初次使用n8n與supabase串接vector

從YT上看到，於是就來實作看看。

Vector是向量，在應用上把「輸入」做成具有768或是1536個次元的向量。而我們在搜尋時，則會用輸入去轉換成向量，比較資料庫中的哪些向量最接近，然後回傳。

能把輸入資料變成向量的為embedding模型，而輸出的向量的次元數則取決於embedding模型。

如果初次使用supabase，想要作為向量資料庫，需要做一點操作。

以下使用到的API，皆為「免費」！請自行去其官網註冊帳號。

N8N架構

上半部為輸入進Supabase Vector Store中。

下半部為依據Supabase Vector Store去回答問題。

Enbeddings model使用HuggingFace，可以免費調用，模型使用「sentence-transformers/all-mpnet-base-v2」，這是sentence-transformers網站上顯示綜合效能最好的。 ※記得API Key需要勾選用途，不然預設沒勾的話，API是調不出來的。

此模型相關資訊如下

all-mpnet-base-v2
Description:	All-round model tuned for many use-cases. Trained on a large and diverse dataset of over 1 billion training pairs.
Base Model:	microsoft/mpnet-base
Max Sequence Length:	384
Dimensions:	768
Normalized Embeddings:	true
Suitable Score Functions:	dot-product (util.dot_score), cosine-similarity (util.cos_sim), euclidean distance
Size:	420 MB
Pooling:	Mean Pooling
Training Data:	1B+ training pairs. For details, see model card.
Model Card:	https://huggingface.co/sentence-transformers/all-mpnet-base-v2

Chat Model使用Groq，也是可以免費調用，模型並無特別指定，除了View模型外，請隨意使用。這種問答只需要能快速回答，所以我選擇8B模型。

一般來說，照著架構圖做，就能輕鬆搭建出來。

輸入資料我使用「生日」與一些資料，作為預先輸入到向量資料庫中。

Supabase

參考文章

https://community.n8n.io/t/supabase-vector-store-issue/34885/2

根據參考文章的提供的程式碼

Supabase一開始是沒有啟用embedding向量，在SQL Editor中，把以下輸入，就能一口氣完成。

會建立一個名為documents的資料表，到時到n8n中可以看到。

-- Enable the pgvector extension to work with embedding vectors
create extension vector;

-- Create a table to store your documents
create table documents (
  id bigserial primary key,
  content text, -- corresponds to Document.pageContent
  metadata jsonb, -- corresponds to Document.metadata
  embedding vector(768) -- 1536 works for OpenAI embeddings, change if needed
);

-- Create a function to search for documents
create function match_documents (
  query_embedding vector(1536),
  match_count int DEFAULT null,
  filter jsonb DEFAULT '{}'
) returns table (
  id bigint,
  content text,
  metadata jsonb,
  embedding jsonb,
  similarity float
)
language plpgsql
as $$
#variable_conflict use_column
begin
  return query
  select
    id,
    content,
    metadata,
    (embedding::text)::jsonb as embedding,
    1 - (documents.embedding <=> query_embedding) as similarity
  from documents
  where metadata @> filter
  order by documents.embedding <=> query_embedding
  limit match_count;
end;
$$;

完成後，照著n8n的Supabase串接API文件去完成n8n與Supabase串接。

測試

首先先把資料輸入到Supabase中，按下Supabase Vector Store的開始鍵，等待完成。

準備了三個問題，接著在對話欄依序輸入以下問題：

• JN的生日是？
• JN是什麼會員？
• JN的興趣是？

測試有依照輸入資料去回答，如果沒有搜尋到的就會回覆不知道。