n8n-nodes-zilliz

n8n社区节点包，用于连接Zilliz向量数据库云服务，专为AI Agent和RAG应用设计。

🚀 功能特性

基础向量操作

• 向量插入: 将向量数据插入到Zilliz集合中
• 向量搜索: 基于相似度搜索向量数据
• 向量查询: 使用过滤条件查询向量数据
• 集合管理: 创建、列出和管理向量集合

🎯 RAG 知识库构建

• 文档清洗: 自动清理HTML标签、标准化文本格式
• 智能分块: 支持可配置的文本分块策略，保持语义完整性
• 向量化存储: 批量处理文档，保存向量和元数据
• 语义检索: 高效的相似度搜索和结果过滤
• AI Agent集成: 为AI Agent优化的上下文格式化输出

技术特性

• 完全兼容: 支持Zilliz Cloud的RESTful API
• 批量处理: 支持大规模数据的高效处理
• 错误处理: 完善的错误处理和重试机制
• 类型安全: 完整的TypeScript类型定义

安装

npm install n8n-nodes-zilliz

配置

凭证设置

1. 在n8n中创建新的凭证
2. 选择 "Zilliz Cloud API"
3. 填入以下信息：
   • API Key: 您的Zilliz Cloud API密钥
   • Cluster Endpoint: 您的集群端点URL (例如: https://your-cluster-id.api.region.zillizcloud.com)

获取凭证信息

1. 登录 Zilliz Cloud控制台
2. 创建或选择一个集群
3. 在API Keys页面生成API密钥
4. 从集群详情页面复制集群端点URL

节点说明

1. Zilliz Vector Store Insert

用途: 向Zilliz集合中插入向量数据

配置参数:

• Database Name: 数据库名称 (默认: default)
• Collection Name: 集合名称
• Options:
  • Clear Collection: 插入前是否清空集合
  • Text Field: 文本字段名称 (默认: text)
  • Vector Field: 向量字段名称 (默认: vector)
  • Metadata Fields: 额外的元数据字段

输入数据格式:

{
  "vector": [0.1, 0.2, 0.3, 0.4, 0.5],
  "text": "示例文本内容",
  "category": "技术",
  "timestamp": "2024-01-01"
}

2. Zilliz Vector Store Load

用途: 从Zilliz集合中搜索和加载向量数据

配置参数:

• Database Name: 数据库名称
• Collection Name: 集合名称
• Query Vector: 查询向量 (JSON数组或字段引用)
• Top K: 返回结果数量
• Options:
  • Filter Expression: 过滤表达式
  • Output Fields: 输出字段
  • Score Threshold: 相似度阈值

查询向量格式:

[0.1, 0.2, 0.3, 0.4, 0.5]

或使用字段引用:

{{$json.embedding}}

3. Zilliz Vector Store

用途: 综合向量数据库操作节点

支持操作:

• Insert Vectors: 插入向量
• Search Vectors: 搜索向量
• Query Vectors: 查询向量
• Delete Vectors: 删除向量
• Create Collection: 创建集合
• List Collections: 列出集合

4. Zilliz Vector Store RAG 🎯

用途: 专为RAG（检索增强生成）应用设计的综合节点，支持完整的知识库构建和检索流程

主要操作:

createKnowledgeBase - 创建知识库

创建优化的向量集合用于存储文档知识库

{
  "operation": "createKnowledgeBase",
  "embeddingSettings": {
    "dimension": 1536,
    "metricType": "COSINE"
  }
}

processAndStore - 文档处理和存储

对文档进行清洗、分块、向量化并存储到知识库

{
  "operation": "processAndStore",
  "contentField": "content",
  "titleField": "title",
  "textProcessing": {
    "cleanText": true,
    "removeHtml": true,
    "chunkSize": 1000,
    "chunkOverlap": 200,
    "minChunkSize": 50
  }
}

semanticSearch - 语义搜索

基于向量相似度进行语义搜索

{
  "operation": "semanticSearch",
  "queryText": "用户问题",
  "queryVector": "[0.1, 0.2, ...]",
  "searchOptions": {
    "maxResults": 5,
    "similarityThreshold": 0.7,
    "includeMetadata": true
  }
}

queryWithContext - AI Agent上下文查询

为AI Agent优化的上下文格式化输出

{
  "operation": "queryWithContext",
  "queryText": "AI Agent查询",
  "searchOptions": {
    "maxResults": 3,
    "similarityThreshold": 0.8
  }
}

RAG工作流示例:

1. 文档 → Embedding节点 → RAG processAndStore
2. 用户查询 → Embedding节点 → RAG queryWithContext → AI Agent

详细使用指南请参考: RAG_GUIDE.md

使用示例

示例1: 文档向量化存储

1. Document → Text Splitter → Embeddings → Zilliz Insert
   • 文档分割成块
   • 生成向量嵌入
   • 存储到Zilliz

示例2: 语义搜索

1. HTTP Request → Embeddings → Zilliz Load
   • 接收用户查询
   • 生成查询向量
   • 搜索相似内容

示例3: RAG应用

1. User Input → Embeddings → Zilliz Load → LLM
   • 用户输入
   • 向量搜索相关文档
   • 结合上下文生成回答

过滤表达式

支持Zilliz的过滤语法:

// 数值过滤
"id > 100 and id < 1000"

// 字符串过滤
"category == 'technology'"

// 组合过滤
"score > 0.8 and category in ['tech', 'science']"

// 元数据过滤
"$meta['custom_field'] == 'value'"

故障排除

常见错误

1. 连接错误: 检查API密钥和端点URL是否正确
2. 集合不存在: 确保集合已创建或使用Create Collection操作
3. 向量维度不匹配: 确保输入向量维度与集合定义一致
4. 权限错误: 确保API密钥有足够权限

调试技巧

1. 启用节点的"Continue on Fail"选项查看详细错误
2. 使用List Collections操作验证连接
3. 检查向量数据格式是否正确

版本历史

v0.2.5

• 初始版本发布
• 支持基本的CRUD操作
• 集成Zilliz Cloud RESTful API

贡献

欢迎提交Issue和Pull Request到项目仓库。

许可证

MIT License

相关链接

• Zilliz Cloud官网
• Zilliz API文档
• n8n社区节点文档