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 노드에 대해 설명합니다.
n8n으로 시작하기
n8n을 설치하려면 n8n 문서를 참조하거나 npm 사용하여 다음 명령을 실행 빠르게 시작하세요.
npx n8n
n n 및 MongoDB 사용하여 기본 AI 에이전트 빌드 방법을 학습8 MongoDB 및 n n을 사용하여 AI 에이전트 빌드하기를 참조하세요.8
중요
모든 MongoDB n8n 노드를 사용하려면 n n에서 MongoDB 자격 증명 구성해야8합니다. 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 Search를 사용할 수 있습니다.
참고
이 노드 사용하려면 먼저 MongoDB 벡터 검색 인덱스를 구성해야 합니다.
사용법
다음 워크플로 패턴에서 MongoDB Vector Store 노드 사용하세요.
에이전트형 RAG를수행하는 도구로 AI 에이전트 에 직접 연결합니다.
AI Agent (tools connector) → MongoDB Vector Store
튜토리얼은 MongoDB 및 n n을 사용하여 AI 에이전트8빌드를 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
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). |
팁
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 n을 사용하여 AI 에이전트 빌드를 참조하세요.8
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.