要使用的 MongoDB 集合名称。
  * **Vector Index Name（向量索引名称）** : 输入 MongoDB Atlas 集合中向量搜索索引的名称。
  * **Limit（限制）** : 设置从向量存储中检索的结果数量。例如，设置为 `10` 可获取最相关的 10 条结果。

## 节点选项#
### 选项#
  * **Metadata Filter（元数据过滤器）** : 根据元数据对结果进行过滤。

## 模板与示例#
**基于 AI 的 WhatsApp 聊天机器人，支持文本、语音、图像和 PDF，并集成 RAG**
由 NovaNode 提供
查看模板详情
**使用 OpenAI、RAG 和 MongoDB 向量嵌入构建知识库聊天机器人**
由 NovaNode 提供
查看模板详情
**构建集成强化学习人类反馈（RLHF）与 RAG 的聊天机器人**
由 NovaNode 提供
查看模板详情
浏览 MongoDB Atlas 向量存储集成模板，或搜索所有模板
## 相关资源#
参考：
  * LangChain 的 MongoDB Atlas 向量搜索文档，了解有关该服务的更多信息。
  * MongoDB Atlas 向量搜索文档，了解有关 MongoDB Atlas 向量搜索的更多细节。

查看 n8n 的 高级 AI 文档。
## 自托管 AI 入门套件#
刚开始接触 AI 并使用自托管 n8n？尝试 n8n 的 自托管 AI 入门套件，使用 Ollama、Qdrant 和 PostgreSQL 快速搭建概念验证或演示环境。