MongoDB n8n 와 통합하여 코드 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.
n8n으로 시작하기
n8n을 설치하려면 n8n 문서 를 참조하거나 npm 을 사용하여 다음 명령을 실행 빠르게 시작하세요.
npx n8n
n8n 및 MongoDB 사용하여 기본 AI 에이전트 빌드 방법을 학습 MongoDB 및 n8n을 사용하여 AI 에이전트 빌드하기를 참조하세요.
중요
모든 MongoDB n8n 노드를 사용하려면 n8n에서 MongoDB 자격 증명 구성해야 합니다. 자세한 학습 은 MongoDB 자격 증명을 참조하세요.
MongoDB Node
MongoDB 노드 사용하면 MongoDB 에서 작업을 자동화하고 n8n 워크플로의 다른 노드와 MongoDB 통합할 수 있습니다.
사용법
사용자 지정 n8n 워크플로에서 MongoDB 노드 사용합니다.
운영
MongoDB 노드 다음 작업을 지원합니다.
카테고리 | 작업 | 설명 |
|---|---|---|
문서 작업 | 문서 애그리게이션 | 집계 작업을 수행하여 MongoDB 집계 파이프라인을 사용하여 데이터를 프로세스 하고 변환합니다. |
문서 찾기 | 유연한 필터링 옵션을 사용하여 MongoDB 컬렉션에서 문서를 쿼리하고 조회 . | |
문서 삽입 | MongoDB 컬렉션에 새 문서를 추가합니다. | |
문서 업데이트 | 컬렉션의 기존 문서를 수정합니다. | |
문서 삭제 | 컬렉션에서 문서를 제거합니다. | |
문서 찾기 및 바꾸기 | 문서를 검색하고 새 콘텐츠로 바꿉니다. | |
문서 찾기 및 업데이트 | 문서를 검색하고 특정 필드를 업데이트 . | |
검색 인덱스 작업 | 검색 인덱스 만들기 | 컬렉션에 새로운 검색 및 벡터 검색 인덱스를 생성합니다. |
검색 인덱스 나열 | 기존 검색 인덱스에 대한 정보를 조회합니다. | |
검색 인덱스 업데이트 | 기존 검색 인덱스 구성을 수정합니다. | |
검색 인덱스 삭제 | 더 이상 필요하지 않은 검색 인덱스를 제거합니다. |
팁
자세한 학습 은 n8n MongoDB 노드 설명서를 참조하세요.
MongoDB Atlas Vector Store 노드
MongoDB Atlas Vector Store 노드 사용하면 에이전트적 워크플로에서 MongoDB Vector Search 를 사용할 수 있습니다.
참고
이 노드 사용하려면 먼저 MongoDB 벡터 검색 인덱스를 구성해야 합니다.
사용법
다음 워크플로 패턴에서 MongoDB Vector Store 노드 사용하세요.
에이전트형 RAG를 수행하는 도구로 AI 에이전트에 직접 연결합니다.
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 Atlas Vector Store를 일반 노드 로 사용하여 사용자 지정 워크플로에 문서를 삽입하거나 조회 .
Trigger → MongoDB Vector Store (Insert/Get) → Next Node
노드 질문-응답 체인에서 리트리버로 사용합니다.
Question and Answer Chain → Vector Store Retriever → MongoDB Vector Store
n8n의 Q&A에 대해 자세히 학습 질문 및 답변 체인 노드 참조하세요.
노드 AI 에이전트 의 질문 답변 도구로 사용합니다.
AI Agent → Vector Store Question Answer Tool → MongoDB Vector Store
n8n의 질문 답변 도구에 대해 자세히 학습하려면 Vector Store 질문 답변 도구 노드를 참조하세요.
작동 모드
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. |
문서 삽입 | 벡터 임베딩이 있는 새 문서를 컬렉션 에 추가합니다. |
문서 조회(Chain/Tool용 Vector Store) | 노드 리트리버 또는 도구로 사용하는 경우에만 사용할 수 있습니다. 리트리버 노드 또는 루트 노드 에 연결되어 있어야 합니다. |
문서 조회( AI Agent용 도구) | 노드 AI 에이전트 의 도구로 사용하는 경우에만 사용할 수 있습니다. 에이전트 이름과 설명이 프롬프트와 관련이 있을 때 이 벡터 저장 사용합니다. |
매개변수
카테고리 | 설정 | 작동 모드 | 설명 |
|---|---|---|---|
공통 매개변수 | MongoDB Collection | 모두 | 사용할 MongoDB 컬렉션 의 이름입니다. |
Vector Index Name | 모두 | MongoDB 컬렉션 에 있는 Vector Search 인덱스 의 이름입니다. | |
Embedding Field | 모두 | 벡터 임베딩이 포함된 문서의 필드 이름입니다. | |
Metadata Field | 모두 | 텍스트 메타데이터 포함된 문서의 필드 이름입니다. | |
모드별 매개변수 | Name | 문서 조회( AI Agent용 도구) | AI 에이전트 용 벡터 저장 도구의 이름입니다. |
Description | 문서 조회( AI Agent용 도구) | 이 도구의 역할에 대한 LLM에 대한 설명입니다. | |
Limit | 문서 조회( AI Agent용 도구) | 벡터 저장 에서 조회 할 결과의 개수입니다. | |
추가 옵션 | Metadata Filter | 다수 가져오기, 문서 조회( AI 에이전트용 도구), 문서 조회(체인/도구의 벡터 저장소) | 메타데이터 기준에 따라 결과를 필터링합니다. |
Rerank Results | 다수 가져오기, 문서 조회( AI 에이전트용 도구), 문서 조회(체인/도구의 벡터 저장소) | 결과 순위 재지정을 활성화합니다(재순위 지정 노드 연결 필요). |
MongoDB 채팅 메모리 노드
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.
사용법
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
워크플로에 여러 MongoDB 채팅 메모리 노드를 추가하는 경우 기본값 으로 모든 노드가 동일한 메모리 인스턴스 액세스 . 별도의 메모리 인스턴스의 경우 각 메모리 노드 에서 서로 다른 세션 ID를 사용합니다.
매개변수
Parameter | 설명 |
|---|---|
세션 ID | 세션 키를 식별하는 방법을 결정하는 메서드입니다. 연결된 트리거하다 통해 세션 키를 정의하거나 키를 수동으로 정의할 수 있습니다. |
세션 키 | 채팅 세션의 고유 식별자입니다. |
컬렉션 이름 | 채팅 기록을 저장 컬렉션 의 이름입니다. 컬렉션이 존재하지 않는 경우 MongoDB 컬렉션 생성합니다. 기본값은 |
데이터베이스 이름 | 채팅 기록을 저장 데이터베이스 의 이름입니다. 지정하지 않으면 n8n 은 자격 증명 의 데이터베이스 사용합니다. |
컨텍스트 창 길이 | 컨텍스트를 위해 고려할 이전 상호작용의 수입니다. |
팁
자세한 학습 은 n8n MongoDB 채팅 메모리 노드 문서를 참조하세요.
추가 n8n 리소스
n8n에 대해 자세히 학습 다음 리소스를 사용하세요.