پرش به محتویات

نود مخزن برداری MongoDB Atlas#

جستجوی برداری MongoDB Atlas یکی از ویژگی‌های MongoDB Atlas است که به کاربران امکان ذخیره و پرس و جو بردارهای توصیف را می‌دهد. از این نود برای تعامل با شاخص‌های جستجوی برداری در مجموعه‌های MongoDB Atlas خود استفاده کنید. می‌توانید اسناد را وارد کنید، اسناد را بازیابی کنید و از مخزن برداری در زنجیره‌ها یا به عنوان ابزاری برای عامل‌ها استفاده کنید.

در این صفحه، پارامترهای نود مخزن برداری MongoDB Atlas و لینک به منابع بیشتر را پیدا خواهید کرد.

اعتبارات

می‌توانید اطلاعات احراز هویت مربوط به این نود را اینجا پیدا کنید.

مقدار پارامتر در زیرنودها

زیرنودها هنگام پردازش چند آیتم با استفاده از یک عبارت، رفتار متفاوتی نسبت به سایر نودها دارند.

اکثر نودها، از جمله نودهای ریشه، هر تعداد آیتم را به عنوان ورودی می‌پذیرند، این آیتم‌ها را پردازش کرده و نتایج را خروجی می‌دهند. شما می‌توانید از عبارات برای ارجاع به آیتم‌های ورودی استفاده کنید، و نود هر بار این عبارت را برای هر آیتم حل می‌کند. برای مثال، اگر ورودی شامل پنج مقدار name باشد، عبارت {{ $json.name }} به ترتیب به هر نام حل می‌شود.

در زیرنودها، این عبارت همیشه به اولین آیتم ارجاع می‌دهد. برای مثال، اگر ورودی شامل پنج مقدار name باشد، عبارت {{ $json.name }} همیشه به اولین نام ارجاع می‌دهد. 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
## پیش‌نیازها

قبل از استفاده از این نود، باید یک [شاخص جستجوی برداری](https://www.mongodb.com/docs/atlas/atlas-vector-search/vector-search-type/) در مجموعه MongoDB Atlas خود بسازید. مراحل زیر را برای ساخت این شاخص دنبال کنید:

1. وارد داشبورد [MongoDB Atlas](https://cloud.mongodb.com/) شوید.

3. سازمان و پروژه خود را انتخاب نمایید.
4. بخش "جستجو و جستجوی برداری" را بیابید.
5. خوشه خود را انتخاب کرده و روی "رفتن به جستجو" کلیک کنید.
7. روی "ایجاد شاخص جستجو" کلیک کنید.
8. حالت "جستجوی برداری" را انتخاب کنید و از ویرایشنودای بصری یا JSON استفاده کنید. به عنوان مثال:
 ```json
 {
 "fields": [
 {
 "type": "vector",
 "path": "<نام-فیلد>",
 "numDimensions": 1536, // هر مقدار دیگر
 "similarity": "<تابع-مشابهت>"
 }
 ]
 }
 ```

9. مقدار "ابعاد" را بر اساس مدل توصیف خود تنظیم کنید (برای مثال، `1536` برای `text-embedding-small-3` شرکت OpenAI).
10. نام شاخص خود را وارد کرده و ایجاد کنید.

اطمینان حاصل کنید که مقادیر زیر را هنگام پیکربندی نود یادداشت کنید:

- نام مجموعه
- نام شاخص برداری
- نام فیلدهای توصیف و فراداده

## الگوی‌های استفاده از نود

شما می‌توانید از نود مخزن برداری MongoDB Atlas در الگوهای زیر استفاده کنید:

### استفاده به عنوان نود معمولی برای وارد کردن و بازیابی اسناد

می‌توانید از نود مخزن برداری MongoDB Atlas به عنوان یک نود معمولی برای وارد کردن یا گرفتن اسناد استفاده کنید. این الگو مخزن برداری MongoDB Atlas را در فرآیند کانکشن منظم قرار می‌دهد بدون نیاز به عامل.

نمونه‌ای از این در سناریو ۱ [این قالب](https://n98n.ir/workflows/2621-ai-agent-to-chat-with-files-in-supabase-storage/) مشاهده می‌شود (قالب از مخزن برداری Supabase استفاده می‌کند، اما الگو یکسان است).

### کانکشن مستقیم به یک عامل هوش مصنوعی به عنوان ابزار

می‌توانید نود مخزن برداری MongoDB Atlas را مستقیماً به کانکتور ابزار یک [عامل هوش مصنوعی](/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent) متصل کنید تا از آن به عنوان منبع در پاسخ‌دهی به پرس‌وجوها استفاده کنید.

در این حالت، کانکشن به صورت زیر خواهد بود: عامل هوش مصنوعی (کانکتور ابزارها) -> نود مخزن برداری MongoDB Atlas.

### استفاده از بازیابگر برای دریافت اسناد

می‌توانید از نود [Vector Store Retriever](/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.retrievervectorstore) همراه با نود مخزن برداری MongoDB Atlas برای جلب اسناد از این مجموعه استفاده کنید. این روش معمولاً با [زنجیره سوال و جواب](/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.chainretrievalqa) برای بازیابی اسناد مرتبط با ورودی چت انجام می‌شود.

یک [نمونه جریان کانکشن](https://n98n.ir/workflows/1960-ask-questions-about-a-pdf-using-ai/) (در این نمونه از Pinecone استفاده شده است، اما الگو همان است) به این صورت است: زنجیره سوال و جواب (کانکتور بازیابگر) -> بازیابگر مخزن برداری (کانکتور مخزن برداری) -> مخزن برداری MongoDB Atlas.

### استفاده از ابزار پرسش و پاسخ مخزن برداری برای پاسخ به سوالات

الگوی دیگر از [ابزار پرسش و پاسخ مخزن برداری](/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.toolvectorstore) برای خلاصه‌سازی نتایج و پاسخ به سوالات از نود مخزن برداری MongoDB Atlas استفاده می‌کند. به جای کانکشن مستقیم این نود به عنوان یک ابزار، این الگو از ابزار خاصی برای خلاصه‌سازی داده‌های درون مخزن برداری بهره می‌برد.

در این حالت، [جریان ارتباط](https://n98n.ir/workflows/2465-building-your-first-whatsapp-chatbot/) (در این نمونه از مخزن برداری in-memory استفاده شده است، اما الگو همان است) به صورت زیر است: عامل هوش مصنوعی (کانکتور ابزارها) -> ابزار پرسش و پاسخ مخزن برداری (کانکتور مخزن برداری) -> مخزن برداری in-memory.

## پارامترهای نود


### حالت عملیات

این نود ذخیره‌ساز برداری چهار حالت دارد: **گرفتن چندتایی**, **درج اسناد**, **بازیابی اسناد (به عنوان ذخیره‌ساز برداری برای زنجیره/ابزار)**، و **بازیابی اسناد (به عنوان ابزار برای عامل هوشمند)**. حالتی که انتخاب می‌کنید، عملیات‌هایی را که می‌توانید انجام دهید و ورودی‌ها و خروجی‌های موجود را تعیین می‌کند.

<!-- vale off -->
#### گرفتن چندتایی

در این حالت، می‌توانید چندین سند از بانک‌اطلاعات برداری خود را با ارائه یک درخواست بازیابی کنید. درخواست به صورت جاسازی‌شده وارد می‌شود و برای جستجوی شباهت استفاده می‌شود. این نود، اسناد مشابه‌ترین به درخواست را همراه با نمره شباهت آن‌ها برمی‌گرداند. این حالت زمانی مفید است که می‌خواهید فهرستی از اسناد مشابه را بازیابی کرده و به یک عامل به عنوان زمینه اضافی بدهید.
<!-- vale on -->

#### درج اسناد

از حالت درج اسناد برای وارد کردن اسناد جدید به بانک‌اطلاعات برداری خود استفاده کنید.

#### بازیابی اسناد (به عنوان ذخیره‌ساز برداری برای زنجیره/ابزار)

از حالت بازیابی اسناد (به عنوان ذخیره‌ساز برداری برای زنجیره/ابزار) با یک بازیاب‌گر ذخیره‌ساز برداری برای بازیابی اسناد از بانک‌اطلاعات برداری و ارائه آن‌ها به بازیاب‌گر متصل به زنجیره استفاده کنید. در این حالت، باید نود را به یک نود بازیابگر یا نود اصلی متصل کنید.

#### بازیابی اسناد (به عنوان ابزار برای عامل هوشمند)

از حالت بازیابی اسناد (به عنوان ابزار برای عامل هوشمند) برای استفاده از ذخیره‌ساز برداری به عنوان منبع ابزار هنگام پاسخگویی به سؤالات استفاده کنید. هنگام تدوین پاسخ‌ها، عامل از ذخیره‌ساز برداری استفاده می‌کند زمانی که نام و توضیحات ذخیره‌ساز برداری با جزئیات سؤال مطابقت داشته باشد.

دریافت تعداد زیادی پارامتر#

  • مجموعه Mongo: نام مجموعه MongoDB مورد استفاده را وارد کنید.
  • نام شاخص برداری: نام شاخص جستجوی برداری در مجموعه MongoDB Atlas خود را وارد کنید.
  • فیلد توصیف: نام فیلد در اسناد که بردارهای توصیف در آن قرار دارند را وارد کنید.
  • فیلد فراداده: نام فیلد در اسناد که متادیتای متن در آن قرار دارد را وارد کنید.

پارامترهای وارد کردن اسناد#

  • مجموعه Mongo: نام مجموعه MongoDB مورد استفاده را وارد کنید.
  • نام شاخص برداری: نام شاخص جستجوی برداری در مجموعه MongoDB Atlas خود را وارد کنید.
  • فیلد توصیف: نام فیلد در اسناد که بردارهای توصیف در آن قرار دارند را وارد کنید.
  • فیلد فراداده: نام فیلد در اسناد که متادیتای متن در آن قرار دارد را وارد کنید.

پارامترهای بازیابی اسناد (به عنوان مخزن برداری برای زنجیره/ابزار)#

  • مجموعه Mongo: نام مجموعه MongoDB مورد استفاده را وارد کنید.
  • نام شاخص برداری: نام شاخص جستجوی برداری در مجموعه MongoDB Atlas خود را وارد کنید.
  • فیلد توصیف: نام فیلد در اسناد که بردارهای توصیف در آن قرار دارند را وارد کنید.
  • فیلد فراداده: نام فیلد در اسناد که متادیتای متن در آن قرار دارد را وارد کنید.

پارامترهای بازیابی اسناد (به عنوان ابزار برای عامل هوش مصنوعی)#

  • نام: نام مخزن برداری.
  • توضیح: به LLM توضیح دهید که این ابزار چه کاری انجام می‌دهد. یک توضیح خوب و مشخص به LLM کمک می‌کند تا نتایج مورد انتظار را بیشتر تولید کند.
  • مجموعه Mongo: نام مجموعه MongoDB مورد استفاده را وارد کنید.
  • نام شاخص برداری: نام شاخص جستجوی برداری در مجموعه MongoDB Atlas خود را وارد کنید.
  • محدودیت: تعداد نتایج مورد نظر برای بازیابی از مخزن برداری را وارد کنید. به عنوان مثال، این مقدار را روی 10 قرار دهید تا ده نتیجه برتر دریافت شود.

گزینه‌های نود#

گزینه‌ها#

  • مرز فیلتر فراداده: نتایج را بر اساس فیلترهای فراداده محدود می‌کند.

قالب‌ها و نمونه‌ها#

Browse MongoDB Atlas Vector Store integration templates, or search all templates

منابع مربوطه#

برای اطلاعات بیشتر، به موارد زیر مراجعه کنید: