n8n Qdrant 安裝教學｜向量資料庫社群節點完整設定指南

📥 工作流 JSON 下載：GitHub 範例庫 ｜ 💬 社群討論：Skool 雲端方程式 Cloud F1

專業導讀

你有沒有遇過這種情況？想用 n8n 建立 RAG 知識庫系統，但卡在不知道怎麼安裝向量資料庫？或是看到 Qdrant、Pinecone、Weaviate 一堆選擇，不知道該從哪個開始？

今天要跟大家分享的是 n8n 整合 Qdrant 向量資料庫的完整安裝教學。我會帶你從 Qdrant Cloud 免費註冊開始，一步步完成社群節點安裝、API Key 設定、權限配置，最後實際跑一個發票檢索的 RAG 應用，讓你真正理解整個流程。

這個教學最大的特色是從基礎建設講到實戰應用。很多人只教你安裝，但不告訴你為什麼要這樣設定、權限該怎麼配置、向量維度該選多少。我會把這些眉角都講清楚，讓你不只會裝，還能真正用起來。

你將學到

• ✅ Qdrant 向量資料庫基礎概念 — 為什麼 RAG 需要向量資料庫，Qdrant 的核心優勢
• ✅ Qdrant Cloud 免費註冊與 Cluster 建立 — 從零開始建立你的第一個向量資料庫
• ✅ n8n 社群節點安裝驗證 — 手把手完成節點安裝與連接測試
• ✅ API Key 與權限設定實戰 — 避開新手最容易踩的權限陷阱
• ✅ 完整 RAG 工作流範例 — 發票上傳、向量化、檢索的端到端流程
• ✅ 向量維度選擇與 Collection 管理 — 實務上的資料庫設計考量

---

🎯 什麼是 Qdrant？

Qdrant 是一個開源向量資料庫，專為 AI 語義搜尋與 RAG 應用設計。它能將文字轉換成高維向量並儲存，讓 AI 透過「語義相似度」而非「關鍵字精確匹配」來搜尋知識，是打造智能知識庫的核心基礎建設。

簡單來說，傳統資料庫就像圖書館的索引卡，你要知道確切的書名才能找到書。向量資料庫則像是一個超級聰明的圖書館員，你只要說「我想找關於自動化發票處理的內容」，它就能理解你的意圖，找出所有相關的資料，即使這些資料的用詞完全不同。

Qdrant 的核心特色

特色	說明	實務價值
開源免費	可自架或使用雲端服務	小團隊可以免費起步，企業可以自架保護資料隱私
高效搜尋	毫秒級向量相似度檢索	即時回應使用者查詢，使用體驗接近真人客服
多模態支援	文字、圖片、音訊向量	不只文字，未來可以做圖片搜尋、語音檢索
彈性部署	Docker、Kubernetes、Cloud	從個人開發到企業級應用都能支援
Rust 開發	記憶體安全、效能優異	長時間運行也很穩定，資源消耗比 Python 系資料庫低

Qdrant 在 RAG（Retrieval-Augmented Generation）架構中扮演的角色，就是很像核電廠。你把電廠先打好，你的民生設施就會 OK。向量資料庫建好了，後面的 AI Agent、知識問答、語義搜尋才能順利運作。

---

💡 Alex 的觀察

我在 Skool 社群裡輔導了超過 500 位學員建立自動化系統，發現大家在選擇向量資料庫時最常問的三個問題是：

1. 為什麼選 Qdrant 而不是 Pinecone 或 Weaviate？

我的觀察是這樣：Pinecone 確實很強大，但付費門檻較高，免費版限制比較多。Weaviate 功能豐富，但對新手來說學習曲線比較陡。Qdrant 的甜蜜點在於「免費額度夠用、安裝簡單、n8n 社群支援完整」。

如果你是個人開發者或小團隊，Qdrant Cloud 的免費方案提供 1GB 儲存空間，大約可以存 10 萬筆向量資料（使用 OpenAI text-embedding-3-small 模型）。這個額度對初學者來說非常夠用，你可以跑完整個 RAG 學習曲線，確認需求後再決定要不要升級或自架。

2. 社群節點穩定嗎？會不會有相容性問題？

這是很實際的問題。n8n 官方的確沒有內建 Qdrant 節點，我們需要透過社群節點 n8n-nodes-qdrant 來整合。我自己用了半年多，目前沒遇到太大問題，但有幾個建議：

• 安裝時記得固定版本號，避免自動更新導致工作流失效
• 重要工作流要做備份，社群節點更新速度不一定跟得上 n8n 主版本
• 權限設定要正確，這是新手最容易卡關的地方（後面會詳細講）

坦白說，如果你是企業級應用且對穩定性要求極高，可能要考慮自己開發客製化節點或使用官方支援的 Pinecone。但對大部分學習與中小型專案來說，社群節點已經足夠穩定。

3. 自架還是用雲端？成本怎麼算？

這個問題我在課程裡也常被問到。我的建議是：

初學者：先用 Qdrant Cloud（免費） → 可以專注在學習 RAG 概念，不用花時間處理 Docker、資源監控這些基礎建設。

進階開發：自架 Qdrant（Docker） → 當你的向量資料超過 1GB，或有資料隱私需求時，用 Docker 自架成本更低。一台 4GB RAM 的 VPS 就能跑起來。

企業應用：Qdrant Cloud 付費或 Kubernetes 自架 → 如果是生產環境且需要高可用性，建議使用 Qdrant Cloud 的付費方案（按使用量計費）或在 K8s 上自架搭配監控系統。

我自己目前是混合使用：開發環境用 Cloud 免費版快速測試，生產環境自架在自己的伺服器上保護客戶資料。基本上算是無痛升級，因為 API 完全一樣，只要改 Endpoint 就能切換。

---

🔧 Step-by-Step 安裝教學

接下來我們馬上來講一下完整的安裝流程。我會把每個步驟都截圖說明，確保你不會漏掉任何細節。

Step 1: Qdrant Cloud 註冊與 Cluster 建立

1.1 註冊 Qdrant Cloud 帳號

前往 Qdrant Cloud 官網，點擊「Sign Up」註冊。你可以使用 GitHub、Google 或 Email 註冊，整個過程不到 2 分鐘。

重要提醒： 註冊時不需要信用卡，免費方案可以直接使用。

1.2 建立第一個 Cluster

登入後，點擊「Create Cluster」。這裡有幾個關鍵設定：

設定項目	選擇建議	說明
Cluster 名稱	自訂（例如：n8n-rag-test）	方便辨識用途，之後可以改
Region	AWS US-East-1（預設）	免費方案只有美國區域可選
Plan	Free Tier	1GB 儲存空間，足夠學習使用
Version	Latest（自動）	使用最新穩定版本

點擊「Create」後，等待約 30 秒，你的向量資料庫就建立完成了！

1.3 取得 API Key 與 Cluster URL

Cluster 建立後，進入 Cluster 管理頁面，你會看到兩個關鍵資訊：

1. Cluster URL：https://xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx.us-east-1-0.aws.cloud.qdrant.io:6333
2. API Key：點擊「Show API Key」可以看到

安全提醒： API Key 就像密碼，不要分享給其他人。如果不小心洩漏，可以在這裡重新生成新的 Key。

複製這兩個資訊，我們等等會在 n8n 裡設定。

---

Step 2: n8n 安裝 Qdrant 社群節點

2.1 確認你的 n8n 環境

首先確認你的 n8n 是用什麼方式部署的：

• Docker 部署：需要進入容器內安裝
• npm 全域安裝：可以直接在終端機安裝
• n8n.cloud 託管：無法安裝社群節點（限制）

如果你是用 Docker 部署（大部分人的選擇），執行以下指令進入容器：

# 找到你的 n8n 容器名稱
docker ps

# 進入容器
docker exec -it n8n /bin/sh

2.2 安裝社群節點

在 n8n 容器內（或你的終端機），執行以下指令：

# 安裝 Qdrant 社群節點
npm install n8n-nodes-qdrant

# 確認安裝成功
npm list n8n-nodes-qdrant

你應該會看到類似這樣的輸出：

n8n-nodes-qdrant@1.x.x

2.3 重啟 n8n

安裝完成後，必須重啟 n8n 才能載入新節點：

# 離開容器
exit

# 重啟 n8n 容器
docker restart n8n

等待約 10-15 秒，n8n 重新啟動完成。

2.4 驗證節點已載入

打開 n8n 網頁介面，在左側節點面板搜尋「Qdrant」，你應該會看到幾個新節點：

• Qdrant Vector Store — 向量儲存操作
• Qdrant Retriever — 向量檢索操作
• Qdrant Document Store — 文件管理操作

如果看到這些節點，代表安裝成功！

---

Step 3: 設定 Qdrant Credentials

3.1 建立新的認證

在任一 Qdrant 節點中，點擊「Credential to connect with」旁的下拉選單，選擇「Create New」。

3.2 填寫連接資訊

欄位	填寫內容	範例
Name	自訂名稱（方便辨識）	Qdrant Cloud RAG
URL	Cluster URL（從 Step 1.3 複製）	https://xxx.aws.cloud.qdrant.io:6333
API Key	API Key（從 Step 1.3 複製）	ey_xxxxxxxxxxxxxxxx

常見錯誤：

• URL 忘記加 :6333 埠號 → 會連線失敗
• API Key 複製時多了空格 → 會驗證失敗
• 使用 HTTP 而非 HTTPS → 免費版必須用 HTTPS

填寫完成後點擊「Save」。

3.3 測試連線

建立一個簡單的工作流來測試連線是否成功：

1. 新增「Manual Trigger」節點
2. 新增「Qdrant Vector Store」節點
3. 選擇 Operation：「List Collections」
4. 選擇剛才建立的 Credentials
5. 點擊「Execute Node」

如果連線成功，你會看到：

{
  "collections": []
}

這代表連線正常，目前還沒有任何 Collection（資料集）。

---

Step 4: 建立第一個 Collection

Collection 就像傳統資料庫的「資料表」，你需要先建立 Collection 才能存入向量資料。

4.1 決定向量維度

這是很多人卡關的地方。向量維度必須與你使用的 Embedding 模型一致：

Embedding 模型	向量維度	建議使用場景
OpenAI text-embedding-3-small	1536	通用場景，成本低
OpenAI text-embedding-3-large	3072	需要更高精確度
Cohere embed-multilingual-v3.0	1024	多語言支援較好
OpenAI text-embedding-ada-002（舊版）	1536	舊系統相容

我建議初學者使用 OpenAI text-embedding-3-small（1536 維度），性價比最高。

4.2 在 Qdrant Cloud 建立 Collection

回到 Qdrant Cloud 管理介面：

1. 進入你的 Cluster
2. 點擊「Collections」頁籤
3. 點擊「Create Collection」
4. 填寫設定：
   • Collection Name: invoices（範例：發票資料）
   • Vector Size: 1536
   • Distance: Cosine（向量相似度計算方式）
5. 點擊「Create」

Distance 選項說明：

• Cosine — 適合文字語義比對（最常用）
• Euclidean — 適合數值資料
• Dot Product — 適合已正規化的向量

4.3 設定權限（新手魔王關）

這是我看到最多人卡住的地方。Qdrant Cloud 預設會開啟 API Key 驗證，但如果你的 API Key 權限設定錯誤，n8n 就會一直回傳「Unauthorized」錯誤。

檢查步驟：

1. 在 Qdrant Cloud 進入「API Keys」頁面
2. 確認你使用的 API Key 狀態是「Active」
3. 確認權限設定包含：
   • ✅ Read Access
   • ✅ Write Access
   • ✅ Admin Access（如果要刪除 Collection）

如果權限不對，點擊「Edit」重新設定，或刪除重建新的 API Key。

---

Step 5: 實戰範例 — 發票檢索 RAG 工作流

現在我們來建立一個完整的 RAG 工作流，實際體驗從文件上傳到向量檢索的整個流程。

5.1 工作流架構

上傳發票文字 → 切分段落 → OpenAI Embedding → 存入 Qdrant
                                                    ↓
使用者問題 → OpenAI Embedding → Qdrant 檢索 → 傳給 AI → 回答

5.2 節點配置清單

節點名稱	功能	關鍵設定
Manual Trigger	手動觸發	無
Code	準備發票文字	模擬上傳多張發票資料
OpenAI Embeddings	文字向量化	模型：text-embedding-3-small
Qdrant Vector Store	存入向量	Operation: Insert，Collection: invoices
HTTP Request	模擬問題輸入	POST 方式觸發查詢
OpenAI Embeddings	問題向量化	同上
Qdrant Vector Store	檢索相似文件	Operation: Search，Limit: 3
OpenAI Chat	AI 生成答案	模型：gpt-4，使用檢索結果作為 context

5.3 測試與驗證

執行工作流後，你應該能看到：

1. 向量資料成功寫入 Qdrant（檢查 Qdrant Cloud 介面，Collection 的 Vectors Count 會增加）
2. 檢索結果回傳最相關的 3 筆發票資料
3. AI 根據檢索到的發票內容，準確回答使用者問題

完整範例程式碼與模板下載： GitHub Repo

---

📊 比較分析：Qdrant vs 其他向量資料庫

如果你還在猶豫要選哪個向量資料庫，這張表可以幫你快速決策：

特性	Qdrant	Pinecone	Weaviate	Chroma
開源	✅ 是	❌ 否	✅ 是	✅ 是
免費額度	1GB	100萬向量	無限（自架）	無限（本地）
n8n 社群節點	✅ 有	✅ 有	❌ 無	❌ 無
自架難度	中等（Docker）	不支援	中等（Docker）	簡單（pip install）
效能（QPS）	10k+	50k+	5k+	1k+
適合場景	中小型專案、學習	企業級應用	複雜查詢	本地開發
價格透明度	高	中	高（自架）	高

我的建議：

• 學習與原型開發 → Qdrant Cloud 免費版
• 生產環境小流量 → Qdrant 自架（成本最低）
• 企業級大流量 → Pinecone（穩定性最好，但貴）
• 本地測試 → Chroma（安裝最快）

---

✅ 重點整理

1. Qdrant 是 RAG 系統的核心基礎建設，就像核電廠，打好地基後面才順
2. 免費版 1GB 額度足夠學習使用，大約可存 10 萬筆向量（使用 text-embedding-3-small）
3. 社群節點安裝三步驟：npm install → 重啟 n8n → 驗證節點載入
4. API Key 權限設定是新手最容易卡住的地方，務必確認 Read/Write/Admin 權限都開啟
5. 向量維度必須與 Embedding 模型一致，text-embedding-3-small = 1536 維度
6. Distance 選擇 Cosine，適合大部分文字語義比對場景
7. Collection 就像資料表，需要先建立才能存入向量
8. 完整 RAG 工作流包含五個階段：文字輸入 → 向量化 → 存儲 → 檢索 → AI 生成答案

---

❓ 常見問題 FAQ

Q1: Qdrant 要自架還是用雲端？成本怎麼算？

簡單回答：初學者先用 Qdrant Cloud 免費版，確認需求後再決定是否自架。

詳細說明：

情境一：個人學習與小型專案（< 1GB 資料） → 使用 Qdrant Cloud 免費版，完全免費且不需要維運。

情境二：中型專案（1-10GB 資料） → 自架更划算。一台 $5/月的 VPS（4GB RAM）就能跑起來，成本遠低於 Cloud 付費版。

情境三：企業級應用（> 10GB 資料或高可用性需求） → Qdrant Cloud 付費版或 Kubernetes 自架。Cloud 按使用量計費，大約 $0.4/GB/月；自架需要配置負載均衡與監控，但長期成本更低。

我的實際經驗：開發環境用 Cloud 免費版快速測試，生產環境自架在 Hetzner 的 VPS 上（€4.5/月），跑了 5GB 向量資料很穩定。

Q2: 向量資料庫和傳統資料庫差在哪？什麼時候該用向量資料庫？

核心差異：傳統資料庫做「精確匹配」，向量資料庫做「語義相似度」搜尋。

舉例說明：

傳統資料庫（MySQL）：

SELECT * FROM docs WHERE title LIKE '%發票%'

→ 只能找到標題裡有「發票」兩個字的文件

向量資料庫（Qdrant）：

查詢：「公司報帳單據」
結果：發票、收據、請款單、報價單...

→ 理解語義，找出所有相關概念的文件，即使用詞完全不同

什麼時候該用向量資料庫？

✅ 適合的場景：

• AI 知識庫問答（Chatbot、RAG）
• 語義搜尋（找相似文章、推薦系統）
• 多模態搜尋（以圖找圖、以音找音）
• 異常偵測（找出不正常的資料模式）

❌ 不適合的場景：

• 財務交易記錄（需要精確匹配）
• 訂單管理系統（需要關聯式查詢）
• 即時庫存系統（需要 ACID 特性）

簡單判斷法則：如果你的查詢需求是「找類似的」而非「找一模一樣的」，就用向量資料庫。

Q3: 如何選擇向量維度？維度越高越好嗎？

並不是維度越高越好，關鍵是「與 Embedding 模型一致」且「符合你的精確度需求」。

維度選擇指南：

向量維度	儲存空間	檢索速度	精確度	適用場景
512	小	極快	低	簡單分類、標籤系統
1024	中	快	中高	多語言支援、通用搜尋
1536	中	中	高	大部分 RAG 應用（推薦）
3072	大	慢	極高	需要極高精確度的專業領域

實務建議：

1. 初學者：使用 OpenAI text-embedding-3-small（1536 維度），性價比最高
2. 需要多語言支援：Cohere embed-multilingual-v3.0（1024 維度）
3. 需要極高精確度：OpenAI text-embedding-3-large（3072 維度），但成本是 small 的 2 倍
4. 資源受限：可以用 OpenAI 的降維功能，將 1536 降到 512，但會損失一些精確度

常見錯誤：

• 用 1536 維度的模型產生向量，但在 Qdrant 建立 1024 維度的 Collection → 會報錯
• 混用不同維度的向量寫入同一個 Collection → 會破壞檢索準確度

Q4: 我的 n8n 安裝社群節點後一直顯示「Node not found」怎麼辦？

這是很常見的問題，通常是因為沒有正確重啟 n8n 或權限設定錯誤。依照以下步驟排查：

Step 1: 確認節點已安裝

# 進入 n8n 容器
docker exec -it n8n /bin/sh

# 檢查是否已安裝
npm list n8n-nodes-qdrant

# 如果顯示「empty」，重新安裝
npm install n8n-nodes-qdrant

Step 2: 確認安裝位置正確

社群節點必須安裝在 n8n 的正確路徑：

# 檢查 n8n 的 custom nodes 路徑
echo $N8N_CUSTOM_EXTENSIONS

# 如果路徑不對，手動設定環境變數（在 docker-compose.yml）
environment:
  - N8N_CUSTOM_EXTENSIONS=/home/node/.n8n/nodes

Step 3: 完整重啟（不是 reload）

很多人以為點 n8n 介面的「Reload」就夠了，其實不夠。必須完整重啟容器：

docker restart n8n

# 等待 15 秒後重新整理瀏覽器

Step 4: 檢查 n8n 日誌

如果還是不行，查看日誌找錯誤訊息：

docker logs n8n --tail 100

常見錯誤訊息：

• EACCES: permission denied → 容器內權限問題，需要用 chown 修正
• Cannot find module → npm install 時網路中斷，重新安裝
• Incompatible version → n8n 版本太舊，更新到最新版本

Q5: Qdrant Collection 刪不掉，一直顯示「Collection in use」怎麼辦？

這通常是因為有工作流還在參照這個 Collection。解決方法：

方法一：停止所有相關工作流

1. 在 n8n 裡搜尋所有使用該 Collection 的工作流
2. 停用或刪除這些工作流
3. 回到 Qdrant Cloud 刪除 Collection

方法二：使用 Force Delete

如果方法一不行，可以用 API 強制刪除：

curl -X DELETE 'https://YOUR-CLUSTER-URL:6333/collections/invoices' \
  -H 'api-key: YOUR-API-KEY'

方法三：重建 Cluster（最後手段）

如果真的卡死了，可以在 Qdrant Cloud 刪除整個 Cluster 重建。免費版可以無限次重建，不用擔心。

預防措施：

• 測試階段的 Collection 名稱加上日期或版本號（例如：invoices_v1、test_20260211）
• 正式上線前先備份 Collection 設定（記錄維度、Distance 設定）
• 使用完就刪除測試用的 Collection，保持環境乾淨

Q6: 向量檢索回傳的結果不準確，該怎麼優化？

檢索不準確通常有幾個原因，對症下藥：

問題一：文件切分太大或太小

→ 理想的文件段落長度是 200-500 字。太短會缺乏語境，太長會稀釋關鍵資訊。

問題二：檢索數量（Top-K）設定不對

→ 預設通常是 Top-3，但如果你的知識庫很大，可能需要 Top-5 或 Top-10。實測時觀察第 3 名之後的結果是否還相關。

問題三：Embedding 模型不適合你的領域

→ OpenAI 的通用模型對日常對話很準，但專業領域（醫療、法律）可能需要用 Fine-tuned 模型。

問題四：沒有做 Reranking

→ 第一階段用向量檢索找出候選文件（Top-10），第二階段用 Reranking 模型（例如 Cohere Rerank）重新排序，精確度可以提升 20-30%。

優化實戰步驟：

1. 記錄 10 個真實使用者問題
2. 對每個問題測試不同的 Top-K 設定（3/5/10）
3. 人工檢查回傳結果的準確率
4. 調整文件切分策略或加入 Reranking
5. 重新測試直到準確率 > 80%

---

🎯 下一步行動

🎓 想更有系統地學會這些技巧？ 到 AI 職場工作術（雲端方程式 Cloud F1 旗艦課程） 看看完整的實作路徑。

想深入學習更多 n8n 與 RAG 實戰技巧嗎？

看完這篇教學，你已經掌握 Qdrant 安裝與基礎操作。接下來我建議你：

1. 實際動手做一遍 — 用你自己的文件（工作筆記、客服問答、產品文件）建立一個小型知識庫，親自體驗從上傳到檢索的完整流程
2. 加入學習社群 — Skool 雲端方程式 Cloud F1（免費加入，和 500+ 學員一起學習，我會在社群裡分享更多進階技巧與實戰經驗）
3. 觀看完整影片教學 — YouTube EP48（影片裡有更多細節與畫面示範）
4. 下載範例工作流 — GitHub Repo（直接匯入到你的 n8n，快速上手）

如果這篇文章對你有幫助，歡迎分享給其他正在學習 n8n 自動化的朋友。有任何問題都可以在社群裡提問，我會盡量回答！

---

🔗 相關資源

延伸閱讀：

• n8n RAG AI 知識庫完整教學 — 從零開始建立 RAG 系統
• RAG 概念指南：檢索增強生成完整解析 — 理解 RAG 的核心原理
• n8n AI Agent 完整指南 — 用 n8n 打造智能 AI Agent

學習社群與資源：

• Skool 社群 — 免費加入，500+ 學員互助學習
• YouTube 頻道 — 50+ 集 n8n 自動化教學
• GitHub 範例程式碼 — 所有影片的工作流模板

官方文件：

• Qdrant 官方文件
• n8n-nodes-qdrant 社群節點

---

本文改編自 YouTube 影片 EP48，由 Alex Hsieh 撰寫。如果你想要完整的畫面示範，建議搭配影片一起學習。最後更新：2026-02-11