对照 Qdrant 集合检查作物图片是否异常

对照 Qdrant 集合检查作物图片是否异常

一个 n8n 工作流，接收一张图片的地址，判断它是不是你的集合里已经认识的作物。它用 Voyage AI 把图片转成向量，拿这个向量去和 Qdrant 集合里每种作物的一个中心点比较，最后返回一句简短的文字。如果图片和任何作物都不够接近，这句文字就会发出警报。

包里有什么

• workflow.json：n8n 导出的工作流，9 个节点和 7 张便签。里面没有任何凭据。
• README.md：这份设置说明，压缩包里的是英文版。

我们相对原来的副本改了什么

• Qdrant 地址原来是作者自己的集群。Variables for medoids 里现在写的是 <YOUR_QDRANT_URL>。
• Compare scores 原来是一个 Python Code 节点，读的是 _input 和 _()。n8n 的文档说，提供这些名称的 Pyodide 在 n8n 2.0 里已被移除，那里的原生 Python 只提供 _items 和 _item，默认也不能导入任何东西。Mindket 的副本把同样的逻辑改用 JavaScript 来写，在每个 n8n 版本上都能运行。
• 节点 Image URL hardcode 其实什么也没写死，它从调用里读 query.imageURL。现在它叫 Image URL from input，Embed image 也改成指向新名字。
• 两张指向作者其他流程和页面的便签删掉了，三个计数节点旁边的那张现在说明它们做什么。其余便签保留原文。

开始之前

• 一个 n8n 实例，n8n Cloud 或自己的服务器都行。
• 一个按下一节所述为这个检查建好的 Qdrant 集合。工作流只读它。
• 一个 Voyage AI API 密钥。
• 你的 Qdrant 地址，以及集群要求的话还要它的 API 密钥。

它需要的集合

工作流不会建集合。作者是在两个更早的流程里建的，那两个流程不在这个文件里，所以你需要自己建一个。它必须是这样的：

• 集合名是 agricultural-crops。如果你的不同，在 Variables for medoids 里改。
• 它有一个名为 voyage 的命名向量，里面是用 voyage-multimodal-3 做出的作物图片的 Voyage 多模态嵌入。
• 每个点都有一个 crop_name 负载字段，写作物的名字。
• 每种作物有一个点被标为它的中心：is_medoid 为 true，is_medoid_cluster_threshold 里是一个数字。这个数字是一张图片仍算作该作物的最低相似度得分。
• 按文字命名的另一组中心可以用 is_text_anchor_medoid 和 is_text_anchor_medoid_cluster_threshold。要用它，就把这两个名字填进 Variables for medoids。

工作流会数出集合里有多少种 crop_name，并向 Qdrant 要这么多个中心点。

设置

1. 在 n8n 里新建一个工作流，打开它的菜单，选 Import from File，选中 workflow.json。保存。
2. 为 Voyage 添加一个 Header Auth 凭据，名称填 Authorization，值填 Bearer <YOUR_VOYAGE_API_KEY>。在 Embed image 里选中它。
3. 添加一个 Qdrant API 凭据，填你的地址和密钥。在 Total Points in Collection、Each Crop Counts 和 Get similarity of medoids 里选中它。
4. 在 Variables for medoids 里，把 <YOUR_QDRANT_URL> 换成你集群的地址，末尾不要带斜杠。
5. 在同一个节点里，检查集合名和中心字段名是否和你的集合一致。
6. 想手动测试，就在 Execute Workflow Trigger 上固定下面这一项，然后点 Test workflow：
   { "query": { "imageURL": "<YOUR_IMAGE_URL>" } }
   填一张真实图片的地址。想把它当工具用，就从智能体的 Workflow 工具里调用这个工作流，它会在同一个 query 字段里传入地址。

一次运行的过程

1. Execute Workflow Trigger 接收调用。
2. Image URL from input 把 query.imageURL 复制到一个叫 imageURL 的字段里。
3. Variables for medoids 设好 Qdrant 地址、集合名和两个中心字段名。
4. Total Points in Collection 请 Qdrant 精确数出点的数量。Each Crop Counts 请它返回 crop_name 的各个取值及其数量，Info About Crop Labeled Clusters 记下一共有多少种作物。
5. Embed image 把图片地址发给 Voyage 的多模态嵌入接口，模型是 voyage-multimodal-3，得到一个向量。
6. Get similarity of medoids 用这个向量去查 Qdrant 的 voyage 向量，只在标为中心点的点里找，每种作物要一个结果。
7. Compare scores 把每个结果和它自己的阈值比较。只要有一个达到阈值，答案就是 Looks similar to <crop>，写的是得分最高的那种作物。如果一个都没达到，答案就是 ALERT, we might have a new undefined crop!。

调整

• 两种答案的措辞：Compare scores。
• 集合和中心字段：Variables for medoids。
• 嵌入模型：Embed image。换新模型做出的向量和已存的对不上，所以要先用同一个新模型重建集合。
• 地址从哪里来：把 Image URL from input 改成读另一个字段。

要知道的

• 下面的事实来自 2026 年 11 月 12 日查阅的页面和 n8n 文档。
• Voyage 的参考文档把 voyage-multimodal-3.5 和 voyage-multimodal-3 列为推荐的多模态模型。文件保留较旧的那个，因为集合里的向量必须来自同一个模型。
• 自 2025 年 12 月 8 日起，Voyage 对它跟随的图片地址限制重定向次数、要求有 content-length 头，并遵守 robots.txt。不满足其中任何一条的地址会让嵌入调用失败。一张图片最大 20 MB、1600 万像素。
• 阈值设得太低，检查就会把一张古怪的图片当成已知作物。请用你确定不在集合里的图片来调每个阈值。
• 答案只说一张图片看起来像不像已知作物。它是一个筛查辅助，不是诊断。
• 费用：Voyage 按每次嵌入收费，Qdrant Cloud 按你的套餐收费。
• 你的数据：图片地址会发给 Voyage，由 Voyage 自己去取图片。Qdrant 收到的是向量。
• 凭据：JSON 里没有任何凭据。