为每组作物算出中心点和阈值并存进 Qdrant

为每组作物算出中心点和阈值并存进 Qdrant

一个手动启动的 n8n 工作流。对 Qdrant 集合里的每种作物，它用两种方法选出一个中心点，也就是与同组其余照片最相似的那张，并在上面存一个相似度阈值，供以后的异常检查用。

包里有什么

• workflow.json：n8n 导出的工作流，四十八个节点。二十六个干活，二十二个是便签，解释各个步骤。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

• 找出每组中心点的步骤原来是一个用了 scipy 的 Python Code 节点。在 n8n 2 里，原生 Python 只提供 _items 和 _item，没有 _input，也不能导入 scipy 这样的库（n8n 文档，2026 年 11 月 12 日查阅）。Mindket 的版本改名为 Find Medoid，用 JavaScript 把每个点的相似度分数相加，选出总分最高的点，这和原来做的事一样。一张便签现在也这样说明。
• Qdrant 集群地址原来属于原作者。它现在是占位符 <YOUR_QDRANT_CLUSTER_URL>。
• 有几个节点原来关联着作者 n8n 里的凭据。这些关联已删掉，请选你自己的。
• 别的都没改。阈值、作物描述和其他便签都是文件原有的。

开始之前

• 一个 n8n 实例，n8n Cloud 或自己的服务器都行。
• 一个带标签照片的 Qdrant 集合，按批量上传的方式建好：一个来自 Voyage 模型 voyage-multimodal-3 的命名向量 voyage，每个点上有一个 crop_name payload 字段，crop_name 上还有一个关键字 payload 索引。文件里的集合叫 agricultural-crops。
• 一个 Qdrant 集群地址和一个 API 密钥。
• 一个 Voyage AI API 密钥，文字分支要用。

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。
2. 添加一个 Qdrant API 凭据，填上你的集群地址和密钥。在每个调用 Qdrant 的 HTTP Request 节点里选中它。一共十一个，从 Total Points in Collection 到 Set text medoid threshold score。
3. 为 Voyage 添加一个 Header Auth 凭据。名称填 Authorization，值填 Bearer <YOUR_VOYAGE_KEY>，换成你自己的密钥。在 Embed text 里选中它。
4. 打开 Qdrant cluster variables。把 <YOUR_QDRANT_CLUSTER_URL> 换成你的集群地址，前面带 https://，结尾不要斜杠。把 collectionName 设为你的集合。
5. 检查 Medoids Variables 和 Text Medoids Variables。它们的 furthestFromCenter 决定由哪个点来定阈值。文件里分别用 5 和 1。
6. 打开 Textual (visual) crop descriptions，把那 29 种作物换成你自己的类别，每个类别写一句话，说明一个典型样本看起来是什么样。
7. 点 Execute workflow。

一次运行的过程

1. 手动触发器启动这次运行，Qdrant cluster variables 引出两条分支。
2. 在上面的分支里，Total Points in Collection 精确统计点的数量。接着 Crop Counts 问 Qdrant crop_name 有哪些值、每个值有多少个点。然后 Info About Crop Clusters 留下作物名称和最大那一组的大小，Split Out 为每种作物生成一个条目。
3. 对每种作物，Cluster Distance Matrix 问 Qdrant 这种作物所有点之间的相似度。Find Medoid 把每个点的分数相加，取最高的那个。Set medoid id 在那个点上存下 is_medoid。
4. Get Medoid Vector 读出中心点的向量，Prepare for Searching Threshold 把它的符号翻转。Searching Score 再找离翻转向量最近的点，也就是离中心点最远的点。Threshold Score 取最后一个分数，Set medoid threshold score 把它存成 is_medoid_cluster_threshold。
5. 在下面的分支里，Textual (visual) crop descriptions 存着每种作物的一段描述。Merge 把它和对应的作物配对，Embed text 用 Voyage 把它变成向量，input_type 设为 query。
6. Get Medoid by Text 找出该作物里最接近描述的那张照片。Set text medoid id 在它上面存下 is_text_anchor_medoid，同样的阈值步骤再存下 is_text_anchor_medoid_cluster_threshold。

改变结果

• 由哪个点来定阈值：两个变量节点里的 furthestFromCenter。1 是最远的照片，5 是第五远的。
• 作物和它们的描述：Textual (visual) crop descriptions。
• payload 名称：名称以 Set 开头的四个节点的请求体。
• 集合：Qdrant cluster variables 里的 collectionName。

注意事项

• 读取这些阈值的异常检查不在这个文件里。文件只写下 is_medoid、is_medoid_cluster_threshold、is_text_anchor_medoid 和 is_text_anchor_medoid_cluster_threshold。
• Qdrant 只在调用里指名的点上保存 payload。如果两次运行之间你的数据变了，旧的中心点会一直保留它的 is_medoid 标记，所以先把旧的 payload 清掉。
• 一张便签警告，组里照片超过两三百张时不要用距离矩阵调用。
• 没有描述的作物会被排除在文字分支之外，因为 Merge 按作物名称配对。
• Voyage 按你的密钥计费嵌入。描述发给 Voyage，payload 写进你的 Qdrant 集合。
• 文件里没有任何凭据和密钥。