AI 에이전트의 경우: 문서 인덱스는 https://www.mongodb.com/ko-kr/docs/llms.txt에서 사용할 수 있으며, 모든 페이지의 마크다운 버전은 어떤 URL 경로에 .md를 추가하여 사용할 수 있습니다.

AI 워크플로를 위해 MongoDB와 n8n 통합

MongoDB n8n 과 통합하여 코드가 없는 시각적 인터페이스를 사용하여 자동화 및 에이전트적 워크플로를 빌드 할 수 있습니다. 이 페이지에서는 통합에 대한 개요를 제공하고 워크플로에서 사용할 수 있는 다양한 유형의 노드 에 대해 설명합니다.

The default n8n installation includes the MongoDB nodes. The examples in this guide use n8n version 2.x.

n8n에서 MongoDB 노드를 사용하려면 다음 단계를 완료하세요.

1

n8n을 설치하려면 n8n 문서 를 참조하거나 npm: 을 사용하여 다음 명령을 실행하세요.

npx n8n
2

모든 MongoDB n8n 노드에는 MongoDB 자격 증명이 필요합니다. 자격 증명을 추가하는 방법을 알아보려면 n8n 설명서의 MongoDB 자격 증명을 참조하세요.

3

MongoDB Atlas 벡터 저장 노드를 사용할 계획이라면 컬렉션에 MongoDB 벡터 검색 인덱스를 만듭니다. n8n에서 MongoDB 노드를 사용하여 인덱스를 만드는 방법을 알아보려면 n8n에서 벡터 검색 인덱스 만들기를 참조하세요.

n8n 및 MongoDB 사용하여 기본 AI 에이전트 빌드 방법을 학습 MongoDB 및 n8n을 사용하여 AI 에이전트 빌드하기를 참조하세요.

MongoDB 노드 사용하면 MongoDB 에서 작업을 자동화하고 n8n 워크플로의 다른 노드와 MongoDB 통합할 수 있습니다.

사용자 지정 n8n 워크플로에서 MongoDB 노드 사용합니다.

MongoDB 노드 다음 작업을 지원합니다.

카테고리
작업
설명

문서 작업

문서 애그리게이션

집계 작업을 수행하여 MongoDB 집계 파이프라인을 사용하여 데이터를 프로세스 하고 변환합니다. 자세히 알아보려면 db.collection.aggregate()를 참조하세요.

문서 찾기

유연한 필터링 옵션을 사용하여 MongoDB 컬렉션에서 문서를 쿼리하고 조회할 수 있습니다. 자세히 알아보려면 db.collection.find()를 참조하세요.

문서 삽입

MongoDB 컬렉션에 새 문서를 추가합니다. 자세히 알아보려면 db.collection.insertMany()를 참조하세요.

문서 업데이트

컬렉션의 기존 문서를 수정합니다. 자세히 알아보려면 db.collection.updateOne()를 참조하세요.

문서 삭제

컬렉션에서 문서를 제거합니다. 자세히 알아보려면 db.collection.deleteMany()를 참조하세요.

문서 찾기 및 바꾸기

문서를 검색하고 새 콘텐츠로 바꿉니다. 자세히 알아보려면 db.collection.findOneAndReplace()를 참조하세요.

문서 찾기 및 업데이트

문서를 검색하고 특정 필드를 업데이트합니다. 자세히 알아보려면 db.collection.findOneAndUpdate()를 참조하세요.

검색 인덱스 작업

검색 인덱스 만들기

컬렉션에 새로운 검색 및 벡터 검색 인덱스를 생성합니다. 자세히 알아보려면 db.collection.createSearchIndex()를 참조하세요.

검색 인덱스 나열

기존 검색 인덱스에 대한 정보를 조회합니다. 자세히 알아보려면 $listSearchIndexes를 참조하세요.

검색 인덱스 업데이트

기존 검색 인덱스 구성을 수정합니다. 자세히 알아보려면 db.collection.updateSearchIndex()를 참조하세요.

검색 인덱스 삭제

더 이상 필요하지 않은 검색 인덱스를 제거합니다. 자세히 알아보려면 db.collection.dropSearchIndex()를 참조하세요.

팁

자세한 학습 은 n8n MongoDB 노드 설명서를 참조하세요.

MongoDB Atlas Vector Store 노드 사용하면 에이전트적 워크플로에서 MongoDB Vector Search 를 사용할 수 있습니다.

이 노드를 사용하려면 컬렉션에 MongoDB 벡터 검색 인덱스가 있어야 합니다. n8n에서 인덱스를 만드는 방법을 학습하려면 n8n에서 벡터 검색 인덱스 만들기를 참조하세요.

다음 워크플로 패턴에서 MongoDB Vector Store 노드 사용하세요.

에이전트형 RAG를 수행하는 도구로 AI 에이전트에 직접 연결하세요.

AI Agent (tools connector) → MongoDB Vector Store

튜토리얼은 MongoDB 및 n8n을 사용하여 AI 에이전트 빌드를 참조하세요.

n n의 AI 에이전트에 대해 자세히 학습 AI8 에이전트 노드 참조하세요.

MongoDB Vector Store 노드 다음 작업 모드를 지원합니다. 문서 조회 모드 특정 워크플로 패턴에서만 사용할 수 있습니다.

작동 모드
설명

Get Many

프롬프트 기반의 유사성 검색 사용하여 여러 문서를 조회합니다. 유사성 점수가 있는 문서를 반환합니다. 학습 자세한 내용은 Get Many 매개변수를 참조하세요.

문서 삽입

벡터 임베딩이 포함된 새 문서를 컬렉션에 추가합니다. 자세한 내용은 문서 삽입 매개변수를 참조하세요.

문서 조회(Chain/Tool용 Vector Store)

노드를 리트리버 또는 도구로 사용하는 경우에만 사용할 수 있습니다. 리트리버 노드 또는 루트 노드에 연결되어 있어야 합니다. 자세한 내용은 문서 조회(Chain/Tool용 Vector 저장) 매개변수를 참조하세요.

문서 조회( AI Agent용 도구)

노드를 AI 에이전트의 도구로 사용하는 경우에만 사용할 수 있습니다. 에이전트는 이름과 설명이 프롬프트와 관련이 있을 때 이 벡터 저장소를 사용합니다. 자세한 내용은 문서 조회(AI 에이전트용 도구) 매개변수를 참조하세요.

문서 업데이트

Update an existing document in the vector store by document ID. Specify the document to update in the ID parameter. The node embeds the document content from the input items and replaces the existing document.

The MongoDB Atlas Vector Store node can filter documents when you retrieve them. Use the Pre Filter and Post Filter Pipeline options in the node's Options.

For example, the following pre filter matches movies in the Action genre:

{ "genres": "Action" }

참고

A pre filter narrows the scope of the vector search before the query runs. In the Pre Filter field, enter a MongoDB Query Language (MQL) match expression for the fields that you want to filter on. To use a pre filter, index the fields as the filter type in your MongoDB Vector Search index definition.

A post filter pipeline processes the results further after the vector search completes. In the Post Filter Pipeline field, enter an aggregation pipeline as a JSON array. For example, the following pipeline matches movies released in 2000 or later:

[ { "$match": { "year": { "$gte": 2000 } } } ]

벡터 검색 결과 필터링에 대한 자세한 내용은 벡터 검색 유형을 참조하세요.

The MongoDB Atlas Vector Store node supports logical partitioning of documents by using the Namespace option. When you insert documents with the Namespace option set, the node stores the namespace value in the metadata.namespace field of each document. When the node retrieves documents, it returns only the documents in the namespace that you specify.

네임스페이스를 사용하여 동일한 컬렉션 내에서 서로 다른 테넌트, 토픽 또는 워크플로에 대한 문서를 분리할 수 있습니다. 예를 들어, 다중 테넌트 배포 환경에서는 각 테넌트에 고유한 네임스페이스를 지정합니다. 이렇게 분리하면 에이전트가 다른 테넌트에 속한 문서를 검색하는 것을 방지할 수 있습니다.

When you insert documents, you can also enable the Clear Namespace option. The node removes the existing documents in the namespace, and then inserts the new documents.

MongoDB 채팅 메모리 노드 사용하면 MongoDB AI 워크플로에서 채팅 기록을 저장하기 위한 메모리 저장 로 사용할 수 있습니다. 이를 통해 워크플로 실행 전반에 걸쳐 지속적인 대화 컨텍스트를 사용할 수 있습니다.

MongoDB 채팅 메모리 노드 Memory AI 에이전트 노드 의 섹션에 추가하여 하위 노드로 사용해야 합니다. 튜토리얼은 MongoDB 및 n8n을 사용하여 AI 에이전트 빌드를 참조하세요.

참고

Each MongoDB Chat Memory node scopes its session to that node by default. To share a session between different MongoDB Chat Memory nodes, set Session ID to Define below and use the same session key in each node.

n8n에 대해 자세히 학습 다음 리소스를 사용하세요.