Databricks Vector Store în n8n & Automatizări AI

Databricks Vector Store
  Operation Mode: Get Many | Insert Documents | Retrieve Documents (As Vector Store for Chain/Tool) | Retrieve Documents (As Tool for AI Agent)
  Sub-noduri: Embedding (obligatoriu), Document (la Insert Documents)

Ce face Databricks Vector Store

Databricks Vector Store caută în indexurile Databricks Vector Search și inserează în indexurile Direct Access. Indexurile Delta Sync sunt doar pentru citire: rândurile se adaugă în tabelul sursă. Nodul acceptă doar credențiala Databricks OAuth2 API, nu și tokenuri personale, și este în previzualizare din n8n 2.45.0.

Toate modurile cer un sub-nod Embeddings Databricks. La un index cu embeddings gestionate de Databricks, nodul trimite textul ca query_text și nu cheamă embeddings-ul; la un index cu vectori proprii, embeddings-ul calculează vectorii, deci trebuie să fie același model și aceeași dimensiune ca la crearea indexului.

Indexul se alege din listă sau după numele complet catalog.schema.index. Search Mode este Vector (implicit, ANN) sau Hybrid (adaugă potrivirea pe cuvinte, cel mult 200 de rezultate). Nu există prag de scor: doar Limit controlează numărul de rezultate.

Sintaxă și opțiuni

Opțiune / Parametru	Descriere
Operation Mode	Unul din cele patru moduri: Get Many, Insert Documents, Retrieve Documents (As Vector Store for Chain/Tool) și Retrieve Documents (As Tool for AI Agent). Modul decide intrările și ieșirile nodului.
Rerank Results	Activează reordonarea rezultatelor. Trebuie conectat un nod de reranking, de exemplu Reranker Cohere. Merge în modurile Get Many și cele două moduri Retrieve Documents.
Index	Din listă sau după nume complet catalog.schema.index. La Insert Documents apar doar indexurile Direct Access.
Content Column	Coloana care devine textul documentului (pageContent).
Embedding Batch Size	La Insert Documents: câte documente se trimit într-o cerere de embeddings. Implicit 200.
Include Metadata	Include metadatele în ieșire. Implicit pornit.
Prompt	Doar în Get Many: textul căutării. Este transformat în vector și folosit pentru căutarea de similaritate.
Limit	Câte rezultate se întorc (de exemplu 10 pentru cele mai bune zece). În Get Many și As Tool for AI Agent.
Name / Description	Doar în As Tool for AI Agent: numele bazei și descrierea pentru model. O descriere precisă ajută agentul să aleagă unealta la momentul potrivit.
Metadata Columns	Coloanele întoarse ca metadate. Implicit toate, fără cheia primară, conținut și vector.
Search Mode	Vector (implicit) sau Hybrid.
Metadata Filter	Obiect JSON trimis ca filters_json, de exemplu {"year >=": 2025}. Doar pe endpoint-uri Standard.

Exemple practice

Exemplul 1: Configurare ca unealtă pentru agent

Operation Mode: Retrieve Documents (As Tool for AI Agent)
Description: Company handbook. Use it for any question about internal policies and processes.
Index: main.docs.handbook_index
Limit: 4

Exemplul 2: Legături posibile (din documentație)

Nodul se poate folosi direct ca unealtă, printr-un retriever sau prin Vector Store Question Answer Tool.

AI Agent (Tool) -> Databricks Vector Store
Question and Answer Chain (Retriever) -> Vector Store Retriever (Vector Store) -> Databricks Vector Store
AI Agent (Tool) -> Vector Store Question Answer Tool (Vector Store) -> Databricks Vector Store

Greșeli frecvente și bune practici

• Folosești alt model de embeddings la inserare decât la căutare. Vectorii trebuie să aibă aceeași dimensiune și să provină din același model.
• Inserezi într-un index Delta Sync. Nodul se oprește înainte de scriere; folosește un index Direct Access.
• Rulezi din nou inserarea cu documente fără id. Rândurile primesc chei aleatorii și se dublează.
• Scrii o expresie care se referă la mai multe elemente de intrare. În sub-noduri, expresia se rezolvă mereu pentru primul element.

Comenzi înrudite

• vector-store-node-n8n
• embeddings-openai-ollama-n8n
• document-loader-text-splitter-n8n
• retrievers-n8n
• databricks-ai-agent-n8n