PGVector 向量存储节点#

PGVector 是 Postgresql 的一个扩展。使用此节点可以与你在 Postgresql 数据库中的 PGVector 表进行交互。你可以将文档插入向量表中，从向量表中获取文档，检索文档以提供给连接到链（chain）的检索器（retriever），或直接作为工具（tool）连接到 AI 智能体（agent）。

本页面包含 PGVector 节点的参数说明以及相关资源链接。

凭据

你可以在此处找到该节点的身份验证信息。

子节点中的参数解析#

当使用表达式处理多个数据项时，子节点（sub-nodes）的行为与其他节点不同。

大多数节点（包括根节点）可以接收任意数量的数据项作为输入，逐个处理这些数据项并输出结果。你可以使用表达式引用输入项，节点会依次为每个输入项解析表达式。例如，如果有五个 name 值作为输入，表达式 {{ $json.name }} 会依次解析为每一个名称。

而在子节点中，表达式始终解析为第一个输入项。例如，在同样的五个 name 输入下，表达式 {{ $json.name }} 始终指向第一个名称。

节点使用模式#

你可以通过以下几种方式使用 PGVector 向量存储节点。

作为普通节点插入和检索文档#

你可以将 PGVector 向量存储节点作为普通节点来插入或获取文档。这种模式下，PGVector 节点处于常规连接流程中，并不涉及 AI 智能体。

你可以在这个模板的场景 1 中看到示例（虽然该模板使用的是 Supabase 向量存储，但使用模式相同）。

直接作为工具连接到 AI 智能体#

你可以将 PGVector 向量存储节点直接连接到 AI 智能体的“工具”连接口（tools connector），以便在回答查询时利用向量存储作为外部资源。

此时的连接路径为：AI 智能体（工具连接口） -> PGVector 向量存储节点。

使用检索器获取文档#

你可以将向量存储检索器（Vector Store Retriever）节点与 PGVector 向量存储节点结合使用，从后者中提取文档。这通常与问答链（Question and Answer Chain）节点配合使用，用于从向量存储中检索与聊天输入相匹配的文档。

一个连接流程示例（该示例使用 Pinecone，但模式一致）如下所示：问答链（Retriever 连接口） -> 向量存储检索器（Vector Store 连接口） -> PGVector 向量存储。

使用向量存储问答工具回答问题#

另一种模式是使用向量存储问答工具（Vector Store Question Answer Tool）来总结结果并从 PGVector 向量存储中回答问题。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汇总向量存储中数据的工具。

在这种情况下，连接流程（示例中使用的是 Simple Vector Store，但模式相同）如下所示： AI 智能体（工具连接口） -> 向量存储问答工具（Vector Store 连接口） -> Simple 向量存储。

节点参数#

操作模式（Operation Mode）#

该向量存储节点有四种模式：Get Many、Insert Documents、Retrieve Documents (As Vector Store for Chain/Tool) 和 Retrieve Documents (As Tool for AI Agent)。所选模式决定了你可以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智能体时，此功能非常有用。

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)#

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（vector-store retriever）一起使用，从向量数据库中检索文档，并提供给连接到链的检索器。在此模式下，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“检索文档（作为 AI 智能体的工具）”模式，在回答查询时将向量存储作为工具资源。当智能体生成回复时，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。

重排序结果（Rerank Results）#

启用重排序（reranking）功能。如果启用此选项，必须连接一个重排序节点到向量存储节点，该节点会对查询结果进行重新排序。此选项可用于 Get Many、Retrieve Documents (As Vector Store for Chain/Tool) 和 Retrieve Documents (As Tool for AI Agent) 模式。

Get Many 参数#

表名（Table name）：输入你要查询的表的名称。
提示（Prompt）：输入你的搜索查询内容。
限制（Limit）：输入一个数值，设置从向量存储中检索的结果数量。例如，设置为 10 可获得最相关的前十条结果。

插入文档参数#

表名（Table name）：输入你要查询的表的名称。

检索文档参数（作为链/工具的向量存储）#

表名（Table name）：输入你要查询的表的名称。

检索文档（作为 AI Agent 的工具）参数#

名称（Name）：向量存储的名称。
描述（Description）：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 更频繁地生成符合预期的结果。
表名（Table Name）：输入要使用的 PGVector 表。
限制数量（Limit）：设置从向量存储中检索的结果数量。例如，设置为 10 可获取最相关的十个结果。

节点选项#

集合（Collection）#

用于在 PGVector 中分离数据集的方式。这会创建一个独立的表和列，以追踪每个向量所属的集合。

使用集合（Use Collection）：选择是否启用集合（开启）或不使用（关闭）。
集合名称（Collection Name）：输入要使用的集合名称。
集合表名（Collection Table Name）：输入用于存储集合信息的表名称。

列名（Column Names）#

以下选项用于指定存储向量及其相关信息的列名称：

ID 列名（ID Column Name）
向量列名（Vector Column Name）
内容列名（Content Column Name）
元数据列名（Metadata Column Name）

元数据过滤器#

在 获取多个（Get Many） 模式下可用。在搜索数据时，使用此功能匹配与文档关联的元数据。这是一个 AND 查询：如果指定了多个元数据过滤字段，则所有条件都必须匹配。在插入数据时，元数据由文档加载器（document loader）设置。有关文档加载的更多信息，请参考默认文档加载器。

模板与示例#

带音频转录功能的人力资源与IT帮助台聊天机器人 作者：Felipe Braga 查看模板详情

在可视化参考库中探索 n8n 节点 作者：I versus AI 查看模板详情

📥 将 Google Drive 文档转换为向量嵌入 作者：Alex Kim 查看模板详情

浏览 PGVector 向量存储集成模板，或搜索所有模板

自托管 AI 入门套件#

刚开始接触 AI 并使用自托管的 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（proof-of-concept）或演示环境。