Docker Desktop + n8n + Qdrant + Embedding 自动入库链完整教程

🚀 Docker Desktop + n8n + Qdrant + Embedding 自动入库链完整教程

一套可以直接跑的「本地AI知识库系统」： Webhook → Embedding → n8n处理 → Qdrant向量数据库 → 可检索知识库 结合我自己前面踩的坑（Webhook解析、vector格式、HTTP JSON错误、payload结构等），全部做成“避坑版”。

🧱 一、整体架构

用户请求(Webhook)
        ↓
n8n Workflow
        ↓
Embedding模型（Ollama / OpenAI）
        ↓
Set Node（结构标准化）
        ↓
HTTP Request（写入Qdrant）
        ↓
Qdrant Vector DB
        ↓
后续检索 / RAG

🐳 二、Docker Desktop 启动 Qdrant + n8n

1️⃣ docker-compose.yml

version: "3.9"

services:
  qdrant:
    image: qdrant/qdrant
    ports:
      - "6333:6333"
    volumes:
      - ./qdrant_data:/qdrant/storage

  n8n:
    image: n8nio/n8n
    ports:
      - "5678:5678"
    environment:
      - N8N_HOST=localhost
      - N8N_PORT=5678
      - N8N_PROTOCOL=http
      - NODE_ENV=production
    volumes:
      - ./n8n_data:/home/node/.n8n

启动：

docker compose up -d

访问：

• n8n: http://localhost:5678
• qdrant: http://localhost:6333

🧠 三、创建 Qdrant Collection

curl -X PUT http://localhost:6333/collections/test \
  -H "Content-Type: application/json" \
  -d '{
    "vectors": {
      "size": 768,
      "distance": "Cosine"
    }
  }'

🔌 四、n8n 工作流设计（核心）

🧩 Step 1：Webhook（入口）

Node：Webhook

• Method：POST
• Path：/qdrant-ingest
• Body Content Type：JSON（必须）

发送测试：

{
  "text": "人工智能是模拟人类智能的技术"
}

⚠️ 常见坑

如果 webhook 输出是：

body: "{ \"text\": \"xxx\" }"

❌ 说明没有解析 JSON 👉 必须改成 JSON mode

🧩 Step 2：Embedding（Ollama 示例）

HTTP Request Node：

POST http://host.docker.internal:11434/api/embeddings

Body：

{
  "model": "nomic-embed-text",
  "prompt": "{{$json.body.text}}"
}

✔ 正确输出应该是：

{
  "embedding": [0.1, 0.2, 0.3, ...]
}

🧩 Step 3：Set Node（关键结构整理）

👉 这是你之前卡最久的地方

➤ Add Node：Set

Mode：Manual Mapping

✔ 设置字段：

① id（Number）

{{ Date.now() }}

② vector（Array）

{{ $json.embedding }}

③ payload（Object）🔥关键

{
  "text": "{{$node["Webhook"].json.body.text}}"
}

✔ 正确 Set 输出结构：

{
  "id": 1700000000000,
  "vector": [0.1, 0.2, ...],
  "payload": {
    "text": "人工智能..."
  }
}

🧩 Step 4：HTTP Request（写入 Qdrant）

URL

http://qdrant:6333/collections/test/points

Method

PUT

Body（⚠️正确写法）

{
  "points": [
    {
      "id": {{$json.id}},
      "vector": {{$json.vector}},
      "payload": {{$json.payload}}
    }
  ]
}

❌ 你之前错误的原因总结

① JSON Body 报错

原因：

vector / payload 没有正确 JSON 序列化

② payload undefined

原因：

Webhook body 没解析 JSON

③ vector 不是数组

原因：

embedding 被当成 string

🧪 五、验证数据是否成功

curl http://localhost:6333/collections/test/points/scroll \
  -H "Content-Type: application/json" \
  -d '{
    "limit": 10,
    "with_payload": true,
    "with_vectors": true
  }'

🎯 六、最终稳定工作流（推荐版本）

Webhook
  ↓
Embedding Node (Ollama / OpenAI)
  ↓
Set Node（标准化结构）
  ↓
HTTP Request → Qdrant

🧠 七、关键经验总结（非常重要）

✔ 1. n8n JSON 规则

✔ 2. Qdrant要求

id: number / uuid
vector: float[]
payload: object

✔ 3. Webhook必须开启JSON

否则：

body = string ❌
body.text = undefined ❌

🚀 八、升级方向（下一步可以做）

你这个系统已经可以升级成：

🔥 企业级 AI 知识库

• RAG检索问答
• 多集合分类（doc / chat / blog）
• 自动chunk分割
• 去重写入
• 向量更新策略
• 多Embedding模型切换
• LangChain / Flowise对接

如果你要继续升级，咱们可以继续做👇

👉 n8n + Qdrant + RAG 问答系统（完整可商用版）

包括：

• Chat UI（Web）
• 向量检索
• LLM回答（Ollama / GPT）
• 多轮对话记忆
• 知识库分层

直接可以变成一个 AI SaaS 雏形。