مستندات نود حافظه برداری Qdrant
استفاده از نود Qdrant برای تعامل با مجموعه Qdrant شما به عنوان یک حافظه برداری. شما می‌توانید مستندات را در یک پایگاه داده برداری وارد کنید، مستنداتی را از آن دریافت کنید، مستنداتی را بازیابی کنید تا به یک بازیاب متصل به زنجیره ارائه دهید یا به طور مستقیم آن را به یک نماینده متصل کنید تا به عنوان یک ابزار استفاده شود.
در این صفحه، پارامترهای نود برای نود Qdrant، و لینک‌هایی به منابع بیشتر را خواهید یافت.
اعتبارنامه
اطلاعات احراز هویت مربوط به این نود را می‌توانید 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 حافظه برداری Qdrant در الگوهای زیر استفاده کنید.
### استفاده به عنوان یک نود معمولی برای وارد کردن و بازیابی مستندات
می‌توانید از حافظه برداری Qdrant به عنوان یک نود معمولی برای وارد کردن یا دریافت مستندات استفاده کنید. این الگو، حافظه برداری Qdrant را در جریان کانکشن عادی قرار می‌دهد بدون اینکه از نماینده استفاده کنید.
مثالی از این را می‌توانید در قسمت اول [این قالب](https://n98n.ir/workflows/2440-building-rag-chatbot-for-movie-recommendations-with-qdrant-and-open-ai/) مشاهده کنید.
### کانکشن مستقیم به یک نماینده هوش مصنوعی به عنوان ابزار
می‌توانید نود حافظه برداری Qdrant را مستقیم به قسمت کانکتور ابزار یک [نماینده هوش مصنوعی](/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent) متصل کنید تا از مدل به عنوان منبع در پاسخ‌دهی به سوالات استفاده کنید.
در این حالت، ارتباط به صورت: نماینده هوش مصنوعی (کانکتور ابزار) -> نود حافظه برداری Qdrant.
### استفاده از بازیاب برای دریافت مستندات
می‌توانید از نود [بازیاب حافظه برداری](/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.retrievervectorstore) همراه با نود حافظه برداری Qdrant برای دریافت مستندات استفاده کنید. این معمولا با نود [سوال و پاسخ](/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.chainretrievalqa) برای دریافت مستنداتی که با ورودی چت مطابقت دارند، استفاده می‌شود.
یک [نمونه جریان کانکشن](https://n98n.ir/workflows/2183-ai-crew-to-automate-fundamental-stock-analysis-qanda-workflow/) می‌تواند شامل موارد زیر باشد: سؤال و پاسخ (کانکتور بازیاب) -> بازیاب حافظه برداری (کانکتور حافظه برداری) -> حافظه برداری Qdrant.
### استفاده از ابزار پرسش و پاسخ حافظه برداری برای پاسخگویی به سوالات
الگوی دیگری است که [ابزار پرسش و پاسخ حافظه برداری](/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.toolvectorstore) برای خلاصه کردن نتایج و پاسخ دادن به سوالات از نود حافظه برداری Qdrant استفاده می‌کند. در این حالت، این ابزار به طور مستقیم به عنوان یک ابزار فعالیت نمی‌کند بلکه برای خلاصه‌سازی داده‌های داخل حافظه برداری طراحی شده است.
جریان ارتباطات در این حالت: نماینده هوش مصنوعی (کانکتور ابزار) -> ابزار پرسش و پاسخ حافظه برداری (کانکتور حافظه برداری) -> حافظه برداری Qdrant.
## 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 دریافت چندین مورد
- نام مجموعه Qdrant: نام مجموعه Qdrant که می‌خواهید استفاده کنید را وارد کنید.
- پیشنهاد: عبارت جستجو را وارد کنید.
- محدودیت: تعداد نتایج موردنظر برای بازیابی از حافظه برداری را وارد کنید. مثلا این را بر روی
10 قرار دهید تا ده بهترین نتیجه را دریافت کنید.
این حالت عملیات شامل یک گزینه نود است، همانند فیلتر متادیتا.
پارامترهای وارد کردن مستندات
- نام مجموعه Qdrant: نام مجموعه Qdrant که می‌خواهید استفاده کنید را وارد کنید.
این حالت عملیات شامل یک گزینه نود است:
- پیکربندی مجموعه: گزینه‌های JSON برای ایجاد پیکربندی ساخت مجموعه Qdrant را وارد کنید. برای اطلاعات بیشتر، به مستندات مجموعه‌ها در Qdrant مراجعه کنید.
پارامترهای بازیابی مستندات (به عنوان حافظه برداری برای زنجیره/ابزار)
- مجموعه Qdrant: نام مجموعه Qdrant را وارد کنید.
این حالت عملیات شامل یک گزینه نود، فیلتر متادیتا است.
پارامترهای بازیابی مستندات (به عنوان ابزار برای نماینده هوش مصنوعی)
- نام: نام حافظه برداری.
- توضیحات: به LLM توضیح دهید این ابزار چه کاری انجام می‌دهد. یک توضیح خوب و مشخص، به LLM کمک می‌کند نتایج مورد انتظار را بیشتر تولید کند.
- مجموعه Qdrant: نام مجموعه Qdrant را وارد کنید.
- محدودیت: تعداد نتایج موردنظر برای بازیابی از حافظه برداری را وارد کنید. مثلا این را بر روی
10 قرار دهید تا ده بهترین نتیجه را دریافت کنید.
گزینه‌های نود
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.
| ## قالب‌ها و نمونه‌ها
<!-- ببینید 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/qdrant-vector-store/" target="_blank">Browse Qdrant Vector Store integration templates</a>, or <a href="https://n98n.ir/workflows/" target="_blank">search all templates</a></span>
## منابع مرتبط
برای اطلاعات بیشتر درباره سرویس، به [مستندات Qdrant در LangChain](https://js.langchain.com/integrations/vectorstores/qdrant){: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.
```