- Введение
Этот гайд показывает, как работать с PostgreSQL-базой данных внутри платформы Нейро42 — от создания базы до подключения её к ИИ-агенту в качестве памяти или векторного хранилища для RAG-сценариев.
Что вы научитесь делать:
- Создавать базу данных и таблицы прямо в интерфейсе Нейро42
- Копировать реквизиты подключения (Host, User, Port)
- Подключать базу к узлам Postgres Chat Memory и Postgres PGVector Store и вообще к любому Postgres
- Настраивать векторное хранилище для RAG-агента
- Выбирать правильный Operation Mode для задачи
Для кого:
Для тех, кто уже создал ИИ-агента и хочет добавить ему долгосрочную память или базу знаний. Предварительные знания SQL не требуются.
- Ключевые понятия
| Термин | Что это |
| База данных (Database) | Хранилище PostgreSQL, создаётся в разделе «База данных». |
| Таблица (Table) | Набор колонок для хранения записей внутри базы. |
| Учётные данные (Credentials) | Host, Database, User, Password, Port — нужны узлу, чтобы подключиться к базе. |
| Postgres Chat Memory | Узел-память для ИИ-агента. Сохраняет историю чата в таблицу. |
| Postgres PGVector Store | Узел векторного хранилища. Ищет данные по смыслу (для RAG). |
| Embedding | Числовой вектор, представляющий смысл текста. Похожие тексты → близкие векторы. |
| RAG | Retrieval-Augmented Generation — схема, где агент сначала ищет нужные знания в базе, потом отвечает на их основе. |
- Что понадобится
| Что нужно | Зачем / как получить |
| Аккаунт в Нейро42 | Вход в neuro42 → «Разработка агентов» |
| Готовый ИИ-агент (или шаблон) | Агент, к которому будем подключать базу. Если нет — создайте по гайду «Как создать ИИ-агента с нуля» |
| Пароль для базы данных | Придумайте заранее и сохраните — он нужен будет при подключении |
| Embeddings-модель (для RAG) | Например, Embeddings OpenAI — без неё векторный поиск не работает |
Часть 1. Создаём базу данных
Шаг 1. Откройте «Разработка агентов»
В левом меню (внизу) выберите пункт «Разработка агентов».
Рис. 1. Пункт меню «Разработка агентов»
Шаг 2. Перейдите на вкладку «База данных»
В верхнем ряду вкладок выберите «База данных», затем нажмите «Создать базу».
Рис. 2. Вкладка «База данных» и кнопка «Создать базу»
Шаг 3. Заполните форму создания базы
В открывшемся окне укажите два поля:
- Название — латиницей, например baza (Для названия базы данных рекомендуется использовать латиницу, нижний регистр, цифры и подчёркивания. Без пробелов, дефисов и спецсимволов. Например: agent_db, rag_store, client01.)
- Пароль — придумайте надёжный и сохраните (понадобится позже)
Нажмите «Создать».
Рис. 3. Форма «Создать базу данных»
| ⚠️ Внимание. Запишите пароль в безопасное место — в карточке базы он не показывается и восстановить его можно только через «Сменить пароль». |
Шаг 4. Обратите внимание на реквизиты подключения
После создания появится карточка с данными, которые понадобятся для подключения:
- Имя базы — например, baza
- Имя пользователя — совпадает с именем базы
- Хост — длинный адрес вида pgvector.neuro42.ru
- Порт — 5432
Рис. 4. Карточка базы с реквизитами и кнопкой «Создать таблицу»
| 💡 Совет. Используйте иконку копирования рядом с каждым полем — не вводите руками, чтобы не ошибиться. |
Часть 2. Создаём таблицу
Шаг 5. Нажмите «Создать таблицу»
Кнопка находится в нижней части карточки базы (блок «Таблицы»). Откроется форма создания таблицы.
Шаг 6. Заполните название и колонки
В форме укажите:
- Название таблицы — латиницей, без пробелов, например baza (Для названия таблиц рекомендуется использовать латиницу, нижний регистр, цифры и подчёркивания. Без пробелов, дефисов и спецсимволов. Название должно быть понятным и отражать содержимое таблицы. Например: chat_history, knowledge_base, user_sessions._)
- Колонки — для векторной базы они уже предзаполнены:
| Колонка | Тип | Зачем |
| embedding | vector | Числовой вектор — смысловое представление текста |
| text | text | Исходный текст фрагмента |
| metadata | text | Служебные данные: источник, теги, ID и т.п. |
Можно оставить значения по умолчанию (`embedding · text · metadata`) или задать свои названия — важны именно **роли** этих трёх колонок, а не их имена.
Рис. 5. Форма «Создать таблицу» с колонками для векторной базы
| ℹ️ К сведению. Колонки настраиваются прямо в этой форме — их можно **переименовывать, менять тип, удалять и добавлять новые**.
— Для **обычной таблицы** — задайте колонки под свою задачу, структура произвольная. — Для **векторного поиска (RAG)** — нужны три колонки: векторная (embedding), контентная и с метаданными. |
| ✓ Готово. Таблица создана! Теперь можно подключать её в рабочей среде. |
Часть 3. Подключаем базу в рабочей среде
Шаг 7. Откройте инстанс
Вернитесь на вкладку «Рабочая среда» и нажмите «Открыть инстанс». Откроется рабочая область для сборки workflow.
Рис. 6. Рабочая среда → «Открыть инстанс»
Шаг 8. Добавьте узел Postgres Chat Memory
Для примера используем готовый шаблон «Demo: My first AI Agent in n8n». Нажмите «+» у слота Memory под нодой Agent и в правой панели выберите Postgres Chat Memory.
Рис. 7. Добавление узла Postgres Chat Memory
Шаг 9. Настройте учётные данные
В открывшемся узле:
- Нажмите «Настроить учётные данные»
- Выберите «Создать учётные данные»
- В поле Table Name впишите имя таблицы (или n8n_chat_histories — создастся автоматически)
Рис. 8. Кнопка «Настроить учётные данные» и поле Table Name
Шаг 10. Заполните Postgres account
Вкладка «Подключение» — самый важный экран. Все значения берите из карточки базы:
Рис. 9. Поля Host, Database, User, Password
| Поле | Откуда берём | Пример |
| Host | Из карточки базы (кнопка копирования) | pgvector-beta-postgresql.pgvector-beta.svc.cluster.local |
| Database | Имя базы из карточки | baza |
| User | Имя пользователя из карточки | baza |
| Password | Пароль, заданный при создании базы | •••••••• |
Шаг 11. Укажите порт и сохраните
Пролистайте форму вниз. SSL оставьте в положении Disable, Port — 5432. Нажмите «Сохранить».
Рис. 10. Поле Port и кнопка «Сохранить»
Шаг 12. Проверьте подключение
Если всё заполнено правильно — появится зелёная плашка «Подключение успешно протестировано».
Рис. 11. Успешное подключение
| ✓ Готово. Подключение работает! Закройте окно учётных данных — данные сохранены. |
Часть 4. Векторная база для RAG-агента
Векторная база (PGVector) позволяет ИИ-агенту искать знания не по точному совпадению слов, а по смыслу. Это основа RAG-сценариев: агент находит релевантные фрагменты в базе и строит ответ на их основе.
Шаг 13. Добавьте узел Postgres PGVector Store
В поиске узлов (правая панель) введите postgres и выберите «Postgres PGVector Store» из раздела «Other Vector Stores».
Рис. 12. Поиск и добавление Postgres PGVector Store
Шаг 14. Настройте узел
В параметрах узла укажите три ключевых поля:
Рис. 13. Настройки Postgres PGVector Store
- Учётные данные — выберите Postgres account, созданный в Шаге 10
- Operation Mode — выберите режим в зависимости от задачи (см. таблицу ниже)
- Table Name — имя таблицы, которую создали в Шаге 6 (например, BAtt)
Шаг 15. Выберите Operation Mode
Рис. 14. Выпадающий список Operation Mode
| Режим | Что делает | Когда использовать |
| Insert Documents | Записывает новые документы в таблицу | Наполнение базы знаний (один раз или по расписанию) |
| Get Many | Выполняет поиск похожих записей по векторным представлениям текста (embeddings). | Быстрый smoke-тест поиска |
| Retrieve Documents (As Vector Store for Chain/Tool) | Подключает таблицу к цепочке или внешнему инструменту | Когда работает не агент, а цепочка (chain) |
| Retrieve Documents (As Tool for AI Agent) | Подключает базу как инструмент для ИИ-агента | Основной режим для RAG — агент сам решает, когда искать |
| ⚠️ Внимание. Поля таблицы и настройки узла должны совпадать. Если вы переименовали колонки — обязательно отразите это в секции Options узла, иначе данные не будут корректно записываться и извлекаться. |
Шаг 16. Финальная схема
После всех подключений ваш workflow должен выглядеть так: When chat message received → AI Agent, а к Agent подключены OpenAI Model (как Chat Model), Simple Memory или Postgres Chat Memory, и Postgres PGVector Store (как Tool с Embeddings OpenAI).
Рис. 15. Готовая схема: агент с памятью и векторным хранилищем
- Тестирование
Проверка Chat Memory
Откройте чат (кнопка «Открыть чат» внизу рабочей области). Напишите что-нибудь агенту, получите ответ, закройте чат и откройте заново — агент должен помнить предыдущий диалог.
Проверка PGVector Store
- Запустите узел в режиме Insert Documents — добавьте 3-5 тестовых фрагментов.
- Переключите в Get Many, задайте поисковый запрос — должны вернуться похожие по смыслу записи.
- Откройте таблицу в разделе «База данных» — убедитесь, что записи появились.
- Что делать, если не работает
| Проблема | Причина и решение |
| Ошибка «authentication failed» | Неправильный пароль. Нажмите «Сменить пароль» в карточке базы и заново введите его в Postgres account. |
| «database does not exist» | Имя базы в поле Database не совпадает с реальным. Скопируйте точное значение из карточки. |
| «relation table does not exist» | Неправильное имя таблицы в Table Name. Проверьте имя в разделе «Таблицы» на странице базы. |
| PGVector не находит ничего | Сначала наполните базу через Insert Documents. В пустой таблице искать нечего. |
| Подключение тестируется, но Agent ругается | Убедитесь, что к узлу подключён Embeddings-узел (например, Embeddings OpenAI) — без него вектора не считаются. |
- Что делать дальше
- Наполните базу знаний: Insert Documents из Google Drive, Notion, PDF-файлов
- Настройте системный промпт агента так, чтобы он использовал инструмент поиска
- Подключите несколько таблиц — одна под историю чата, другая под базу знаний
- Изучите гайд «Как подключить внешний сервис по API» для расширения возможностей
| ✓ Готово. Поздравляем! Теперь ваш ИИ-агент умеет помнить диалоги и отвечать на основе собственной базы знаний. Это фундамент для продвинутых RAG-сценариев. |
