Glossary
AI 에이전트#
AI 에이전트는 사용자를 위해 요청에 응답하고, 결정을 내리며, 실제 작업을 수행할 수 있는 인공 지능 시스템입니다. 대규모 언어 모델(LLM)을 사용하여 사용자 입력을 해석하고 사용 가능한 정보와 리소스를 활용하여 요청을 가장 잘 처리하는 방법에 대한 결정을 내립니다.
AI 체인#
AI 체인을 사용하면 구성 요소에 대한 순차적인 호출을 통해 대규모 언어 모델(LLM) 및 기타 리소스와 상호 작용할 수 있습니다. n8n의 AI 체인은 영구 메모리를 사용하지 않으므로 이전 컨텍스트를 참조하는 데 사용할 수 없습니다(이를 위해서는 AI 에이전트를 사용하세요).
AI 임베딩#
임베딩은 벡터를 사용한 데이터의 숫자 표현입니다. AI는 여러 차원에 걸쳐 값을 매핑하여 복잡한 데이터와 관계를 해석하는 데 사용합니다. 벡터 데이터베이스 또는 벡터 저장소는 임베딩을 저장하고 접근하도록 설계된 데이터베이스입니다.
AI 근거성#
AI, 특히 검색 증강 생성(RAG) 컨텍스트에서 근거성(groundedness)과 비근거성(ungroundedness)은 모델의 응답이 소스 정보를 얼마나 정확하게 반영하는지를 측정하는 척도입니다. 모델은 소스 문서를 사용하여 근거 있는 응답을 생성하는 반면, 근거 없는 응답은 동일한 소스에 의해 뒷받침되지 않는 추측이나 환각을 포함합니다.
AI 재순위 지정#
재순위 지정은 검색 결과의 관련성을 향상시키기 위해 후보 문서 목록의 순서를 구체화하는 기술입니다. 검색 증강 생성(RAG) 및 기타 애플리케이션은 생성 또는 다운스트림 작업을 위해 가장 관련성 높은 정보의 우선순위를 지정하기 위해 재순위 지정을 사용합니다.
AI 메모리#
AI 컨텍스트에서 메모리는 AI 도구가 상호 작용 전반에 걸쳐 메시지 컨텍스트를 유지할 수 있도록 합니다. 예를 들어, 이를 통해 각 메시지와 함께 지속적인 컨텍스트를 제출하지 않고도 AI 에이전트와 계속 대화할 수 있습니다. n8n에서 AI 에이전트 노드는 메모리를 사용할 수 있지만 AI 체인은 사용할 수 없습니다.
AI 검색 증강 생성(RAG)#
검색 증강 생성(RAG)은 LLM에 외부 소스의 새로운 정보에 대한 접근을 제공하여 AI 응답을 개선하는 기술입니다. RAG 시스템은 관련 문서를 검색하여 최신, 도메인별 또는 독점적인 지식에 기반한 응답을 제공함으로써 원래 훈련 데이터를 보완합니다. RAG 시스템은 종종 이 외부 데이터를 효율적으로 관리하고 검색하기 위해 벡터 저장소에 의존합니다.
AI 도구#
AI 컨텍스트에서 도구는 AI가 요청에 응답할 때 특정 정보나 기능을 위해 참조할 수 있는 추가 리소스입니다. AI 모델은 도구를 사용하여 외부 시스템과 상호 작용하거나 특정하고 집중된 작업을 완료할 수 있습니다.
AI 벡터 저장소#
벡터 저장소 또는 벡터 데이터베이스는 임베딩이라는 정보의 숫자 표현을 저장하도록 설계된 데이터베이스입니다.
API#
API(애플리케이션 프로그래밍 인터페이스)는 서비스의 데이터 및 기능에 대한 프로그래밍 방식의 접근을 제공합니다. API를 사용하면 소프트웨어가 외부 시스템과 더 쉽게 상호 작용할 수 있습니다. 종종 웹 브라우저나 UI를 통해 접근하는 기존의 사용자 중심 인터페이스의 대안으로 제공됩니다.
캔버스 (n8n)#
캔버스는 n8n의 편집기 UI에서 워크플로우를 구축하기 위한 기본 인터페이스입니다. 캔버스를 사용하여 노드를 추가하고 연결하여 워크플로우를 구성합니다.
클러스터 노드 (n8n)#
n8n에서 클러스터 노드는 워크플로우에서 기능을 제공하기 위해 함께 작동하는 노드 그룹입니다. 루트 노드와 노드의 기능을 확장하는 하나 이상의 하위 노드로 구성됩니다.
자격 증명 (n8n)#
n8n에서 자격 증명은 특정 앱 및 서비스에 연결하기 위한 인증 정보를 저장합니다. 인증 정보(사용자 이름 및 비밀번호, API 키, OAuth 시크릿 등)로 자격 증명을 생성한 후 관련 앱 노드를 사용하여 서비스와 상호 작용할 수 있습니다.
데이터 고정 (n8n)#
데이터 고정을 사용하면 워크플로우 개발 중에 노드의 출력 데이터를 일시적으로 고정할 수 있습니다. 이를 통해 외부 서비스에 반복적으로 요청하지 않고도 예측 가능한 데이터로 워크플로우를 개발할 수 있습니다. 프로덕션 워크플로우는 고정된 데이터를 무시하고 각 실행 시 새 데이터를 요청합니다.
편집기 (n8n)#
n8n 편집기 UI를 사용하면 워크플로우를 생성하고 관리할 수 있습니다. 기본 영역은 캔버스로, 노드를 추가, 구성 및 연결하여 워크플로우를 구성할 수 있습니다. 측면 및 상단 패널을 통해 자격 증명, 템플릿, 변수, 실행 등과 같은 UI의 다른 영역에 접근할 수 있습니다.
권한 (n8n)#
n8n에서 권한은 n8n 인스턴스에 특정 기간 동안 요금제 제한 기능에 대한 접근을 부여합니다.
유동 권한은 다양한 n8n 인스턴스 간에 배포할 수 있는 권한 풀입니다. 유동 권한을 재할당하여 다른 n8n 인스턴스로 접근 권한을 이전할 수 있습니다.
평가 (n8n)#
n8n에서 평가를 사용하면 실행 기록에 태그를 지정하고 구성하고 새 실행과 비교할 수 있습니다. 이를 사용하여 변경 사항을 적용함에 따라 워크플로우가 시간 경과에 따라 어떻게 수행되는지 이해할 수 있습니다. 특히 AI 중심 워크플로우를 개발하는 동안 유용합니다.
표현식 (n8n)#
n8n에서 표현식을 사용하면 자바스크립트 코드를 실행하여 노드 매개변수를 동적으로 채울 수 있습니다. 정적 값을 제공하는 대신 n8n 표현식 구문을 사용하여 이전 노드, 다른 워크플로우 또는 n8n 환경의 데이터를 사용하여 값을 정의할 수 있습니다.
LangChain#
LangChain은 대규모 언어 모델(LLM)과 함께 작동하는 데 사용되는 AI 개발 프레임워크입니다. LangChain은 다양한 모델 및 기타 리소스와 함께 작동하고 다양한 구성 요소를 연결하여 복잡한 애플리케이션을 구축하기 위한 표준화된 시스템을 제공합니다.
대규모 언어 모델 (LLM)#
대규모 언어 모델(LLM)은 자연어 처리(NLP) 작업에 탁월하도록 설계된 AI 머신 러닝 모델입니다. 대량의 데이터로 훈련하여 언어 및 기타 데이터의 확률적 모델을 개발하여 구축됩니다.
노드 (n8n)#
n8n에서 노드는 워크플로우를 생성하기 위해 구성하는 개별 구성 요소입니다. 노드는 워크플로우가 실행되어야 할 때를 정의하고, 데이터를 가져오고, 보내고, 처리할 수 있으며, 흐름 제어 논리를 정의하고, 외부 서비스와 연결할 수 있습니다.
프로젝트 (n8n)#
n8n 프로젝트를 사용하면 워크플로우, 변수 및 자격 증명을 별도의 그룹으로 분리하여 쉽게 관리할 수 있습니다. 프로젝트는 관련 리소스를 공유하고 구획화하여 팀이 더 쉽게 협업할 수 있도록 합니다.
루트 노드 (n8n)#
각 n8n 클러스터 노드에는 클러스터의 주요 기능을 정의하는 단일 루트 노드가 포함되어 있습니다. 하나 이상의 하위 노드가 루트 노드에 연결되어 기능을 확장합니다.
하위 노드 (n8n)#
n8n 클러스터 노드는 루트 노드에 연결된 하나 이상의 하위 노드로 구성됩니다. 하위 노드는 루트 노드의 기능을 확장하여 특정 서비스나 리소스에 대한 접근을 제공하거나 계산기 기능과 같은 특정 유형의 전용 처리를 제공합니다.
템플릿 (n8n)#
n8n 템플릿은 n8n 및 커뮤니티 회원이 설계한 사전 구축된 워크플로우로, n8n 인스턴스로 가져올 수 있습니다. 템플릿을 사용할 때 필요에 맞게 자격 증명을 입력하고 구성을 조정해야 할 수 있습니다.
트리거 노드 (n8n)#
트리거 노드는 특정 조건에 따라 워크플로우를 실행하는 역할을 하는 특수 노드입니다. 모든 프로덕션 워크플로우에는 워크플로우가 실행되어야 할 때를 결정하기 위해 최소한 하나의 트리거가 필요합니다.
워크플로우 (n8n)#
n8n 워크플로우는 프로세스를 자동화하는 노드의 모음입니다. 워크플로우는 트리거 조건이 발생하면 실행을 시작하고 순차적으로 실행되어 복잡한 작업을 수행합니다.