Zep Vector Store Node#

Verwenden Sie den Zep Vector Store, um mit Zep-Vektordatenbanken zu interagieren. Sie können Dokumente in eine Vektordatenbank einfügen, Dokumente aus einer Vektordatenbank abrufen, Dokumente abrufen, um sie einem mit einer Kette verbundenen Retriever bereitzustellen, oder ihn direkt mit einem Agenten verbinden, um ihn als Tool zu verwenden.

Auf dieser Seite finden Sie die Node-Parameter für den Zep Vector Store Node sowie Links zu weiteren Ressourcen.

Credentials

Authentifizierungsinformationen für diesen Node finden Sie hier.

Examples and templates

Nutzungsbeispiele und Vorlagen, die Ihnen den Einstieg erleichtern, finden Sie auf der Seite Zep Vector Store Integrationen von Localmind Automate.

Parameter resolution in sub-nodes

Sub-nodes behave differently to other nodes when processing multiple items using an expression.

Most nodes, including root nodes, take any number of items as input, process these items, and output the results. You can use expressions to refer to input items, and the node resolves the expression for each item in turn. For example, given an input of five name values, the expression {{ $json.name }} resolves to each name in turn.

In sub-nodes, the expression always resolves to the first item. For example, given an input of five name values, the expression {{ $json.name }} always resolves to the first name.

Node-Nutzungsmuster#

Sie können den Zep Vector Store Node in den folgenden Mustern verwenden.

Verwendung als regulärer Node zum Einfügen, Aktualisieren und Abrufen von Dokumenten#

Sie können den Zep Vector Store als regulären Node verwenden, um Dokumente einzufügen oder abzurufen. Dieses Muster platziert den Zep Vector Store im regulären Verbindungsfluss, ohne einen Agenten zu verwenden.

Ein Beispiel hierfür finden Sie in Szenario 1 dieser Vorlage (das Beispiel verwendet Supabase, aber das Muster ist dasselbe).

Direkte Verbindung mit einem KI-Agenten als Tool#

Sie können den Zep Vector Store Node direkt mit dem Tool-Konnektor eines KI-Agenten verbinden, um den Vektorspeicher als Ressource bei der Beantwortung von Abfragen zu verwenden.

Hier wäre die Verbindung: KI-Agent (Tool-Konnektor) -> Zep Vector Store Node.

Verwenden eines Retrievers zum Abrufen von Dokumenten#

Sie können den Vector Store Retriever Node mit dem Zep Vector Store Node verwenden, um Dokumente vom Zep Vector Store Node abzurufen. Dies wird häufig mit dem Question and Answer Chain Node verwendet, um Dokumente aus dem Vektorspeicher abzurufen, die mit der gegebenen Chat-Eingabe übereinstimmen.

Ein Beispiel für den Verbindungsfluss (das Beispiel verwendet Pinecone, aber das Muster ist dasselbe) wäre: Question and Answer Chain (Retriever-Konnektor) -> Vector Store Retriever (Vector Store-Konnektor) -> Zep Vector Store.

Verwenden des Vector Store Question Answer Tool zum Beantworten von Fragen#

Ein anderes Muster verwendet das Vector Store Question Answer Tool, um Ergebnisse zusammenzufassen und Fragen vom Zep Vector Store Node zu beantworten. Anstatt den Zep Vector Store direkt als Tool zu verbinden, verwendet dieses Muster ein Tool, das speziell zum Zusammenfassen von Daten im Vektorspeicher entwickelt wurde.

Der Verbindungsfluss (dieses Beispiel verwendet Supabase, aber das Muster ist dasselbe) würde in diesem Fall wie folgt aussehen: KI-Agent (Tool-Konnektor) -> Vector Store Question Answer Tool (Vector Store-Konnektor) -> Zep Vector Store.

Node-Parameter#

Operation Mode#

This Vector Store node has four modes: Get Many, Insert Documents, Retrieve Documents (As Vector Store for Chain/Tool), and Retrieve Documents (As Tool for AI Agent). The mode you select determines the operations you can perform with the node and what inputs and outputs are available.

Get Many#

In this mode, you can retrieve multiple documents from your vector database by providing a prompt. The prompt will be embedded and used for similarity search. The node will return the documents that are most similar to the prompt with their similarity score. This is useful if you want to retrieve a list of similar documents and pass them to an agent as additional context.

Insert Documents#

Use Insert Documents mode to insert new documents into your vector database.

Retrieve Documents (As Vector Store for Chain/Tool)#

Use Retrieve Documents (As Vector Store for Chain/Tool) mode with a vector-store retriever to retrieve documents from a vector database and provide them to the retriever connected to a chain. In this mode you must connect the node to a retriever node or root node.

Retrieve Documents (As Tool for AI Agent)#

Use Retrieve Documents (As Tool for AI Agent) mode to use the vector store as a tool resource when answering queries. When formulating responses, the agent uses the vector store when the vector store name and description match the question details.

Parameter zum Einfügen von Dokumenten#

Collection Name: Geben Sie den Sammlungsnamen ein, in dem die Daten gespeichert werden sollen.

Get Many Parameter#

Collection Name: Geben Sie den Sammlungsnamen ein, aus dem die Daten abgerufen werden sollen.
Prompt: Geben Sie die Suchabfrage ein.
Limit: Geben Sie an, wie viele Ergebnisse aus dem Vektorspeicher abgerufen werden sollen. Setzen Sie dies beispielsweise auf 10, um die zehn besten Ergebnisse zu erhalten.

Parameter zum Abrufen von Dokumenten (als Vektorspeicher für Kette/Tool)#

Collection Name: Geben Sie den Sammlungsnamen ein, aus dem die Daten abgerufen werden sollen.

Parameter zum Abrufen von Dokumenten (als Tool für KI-Agenten)#

Name: Der Name des Vektorspeichers.
Description: Erklären Sie dem LLM, was dieses Tool macht. Eine gute, spezifische Beschreibung ermöglicht es LLMs, häufiger erwartete Ergebnisse zu erzielen.
Collection Name: Geben Sie den Sammlungsnamen ein, aus dem die Daten abgerufen werden sollen.
Limit: Geben Sie an, wie viele Ergebnisse aus dem Vektorspeicher abgerufen werden sollen. Setzen Sie dies beispielsweise auf 10, um die zehn besten Ergebnisse zu erhalten.

Node-Optionen#

Embedding-Dimensionen#

Muss beim Einbetten der Daten und beim Abfragen identisch sein.

Dies legt die Größe des Arrays von Gleitkommazahlen fest, das zur Darstellung der semantischen Bedeutung eines Textdokuments verwendet wird.

Lesen Sie mehr über Zep-Einbettungen in Zep's Embeddings Dokumentation.

Ist Automatisch Eingebettet#

Verfügbar im Insert Documents Operationsmodus, standardmäßig aktiviert.

Deaktivieren Sie diese Option, um Ihre Einbettungen in Zep anstelle von Localmind Automate zu konfigurieren.

Metadatenfilter#

Available in Get Many mode. When searching for data, use this to match with metadata associated with the document.

This is an AND query. If you specify more than one metadata filter field, all of them must match.

When inserting data, the metadata is set using the document loader. Refer to Default Data Loader for more information on loading documents.

AI glossary#

completion: Completions are the responses generated by a model like GPT.
hallucinations: Hallucination in AI is when an LLM (large language model) mistakenly perceives patterns or objects that don't exist.
vector database: A vector database stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.
vector store: A vector store, or vector database, stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.