Nodurile de Vector Store din n8n conectează agenții conversaționali și fluxurile automate la motoare avansate de căutare vectorială precum Qdrant, Supabase (pgvector), Pinecone sau Milvus. Nodul operează în două moduri fundamentale: Ingest (scriere) și Retrieve (căutare).
În modul Retrieve, nodul Vector Store funcționează ca o ‘unealtă’ (Tool) pentru nodul principal AI Agent. Atunci când utilizatorul pune o întrebare pe canalul de Telegram al companiei, agentul convertește întrebarea într-un vector prin nodul de Embeddings, interoghează baza vectorială pentru primele 3-5 fragmente cele mai similare și generează răspunsul bazat pe fapte reale.
Spre deosebire de scripturile rigide de programare, n8n permite vizualizarea grafică a scorurilor de similitudine cosinus și a metadatelor asociate fiecărui fragment returnat, facilitând depanarea instantanee a răspunsurilor incorecte.
Sintaxă, opțiuni și concepte cheie
| Opțiune / Concept | Descriere practică |
|---|---|
Vector Store Ingest |
Modul de operare prin care fragmentele de text sunt convertite în vectori și salvate în colecție. |
Vector Store Tool |
Modul prin care baza de date devine un instrument apelabil de către un LLM Agent. |
Top-K Results |
Numărul maxim de documente relevante extrase la fiecare interogare (uzual 3-7). |
Similarity Metric |
Formula matematică de calcul a distanței: Cosine, Dot Product sau Euclidean. |
Metadata Filtering |
Filtre avansate aplicate pe atribute (ex. `department == ‘legal’ AND year == 2025`). |
Exemple practice și configurații
Exemplul 1: Workflow n8n de asistent de suport conectat la baza de cunoștințe Qdrant
Cum apelează agentul nodul vectorial când primește un tichet de suport.
[Webhook Tichet Intrare]
│
▼
[AI Agent (OpenAI / Claude)]
├── [Embeddings: text-embedding-3-small]
└── [Tool: Qdrant Vector Store]
• Collection: 'knowledge_base_v2'
• Top-K: 4
• Filter: status = 'active'
│
▼
[Slack Reply Node: Trimite rezoluția către client]Rezultat & Impact
Răspunsuri precise extrase direct din documentația oficială cu zero halucinații.Greșeli frecvente și bune practici
- Utilizarea unui model de embedding diferit la salvare față de cel folosit la căutare (ex. salvare cu Ada-002 și căutare cu text-embedding-3), ceea ce corupe complet căutarea.
- Neglijarea indexării pe metadate în baze mari, încetinind căutarea când colecția depășește sute de mii de vectori.