Steg 2: Anslut Qdrant och lagringstjänster

Dessa noder skapar er Qdrant-collection och ansluter till Google Cloud Storage för att hitta bilder.

1. Öppna Qdrant Config Vars och ställ in qdrantCloudURL till =https://[YOUR_ID].eu-central-1-0.aws.cloud.qdrant.io.
2. Ställ in collectionName till =agricultural-crops.
3. Ställ in VoyageEmbeddingsDim till 1024 och batchSize till 4.
4. Öppna Verify Collection Presence och behåll URL:en som ={{ $json.qdrantCloudURL }}/collections/{{ $json.collectionName }}/exists.
5. Inloggningsuppgifter krävs: Anslut era qdrantApi-credentials i Verify Collection Presence.
6. Öppna Initialize Qdrant Collection och behåll Method som PUT med JSON body satt till ={{ { "vectors": { "voyage": { "size": $('Qdrant Config Vars').first().json.VoyageEmbeddingsDim, "distance": "Cosine" } } } }}.
7. Inloggningsuppgifter krävs: Anslut era qdrantApi-credentials i Initialize Qdrant Collection.
8. Öppna Create Crop Payload Index och behåll Method som PUT med JSON body ={ "field_name": "crop_name", "field_schema": "keyword" }.
9. Inloggningsuppgifter krävs: Anslut era qdrantApi-credentials i Create Crop Payload Index.
10. Öppna Retrieve Cloud Storage Objects och ställ in Bucket Name till n8n-qdrant-demo, Return All till true och Prefix till agricultural-crops.
11. Inloggningsuppgifter krävs: Anslut era googleCloudStorageOAuth2Api-credentials i Retrieve Cloud Storage Objects.

Steg 3: Konfigurera mappning och filtreringslogik

Dessa noder formar cloud storage-objekt till Qdrant-klara poster och tar bort oönskade grödor.

1. Öppna Map Qdrant Fields och ställ in publicLink till =https://storage.googleapis.com/{{ $json.bucket }}/{{ $json.selfLink.split('/').splice(-1) }}.
2. Ställ in cropName till ={{ $json.id.split('/').slice(-3, -2)[0].toLowerCase()}} i Map Qdrant Fields.
3. Öppna Exclude Tomato Records och behåll villkoret cropName notEquals tomato med ={{ $json.cropName }}.

Steg 4: Sätt upp batchbearbetning och embeddings

Dessa noder batchar bilderna, lägger till UUID:er och förbereder payloads för embedding och uppladdning.

1. Öppna Batch Splitter with UUIDs och behåll Python-koden som använder batch_size = int(_('Qdrant Config Vars').first()['json']['batchSize']) för att dela upp poster.
2. Öppna Format API Batches och ställ in batchVoyage till ={{ $json.batch.map(item => ({ "content": ([{"type": "image_url", "image_url": item["publicLink"]}])}))}}.
3. Ställ in batchPayloadQdrant till ={{ $json.batch.map(item => ({"crop_name":item["cropName"], "image_path":item["publicLink"]})) }}.
4. Ställ in uuids till ={{ $json.uuids }}.

Steg 5: Konfigurera embedding och uppladdning till Qdrant

Generera image embeddings och ladda upp vektordatan till Qdrant.

1. Öppna Generate Image Embeddings och ställ in URL till https://api.voyageai.com/v1/multimodalembeddings med Method POST.
2. Behåll JSON body som ={{ { "inputs": $json.batchVoyage, "model": "voyage-multimodal-3", "input_type": "document" } }}.
3. Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-credentials i Generate Image Embeddings.
4. Öppna Upload Batch to Qdrant och behåll Method PUT med JSON body ={{ { "batch": { "ids" : $('Format API Batches').item.json.uuids, "vectors": {"voyage": $json.data.map(item => item["embedding"]) }, "payloads": $('Format API Batches').item.json.batchPayloadQdrant } } }}.
5. Inloggningsuppgifter krävs: Anslut era qdrantApi-credentials i Upload Batch to Qdrant.

Steg 6: Testa och aktivera ert workflow

Kör ett manuellt test för att verifiera att collections skapas, embeddings genereras och att points infogas i Qdrant.

1. Klicka på Execute Workflow för att trigga Manual Launch Trigger.
2. Bekräfta att Verify Collection Presence returnerar true eller att Initialize Qdrant Collection och Create Crop Payload Index körs utan fel.
3. Kontrollera att Generate Image Embeddings har en giltig data-array och att Upload Batch to Qdrant ger ett lyckat svar.
4. När allt är validerat, slå på workflowet till Active för användning i produktion.