مستندات نود ذخیره‌ساز وکتور Zep
از نود ذخیره‌ساز وکتور Zep برای تعامل با پایگاه‌های داده وکتور Zep استفاده کنید. می‌توانید مستندات را در یک پایگاه داده وکتور وارد کنید، مستندات را از آن دریافت کنید، مستندات را بازیابی کرده و به یک بازی‌ساز متصل شده در یک زنجیره ارائه دهید، یا آن را مستقیماً به یک نماینده متصل کنید تا به عنوان یک ابزار استفاده شود.
در این صفحه، پارامترهای نود برای نود ذخیره‌ساز وکتور Zep، و لینک‌هایی به منابع بیشتر را پیدا خواهید کرد.
جلوگیری‌کننده‌ها
اطلاعات اعتبارنامه برای این نود را اینجا می‌توانید بیابید.
نمونه‌ها و قالب‌ها
برای نمونه‌های استفاده و قالب‌هایی که به شما کمک می‌کنند شروع کنید، به صفحه یکپارچه‌سازی‌های Zep در n8n مراجعه 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 | ## الگوهای استفاده از نود
می‌توانید از نود ذخیره‌ساز وکتور Zep در الگوهای زیر استفاده کنید.
### استفاده به عنوان یک نود معمول برای وارد، به‌روزرسانی و بازیابی مستندات
می‌توانید از Zep Vector Store به عنوان یک نود معمول برای وارد کردن یا دریافت مستندات استفاده کنید. این الگو، Zep Vector Store را در مسیر ارتباط معمول قرار می‌دهد بدون استفاده از یک نماینده.
در نمونه این مورد را در سناریوی ۱ [این قالب](/workflows/2621-ai-agent-to-chat-with-files-in-supabase-storage/) مشاهده کنید (این نمونه از Supabase استفاده می‌کند، اما الگو همان است).
### کانکشن مستقیم به یک نماینده هوش مصنوعی به عنوان ابزار
می‌توانید نود Zep Vector Store را مستقیماً به کانکتور ابزار یک [نماینده هوش مصنوعی](/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent) متصل کنید تا از یک ذخیره‌ساز وکتور به عنوان منبع در پاسخ به پرسش‌ها استفاده نمایید.
در این حالت، کانکشن به صورت: نماینده هوش مصنوعی (کانکتور ابزار) -> نود ذخیره‌ساز وکتور Zep.
### استفاده از بازی‌ساز برای بازیابی مستندات
می‌توانید از نود [بازی‌ساز ذخیره‌ساز وکتور](/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.retrievervectorstore) همراه با نود Zep Vector Store برای بازیابی مستندات از این نود استفاده کنید. اغلب با نود [زنجیره پرسش و پاسخ](/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.chainretrievalqa) برای دریافت مستندات مطابق ورودی چت، ترکیب می‌شود.
یک [نمونه جریان کانکشن](https://n98n.ir/workflows/1960-ask-questions-about-a-pdf-using-ai/) (این نمونه از Pinecone استفاده می‌کند، اما الگو یکسان است)، می‌تواند این گونه باشد: زنجیره پرسش و پاسخ (کانکتور بازی‌ساز) -> بازی‌ساز ذخیره‌ساز وکتور (کانکتور وکتور استور) -> Zep Vector Store.
### استفاده از ابزار پرسش و پاسخ وکتور استور برای پاسخگویی به سوالات
الگوی دیگر، از [ابزار پرسش و پاسخ وکتور استور](/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.toolvectorstore) برای خلاصه‌سازی نتایج و ارائه پاسخ به سوالات از نود Zep Vector Store استفاده می‌کند. در این الگو، به جای کانکشن مستقیم Zep Vector Store به عنوان یک ابزار، از ابزاری خاص برای خلاصه‌سازی داده‌ها در درون وکتور استور بهره می‌برد.
جریان کانکشن [نمونه](/workflows/2621-ai-agent-to-chat-with-files-in-supabase-storage/) (این نمونه از Supabase استفاده می‌کند، اما الگو مشابه است): نماینده هوش مصنوعی (کانکتور ابزار) -> ابزار پرسش و پاسخ وکتور استور -> Zep Vector Store.
## 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 وارد کردن مستندات
- نام مجموعه: نام مجموعه‌ای که داده‌ها در آن ذخیره می‌شود را وارد کنید.
پارامترهای دریافت چندتایی
- نام مجموعه: نام مجموعه‌ای که قصد دارید داده‌ها را از آن بازیابی کنید را وارد نمایید.
- پیشنهاد: عبارت جستجو را وارد کنید.
- محدودیت: تعداد نتایج مورد نظر برای بازیابی از حافظه وکتور. به عنوان مثال، این را روی
10 قرار دهید تا ده بهترین نتیجه را دریافت کنید.
پارامترهای بازیابی مستندات (به عنوان حافظه وکتور برای زنجیره/ابزار)
- نام مجموعه: نام مجموعه‌ای که داده‌ها را از آن بازیابی می‌کنید وارد کنید.
پارامترهای بازیابی مستندات (به عنوان ابزار برای نماینده هوش مصنوعی)
- نام: نام حافظه وکتور.
- توضیحات: توضیح دهید که این ابزار چه کار می‌کند. یک توضیح خاص و مشخص به LLM کمک می‌کند نتایج مورد انتظار را بیشتر تولید کند.
- نام مجموعه: نام مجموعه‌ای که داده‌ها را از آن بازیابی می‌کنید وارد کنید.
- محدودیت: تعداد نتایج مورد نظر برای بازیابی از حافظه وکتور. برای مثال، این را روی
10 قرار دهید تا ده بهترین نتیجه را دریافت کنید.
گزینه‌های نود
ابعاد جاسازی
باید هنگام جاسازی داده‌ها و زمان سوال کردن یکسان باشد.
این پارامتر اندازه آرایه‌ای از اعداد اعشاری است که برای نشان دادن معنای مفهومی یک سند متنی استفاده می‌شود.
برای مطالعه بیشتر در مورد جاسازی‌های Zep، به مستندات جاسازی Zep مراجعه کنید.
آیا این به صورت خودکار جاسازی شده است
در حالت وارد کردن مستندات فعال است و به طور پیش‌فرض روشن است.
برای پیکربندی آن در Zep به جای n8n، این گزینه را خاموش کنید.
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
<!-- مشاهده 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/zep-vector-store/" target="_blank">Browse Zep 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 Zep در LangChain](https://js.langchain.com/integrations/vectorstores/zep/){:target=_blank .external-link} مراجعه کنید.
مشاهده مستندسازی [هوش مصنوعی پیشرفته] n98n در این قسمت.
|
واژگان مورد استفاده در هوش مصنوعی
- کامل‌شدن: پاسخ‌هایی هستند که توسط مدلی مانند GPT تولید می‌شوند.
- توهمات: توهم در هوش مصنوعی هنگامی است که یک مدل زبانی بزرگ (LLM) نادرست تصور می‌کند الگوها یا اشیائی وجود دارند که واقعاً وجود ندارند.
- پایگاه داده وکتور: پایگاه داده وکتور نمایه‌های ریاضی اطلاعات را ذخیره می‌کند. از آن در کنار جاسازی‌ها و بازیاب‌ها برای ساختن یک پایگاه داده که هوش مصنوعی شما می‌تواند هنگام پاسخگویی به سوالات به آن مراجعه کند، استفاده می‌شود.
- مخزن وکتور: مخزن وکتور، یا پایگاه داده وکتور، نمایه‌های ریاضی اطلاعات را ذخیره می‌کند. از آن در کنار جاسازی‌ها و بازیاب‌ها برای ساختن یک پایگاه داده که هوش مصنوعی شما می‌تواند هنگام پاسخگویی به سوالات به آن مراجعه کند، استفاده می‌شود.