n8n + pinecone + modelscope：知识库向量查询工作流实战
前言
在构建智能知识库系统时，如何快速实现语义检索是个核心问题。本文记录了使用 n8n 搭建知识库查询工作流的完整过程，采用 modelscope 生成文本向量，通过 pinecone 进行相似度检索，整个流程通过 webhook 对外提供 api 服务。
这套方案的优势在于无需编写后端代码，通过可视化节点编排就能实现企业级的向量检索服务，适合快速验证技术方案或为现有系统增加智能检索能力。
环境准备
需要提前准备以下资源：
n8n 实例：已部署并可通过域名访问（本文使用https://your-n8n-domain.com）ModelScope API：用于生成文本 Embedding，需要申请 API KeyPinecone 向量数据库：已创建索引，记录下 API URL 和 KeyAPI 密钥管理：准备一个用于验证请求来源的密钥（如 your-secret-api-key）确保 n8n 已配置好 Header Auth 凭证，分别添加 ModelScope 和 Pinecone 的认证信息。
工作流设计
整个查询流程分为五个核心环节：接收查询请求、验证身份、生成查询向量、执行向量检索、格式化返回结果。下面通过实际配置来展示每个节点的作用。
创建 Webhook 接收请求
在 n8n 中新建工作流，第一个节点选择 Webhook，配置如下关键参数：
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
HTTP 方法选择 POST，路径设置为 knowledge/query，这样生成的完整 URL 就是 https://your-n8n-domain.com/webhook/knowledge/query。需要注意的是，响应方式必须选择 "使用 Respond to Webhook 节点"，否则会在节点执行完就立即返回，无法控制最终的响应内容。
Webhook 验证选择 None，因为我们会在后续节点中手动验证 API Key，这样能更灵活地控制错误返回格式。
验证 API Key
为了防止接口被滥用，需要验证请求头中的密钥。添加一个 If 节点，从 Webhook 的输出中提取 x-api-key 请求头进行比对：
条件配置为：{{ $json.headers['x-api-key'] }} 等于 your-secret-api-key（替换为你自己的密钥）。如果验证失败，连接到一个 Respond to Webhook 节点返回 401 错误：
响应格式选择 JSON，内容设置为：
<code class="json">{ "error": "Unauthorized", "message": "无效的 API Key"}</code>响应代码填写 401。这样当密钥错误时，调用方能清晰地知道问题所在，而不是收到模糊的执行失败提示。
生成查询向量
验证通过后，需要调用 ModelScope 的 Embedding 接口，将用户的查询文本转换为向量。添加一个 HTTP Request 节点：
关键配置项：
URL：
https://api-inference.modelscope.cn/v1/embeddings认证方式：选择之前配置的 ModelScope API 凭证（Header Auth）请求体：<code class="json">{ "model": "Qwen/Qwen3-Embedding-0.6B", "input": "{{ $json.body.query }}", "encoding_format": "float"}</code>这里从 Webhook 请求体中提取 query 字段作为输入文本。ModelScope 会返回一个包含向量数组的 JSON 响应，数据嵌套在 data.data[0].embedding 路径下。
格式化查询参数
拿到向量后，需要转换成 Pinecone 接受的查询格式。添加一个 Code 节点，使用 JavaScript 处理数据：
<code class="javascript">const responseData = JSON.parse($input.first().json.data);const embedding = responseData.data[0].embedding;const topK = $('查询请求').first().json.body.top_k || 3;return [{ json: { vector: embedding, topK: topK, includeMetadata: true, includeValues: false }}];</code>这段代码做了三件事：解析 ModelScope 返回的数据、提取向量数组、构造 Pinecone 查询对象。topK 参数允许调用方指定返回结果数量，默认为 3。includeMetadata 设置为 true 可以拿到文档的元数据（文件名、分块索引、上传时间等），而 includeValues 设置为 false 能减少响应体积。
执行向量检索
添加 HTTP Request 节点调用 Pinecone 的查询接口：
配置 POST 请求到你的 Pinecone 索引地址，格式类似 https://your-index-name.svc.region.pinecone.io/query。请求体引用上一步的输出：
<code class="json">{ "vector": "{{ $json.vector }}", "topK": "{{ $json.topK }}", "includeMetadata": "{{ $json.includeMetadata }}", "includeValues": "{{ $json.includeValues }}"}</code>Pinecone 会返回最相似的 K 个文档，每个结果包含文档 ID、相似度得分和元数据。
格式化输出结果
Pinecone 的原始响应格式对前端不够友好，需要再次转换。添加 Code 节点：
<code class="javascript">const query = $('查询请求').first().json.body.query;const matches = $json.matches;// 格式化结果const results = matches.map(match => ({ content: match.metadata?.text || '', score: match.score, source: match.metadata?.source || 'unknown', chunkIndex: match.metadata?.chunkIndex || 0, uploadTime: match.metadata?.uploadTime || ''}));return [{ json: { success: true, query: query, results: results, total: results.length, timestamp: new Date().toISOString() }}];</code>这个转换的核心目的是提取必要字段、统一命名、增加业务标记（success、timestamp）。content 字段存储的是文档的文本内容，score 是相似度得分（0-1之间），source 标识文档来源文件名。
返回最终结果
最后添加 Respond to Webhook 节点，响应格式选择 JSON，内容直接引用上一步的输出：
<code class="json">{{ $json }}</code>这样客户端会收到一个结构清晰的 JSON 响应，包含查询词、匹配结果列表、总数和时间戳。
验证效果
保存并激活工作流后，通过 curl 测试查询接口：
<code class="bash">curl -X POST https://your-n8n-domain.com/webhook/knowledge/query \ -H "Content-Type: application/json" \ -H "x-api-key: your-secret-api-key" \ -d '{ "query": "测试", "top_k": 3 }'</code>成功后会返回类似这样的响应：
<code class="json">{ "success": true, "query": "测试", "results": [ { "content": "测试文档内容：这是一个简单的测试。", "score": 0.668823719, "source": "测试文档.txt", "chunkIndex": 0, "uploadTime": "2025-10-27T13:10:49.807Z" } ], "total": 3, "timestamp": "2025-11-03T14:14:14.248Z"}</code>
从 n8n 的执行记录可以看到，所有节点都成功执行，响应时间在可接受范围内。相似度得分 0.67 说明找到了较为相关的内容，如果得分低于 0.5 通常意味着查询与知识库内容关联不强。
总结
通过 n8n 搭建向量检索服务的过程相当直观，核心在于理解数据在各个节点间的流转和转换。Webhook 负责接收请求并控制响应时机，If 节点用于权限控制和流程分支，HTTP Request 节点调用外部服务，Code 节点则处理复杂的数据转换逻辑。这套流程不仅适用于知识库查询，稍作调整就能扩展到文档上传、批量检索、智能推荐等场景，关键是把握好每个环节的输入输出格式。
