پرش به محتویات

نود ذخیره‌سازی برداری PGVector#

PGVector افزوده‌ای برای PostgreSQL است. از این نود برای تعامل با جداول PGVector در پایگاه‌داده PostgreSQL خود استفاده کنید. می‌توانید اسناد را در یک جدول برداری وارد کنید، اسناد را از جدول برداری بازیابی کنید، اسناد را برای ارائه به یک بازیاب متصل به رشته دریافت کنید، یا مستقیماً به یک عامل به عنوان ابزار متصل شوید.

در این صفحه، پارامترهای نود PGVector و لینک‌هایی به منابع بیشتر را پیدا می‌کنید.

اطلاعات احراز هویت

شما می‌توانید اطلاعات احراز هویت مربوط به این نود را در اینجا بیابید.

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
## الگوهای استفاده از نود

می‌توانید از نود ذخیره‌سازی برداری PGVector در الگوهای زیر استفاده کنید.

### استفاده به عنوان یک نود عادی برای وارد کردن و دریافت اسناد

می‌توانید از PGVector به عنوان یک نود عادی برای وارد کردن یا گرفتن اسناد استفاده کنید. این الگو، PGVector را در جریان کانکشن عادی قرار می‌دهد بدون استفاده از عامل.

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

### کانکشن مستقیم به یک عامل هوشمند به عنوان یک ابزار

می‌توانید نود PGVector را مستقیماً به کانکتور ابزارِ یک [عامل هوشمند](/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent) متصل کنید تا از یک فضای برداری به عنوان منبع زمانی که سوالاتی پاسخ می‌دهد، استفاده کنید.

در این حالت، کانکشن به صورت: عامل هوشمند (کانکتور ابزار) -> نود ذخیره‌سازی برداری PGVector است.

### استفاده از بازیاب برای گرفتن اسناد

می‌توانید نود [بازیاب فضای برداری](/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.retrievervectorstore) را با نود PGVector ترکیب کنید تا اسناد را از نود PGVector بازیابی کند. اغلب با نود [رشته سوال و جواب](/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.chainretrievalqa) استفاده می‌شود تا اسناد مطابق با ورودی گفتگوی مورد نظر، بازیابی شوند.

یک [نمونه جریان کانکشن](https://n98n.ir/workflows/1960-ask-questions-about-a-pdf-using-ai/) (در مثال لینک شده، از Pinecone استفاده شده، اما الگو یکسان است) می‌تواند شامل: رشته سوال و جواب (کانکتور بازیاب) -> بازیاب فضای برداری (کانکتور فضای برداری) -> نود PGVector باشد.

### استفاده از ابزار سوال و جواب فضای برداری

الگوی دیگری، [ابزار سوال و جواب فضای برداری](/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.toolvectorstore) است که برای خلاصه‌سازی نتایج و پاسخگویی به سوالات از نود PGVector استفاده می‌کند. در این حالت، به جای کانکشن مستقیم نود PGVector به عنوان یک ابزار، از ابزاری مخصوص برای خلاصه‌سازی داده‌های داخل فضای برداری، بهره می‌گیرد.

در این حالت، [جریان اتصالات](https://n98n.ir/workflows/2465-building-your-first-whatsapp-chatbot/) (در نمونه لینک شده، از فضای برداری ساده استفاده شده است، اما الگو همان است) به این صورت است: عامل هوشمند (کانکتور ابزار) -> ابزار سوال و جواب فضای برداری -> فضای برداری ساده.

## 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.

پارامترهای "بیشتر گرفتن" (Get Many)#

  • نام جدول: نام جدولی که می‌خواهید پرس‌وجو کنید را وارد کنید.
  • درخواست: پرسش جستجوی خود را وارد کنید.
  • محدودیت: عددی وارد کنید که مشخص کند چه تعداد نتیجه از فضای برداری بازیابی شود. مثلا، این مقدار را روی 10 قرار دهید تا ده نتیجه برتر دریافت کنید.

پارامترهای وارد کردن اسناد#

  • نام جدول: نام جدولی که می‌خواهید پرس‌وجو کنید را وارد کنید.

پارامترهای بازیابی اسناد (به عنوان فضای برداری برای رشته/ابزار)#

  • نام جدول: نام جدولی که می‌خواهید پرس‌وجو کنید را وارد کنید.

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

  • نام: نام فضای برداری.
  • توضیحات: توضیح دهید که این ابزار چه کار می‌کند. یک توضیح خوب و مشخص، به LLM امکان می‌دهد نتایج مورد انتظار را بیشتر تولید کند.
  • نام جدول: جدول PGVector مورد استفاده را وارد کنید.
  • محدودیت: تعداد نتایج مورد نظر برای بازیابی از فضای برداری را وارد کنید. مثلا، این مقدار را روی 10 قرار دهید تا ده نتیجه برتر دریافت کنید.

گزینه‌های نود#

مجموعه#

راهی برای جداسازی مجموعه داده‌ها در PGVector. این، یک جدول و ستون جداگانه برای پیگیری این که چه برداری متعلق به کدام مجموعه است، ایجاد می‌کند.

  • استفاده از مجموعه: انتخاب کنید که قصد استفاده از مجموعه دارید (روشن) یا خیر (خاموش).
  • نام مجموعه: نام مجموعه‌ای که می‌خواهید استفاده کنید را وارد کنید.
  • نام جدول مجموعه: نام جدولی که اطلاعات مجموعه در آن ذخیره می‌شود را وارد کنید.

نام‌های ستون‌ها#

گزینه‌های زیر، نام ستون‌هایی را تعیین می‌کنند که بردارها و اطلاعات مربوطه در آن‌ها ذخیره می‌شود:

  • نام ستون شناسه
  • نام ستون بردار
  • نام ستون محتوا
  • نام ستون متادیتا

فیلتر متادیتا#

در حالت Get Many موجود است. هنگام جستجو برای داده‌ها، از این برای تطابق با متادیتای مربوط به سند استفاده کنید.

این یک جستجوی و است. اگر بیش از یک فیلتر متادیتا مشخص کنید، همه باید تطابق داشته باشند.

هنگام وارد کردن داده‌ها، متادیتا با استفاده از بارگذار سند تنظیم می‌شود. برای اطلاعات بیشتر درباره بارگذاری اسناد، به بارگذار پیش‌فرض داده‌ها مراجعه کنید. 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
## قالب‌ها و نمونه‌ها

<!-- مشاهده لینک https://www.notion.so/n8n/Pull-in-templates-for-the-integrations-pages-37c716837b804d30a33b47475f6e3780 -->
<span class="n8n-templates-widget-more"><a href="https://n98n.ir/integrations/postgres-pgvector-store/" target="_blank">Browse PGVector Vector Store integration templates</a>, or <a href="https://n98n.ir/workflows/" target="_blank">search all templates</a></span>

## منابع مرتبط

برای اطلاعات بیشتر در مورد سرویس، به [مستندات PGVector در LangChain](https://js.langchain.com/integrations/vectorstores/pgvector){:target=_blank .external-link} مراجعه کنید.


مشاهده مستندسازی [هوش مصنوعی پیشرفته] n98n در این قسمت.

کیت استارت‌آپ هوش مصنوعی خود میزبانی شده#

جدیدید در کار با هوش مصنوعی و استفاده از n98n خود میزبانی؟ از کیت استارت‌آپ هوش مصنوعی خود میزبانی شده n98n برای شروع با یک نمونه‌کار آزمایشی یا فضای نمایشی با استفاده از Ollama، Qdrant و PostgreSQL امتحان کنید. ```