n8n의 RAG#

RAG란 무엇인가#

검색 증강 생성(RAG)은 언어 모델을 외부 데이터 소스와 결합하여 AI 응답을 개선하는 기술입니다. RAG 시스템은 모델의 내부 학습 데이터에만 의존하는 대신 관련 문서를 검색하여 최신, 도메인별 또는 독점적인 지식에 응답을 기반으로 합니다. RAG 워크플로우는 일반적으로 벡터 저장소를 사용하여 이 외부 데이터를 효율적으로 관리하고 검색합니다.

벡터 저장소란 무엇인가?#

벡터 저장소는 텍스트, 이미지 또는 기타 데이터의 숫자 표현인 고차원 벡터를 저장하고 검색하도록 설계된 특수 데이터베이스입니다. 문서를 업로드하면 벡터 저장소는 문서를 청크로 분할하고 임베딩 모델을 사용하여 각 청크를 벡터로 변환합니다.

키워드 일치가 아닌 의미적 의미를 기반으로 결과를 구성하는 유사성 검색을 사용하여 이러한 벡터를 쿼리할 수 있습니다. 이로 인해 벡터 저장소는 대규모 지식 집합을 검색하고 추론해야 하는 RAG 및 기타 AI 시스템의 강력한 기반이 됩니다.

n8n에서 RAG를 사용하는 방법#

RAG 템플릿으로 시작

👉 RAG 스타터 템플릿으로 n8n에서 RAG를 사용해 보세요. 템플릿에는 파일 업로드용과 쿼리용의 두 가지 기성 워크플로우가 포함되어 있습니다.

벡터 저장소에 데이터 삽입#

에이전트가 사용자 지정 지식에 액세스하기 전에 해당 데이터를 벡터 저장소에 업로드해야 합니다.

소스 데이터를 가져오는 데 필요한 노드를 추가합니다.
벡터 저장소 노드(예: 단순 벡터 저장소)를 삽입하고 문서 삽입 작업을 선택합니다.
텍스트를 벡터 임베딩으로 변환하는 임베딩 모델을 선택합니다. 올바른 임베딩 모델 선택에 대한 자세한 내용은 FAQ를 참조하세요.
콘텐츠를 청크로 분할하는 기본 데이터 로더 노드를 추가합니다. 기본 설정을 사용하거나 자신만의 청크 전략을 정의할 수 있습니다.
- 문자 텍스트 분할기: 문자 길이로 분할합니다.
- 재귀 문자 텍스트 분할기: 마크다운, HTML, 코드 블록 또는 단순 문자로 재귀적으로 분할합니다(대부분의 사용 사례에 권장).
- 토큰 텍스트 분할기: 토큰 수로 분할합니다.
(선택 사항) 각 청크에 메타데이터를 추가하여 컨텍스트를 풍부하게 하고 나중에 더 나은 필터링을 허용합니다.

데이터 쿼리#

에이전트를 사용하거나 노드를 통해 직접 두 가지 주요 방법으로 데이터를 쿼리할 수 있습니다.

에이전트 사용#

워크플로우에 에이전트를 추가합니다.
벡터 저장소를 도구로 추가하고 에이전트가 언제 사용해야 하는지 이해하는 데 도움이 되도록 설명을 제공합니다.
- 반환할 청크 수를 정의하려면 제한을 설정합니다.
- 각 청크에 대한 추가 컨텍스트를 제공하려면 메타데이터 포함을 활성화합니다.
데이터를 삽입할 때 사용한 것과 동일한 임베딩 모델을 추가합니다.

전문가 팁

비싼 모델에서 토큰을 절약하려면 먼저 벡터 저장소 질문 답변 도구를 사용하여 관련 데이터를 검색한 다음 결과를 에이전트에 전달할 수 있습니다. 이를 실제로 보려면 이 템플릿을 확인하세요.

노드를 직접 사용#

벡터 저장소 노드를 캔버스에 추가하고 여러 개 가져오기 작업을 선택합니다.
쿼리 또는 프롬프트를 입력합니다.
- 반환할 청크 수에 대한 제한을 설정합니다.
- 필요한 경우 메타데이터 포함을 활성화합니다.

FAQ#

올바른 임베딩 모델을 어떻게 선택하나요?#

올바른 임베딩 모델은 경우에 따라 다릅니다.

일반적으로 더 작은 모델(예: text-embedding-ada-002)은 더 빠르고 저렴하므로 짧고 범용적인 문서나 경량 RAG 워크플로우에 이상적입니다. 더 큰 모델(예: text-embedding-3-large)은 더 나은 의미 이해를 제공합니다. 긴 문서, 복잡한 주제 또는 정확성이 중요한 경우에 가장 좋습니다.

내 사용 사례에 가장 적합한 텍스트 분할은 무엇인가요?#

이것은 다시 데이터에 따라 많이 다릅니다.

작은 청크(예: 200~500 토큰)는 세분화된 검색에 좋습니다.
큰 청크는 더 많은 컨텍스트를 전달할 수 있지만 희석되거나 노이즈가 발생할 수 있습니다.

AI가 청크의 컨텍스트를 이해하려면 올바른 겹침 크기를 사용하는 것이 중요합니다. 이것이 마크다운 또는 코드 블록 분할을 사용하면 종종 청크를 더 좋게 만드는 데 도움이 될 수 있는 이유이기도 합니다.

또 다른 좋은 접근 방식은 (예를 들어 청크가 나온 문서에 대해) 더 많은 컨텍스트를 추가하는 것입니다. 이에 대해 더 자세히 읽고 싶다면 Anthropic의 이 훌륭한 기사를 확인해 보세요.