用 Qdrant 里的最近邻给航拍照片分类

用 Qdrant 里的最近邻给航拍照片分类

一个由另一个工作流或 AI 智能体带着图片地址调用的 n8n 工作流。它用 Voyage AI 嵌入这张图片，在一个 Qdrant 集合里找出它的最近邻，并回答其中大多数共有的类别。

包里有什么

• workflow.json：n8n 导出的工作流，十八个节点。十个干活，八个是便签，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

• Majority Vote 步骤原来是一个 Python Code 节点，用 Counter 统计类别名称。在 n8n 2 里，原生 Python 只提供 _items 和 _item，没有 _input，也会拦住 collections 这样的标准库导入，除非实例允许（n8n 文档，2026 年 11 月 12 日查阅）。Mindket 的版本用 JavaScript 统计，并返回同样的两个最常见类别的列表。
• Qdrant 集群地址原来属于原作者。它现在是占位符 <YOUR_QDRANT_CLUSTER_URL>。
• 文件里带着一个保存的测试输入，是原作者自己存储桶里的一个图片地址。它已删掉，请固定一个你自己的测试输入。
• 有两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。平局循环、提示词和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。
• 一个已经存着带标签图片的 Qdrant 集合。每个点都需要一个叫 voyage 的命名向量，由 Voyage 模型 voyage-multimodal-3 以 document 的 input_type 做出，还要有一个 payload 字段 landscape_name 存它的类别。
• 一个 Qdrant 集群地址和一个 API 密钥。
• 一个 Voyage AI API 密钥。
• 任何人都能从公开地址打开的图片，因为 Voyage 要下载它们。

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 Query Qdrant 里选中它。
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 image 里选中它。
4. 打开 Qdrant variables + embedding + KNN neigbours。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。文件里用的是 land-use。
5. 检查 limitKNN，也就是一开始要的近邻数。文件里用的是 10。
6. 想试一下，就打开 Execute Workflow Trigger，固定数据 { "query": { "imageURL": "<A_PUBLIC_PICTURE_ADDRESS>" } }，换成真实地址，再点 Execute workflow。
7. 想从另一个工作流里用，就用 Execute Workflow 节点或工作流工具调用它，并发一个带 query.imageURL 的条目。

一次运行的过程

1. Execute Workflow Trigger 收到条目，Image Test URL 把 query.imageURL 复制到 imageURL。
2. Embed image（HTTP Request 4.2）把地址发给 Voyage 的多模态嵌入 API。
3. Qdrant variables + embedding + KNN neigbours 把向量留作 ImageEmbedding，并设好集群地址、集合名称和 limitKNN。
4. Query Qdrant 向集合的 points query 要与这个向量最近的点，带上 payload，用向量名 voyage。
5. Propagate loop variables 存下返回了多少个点，并保留结果。Majority Vote 统计这些点的 landscape_name，返回最常见的两个类别和它们的票数。
6. Check tie 看这两个票数。如果相等且 limitKNN 不超过 100，Increase limitKNN 就加五个近邻，Query Qdrant 再运行一次。
7. 否则 Return class 把最常见的类别作为 class 返回。

改变结果

• 集合和一开始的近邻数：Qdrant variables + embedding + KNN neigbours。
• 平局最多能扩到多少：Check tie 里的 100 和 Increase limitKNN 里的 5。
• 类别字段：Majority Vote 里的 landscape_name。
• 嵌入模型：Embed image 里的 model。它必须和做出这个集合的模型一致。

注意事项

• 它总会回答一个类别，哪怕图片不像集合里的任何类别。文件里没有分数门槛。
• 填充集合不属于这个文件。步骤和任何批量上传一样：用 document 模式嵌入图片，存成命名向量 voyage，并把类别放进 landscape_name。
• 一张便签说，原作者在数据集的测试部分上测得 93.24%，没有调优。Mindket 没有运行过那个测试。
• Propagate loop variables 把 limitKNN 重置为返回的点数。集合不超过 100 个点时，一个横跨所有点的平局可能无休止地重复。
• Voyage 的文档（2026 年 11 月 12 日查阅）说图片必须是 PNG、JPEG、WEBP 或 GIF，最大 20 MB、1600 万像素。它的地址还必须返回内容长度，并遵守 robots.txt。
• 文件里用的是 voyage-multimodal-3，那份文档仍把它列为推荐模型。
• 图片地址发给 Voyage，向量发给 Qdrant。不会往集合里写任何东西。
• 文件里没有任何凭据和密钥。