이 튜토리얼에서는 일부 샘플 데이터에 대한 질문에 답변 할 수 있는 n8n을 사용하여 AI 에이전트 빠르게 빌드 방법을 보여 줍니다. 에이전트 MongoDB 문서 검색을 위한 벡터 저장 와 대화 지속성을 위한 채팅 메모리 저장 로 활용합니다.
MongoDB 사용한 n8n 워크플로 정보
다음 스크린샷은 이 튜토리얼에서 빌드 할 워크플로를 보여줍니다. 이 워크플로에서는 두 개의 MongoDB 노드를 사용하는 AI 에이전트 만듭니다.
샘플 데이터에서 관련 문서를 조회MongoDB Atlas Vector Store 노드
대화 기록을 저장 하는 MongoDB 채팅 메모리 노드
또한 OpenAI를 LLM 및 임베딩 모델 제공자 로 사용합니다.
에이전트 에게 메시지를 보내면 다음 조치가 트리거됩니다.
AI 에이전트 노드 사용자 메시지를 처리하고 다음 조치 결정합니다.
AI 에이전트 도구를 호출해야 하는지 여부를 확인합니다.
'예'인 경우 MongoDB Vector Store 노드 호출하여 문서를 조회 .
그렇지 않은 경우 다음 조치 로 계속됩니다.
에이전트 워크플로에 대해 구성한 LLM을 사용하여 응답을 생성합니다.
각 상호 작용 후 MongoDB 채팅 메모리 노드 대화 기록을 저장합니다.
참고
AI Agent 노드 구성의 빨간색 별표는 필수 매개변수를 나타냅니다.
전제 조건
시작하기 전에 다음 항목이 준비되어 있는지 확인하세요.
다음 MongoDB cluster 유형 중 하나입니다.
MongoDB 버전 6.0.11 을 실행 Atlas cluster , 7.0.2 이상입니다. IP 주소 가 Atlas 프로젝트의 액세스 목록에 포함되어 있는지 확인하세요.
Atlas CLI 사용하여 생성된 로컬 Atlas 배포서버 입니다. 자세히 학습 로컬 Atlas 배포 만들기를 참조하세요.
검색 및 벡터 검색이 설치된 MongoDB Community 또는 Enterprise 클러스터.
MongoDB deployment 에 로드된 샘플 데이터입니다.
OpenAI API 키 또는 사용하려는 다른 지원되는 LLM 및 임베딩 모델 제공자 의 API 키입니다.
고려 사항
n8n 및 MongoDB 로 작업할 때는 다음 사항을 고려하세요.
MongoDB Atlas 사용자의 경우8프로젝트의 IP 액세스 목록에 n n개의 IP 주소를 추가해야 합니다. 자세히 학습 네트워크 액세스를 참조하세요.
MongoDB Vector Store 노드 구성할 때는 Include Metadata 을 Off로 전환해야 합니다. 이 설정을 Off으로 전환하지 않으면 문서가 너무 커서 컨텍스트 창 에 로드할 수 없기 때문에 AI 에이전트 실행 되지 않을 수 있습니다.
벡터 검색 인덱스 만들기
MongoDB 벡터 저장 노드 사용하려면 먼저 컬렉션 에 벡터 검색 인덱스 만들어야 합니다.
AtlasGo Atlas 에서 프로젝트 의 Clusters 페이지로 고 (Go) 합니다.
경고: 탐색 개선 진행 중 현재 새롭고 향상된 탐색 환경을 도입하고 있습니다. 다음 단계가 Atlas UI 의 보기와 일치하지 않는 경우 미리 보기 설명서를 참조하세요.
아직 표시되지 않은 경우 탐색 표시줄의 Organizations 메뉴에서 원하는 프로젝트가 포함된 조직을 선택합니다.
아직 표시되지 않은 경우 탐색 표시줄의 Projects 메뉴에서 원하는 프로젝트를 선택합니다.
아직 표시되지 않은 경우 사이드바에서 Clusters를 클릭합니다.
Clusters(클러스터) 페이지가 표시됩니다.
Collections 페이지로 이동합니다.
cluster의 Browse Collections 버튼을 클릭합니다.
데이터 탐색기 가 표시됩니다.
인덱스 구성을 시작합니다.
페이지에서 다음 항목을 선택한 후 Next를 클릭합니다.
Search Type | Vector Search 인덱스 유형을 선택합니다. |
Index Name and Data Source | 다음 정보를 지정합니다.
|
Configuration Method | For a guided experience, select Visual Editor. To edit the raw index definition, select JSON Editor. |
중요:
MongoDB Search 인덱스 의 이름은 기본값 으로 default 으로 지정됩니다. 이 이름을 유지하면 해당 인덱스 연산자에 다른 index 옵션을 지정하지 않는 모든 MongoDB Search 쿼리 대한 기본값 검색 인덱스 됩니다. 여러 인덱스를 생성하는 경우 인덱스 전체에서 일관적인 되고 설명이 포함된 명명 규칙을 유지하는 것이 좋습니다.
다른 인덱스 생성 방법을 사용하려면 인덱스 생성 절차의 단계를 따르세요. 다음 구성을 사용합니다.
{ "fields": [ { "type": "vector", "path": "plot_embedding", "numDimensions": 1536, "similarity": "dotProduct" } ] }
n8n에서 자격 증명 구성
이 섹션에서는 n8n에서 필요한 자격 자격 증명 구성하는 단계를 완료합니다.
모델 제공자 에 대한 자격 증명 추가합니다.
드롭다운 메뉴에서 구성할 자격 증명 선택합니다.
예시 를 들어 OpenAI 을(를) 선택하고 Continue을(를) 클릭합니다.
모델 제공자 에 어떤 매개변수를 입력해야 하는지 확인하려면 자격 증명 라이브러리를 확인하세요.
예시 를 들어, OpenAI의 경우 API 키, 조직 이름 및 기본 URL 입력합니다.
Save를 클릭합니다. n8n은 개인 공간에 자격 증명을 추가합니다.
MongoDB 에 대한 자격 증명 추가합니다.
이전 단계에서 설명한 것과 동일한 지침에 따라 n8n에 MongoDB 자격 증명 추가합니다. 다음 값을 지정합니다.
설정 | 값 |
|---|---|
구성 유형 | 드롭다운 메뉴에서 Connection String 메서드를 선택합니다. |
연결 문자열 | MongoDB Connection String을(를) 입력합니다. MongoDB 연결 문자열 찾는 방법을 학습 연결 문자열을 참조하세요. |
Database | sample_mflix을(를) 입력합니다. |
AI Agent 워크플로 구성
n n에서 다음 단계를8완료하여 MongoDB 및 n n을 사용하여 AI 에이전트 워크플로를 빌드8 . 워크플로에 대해 자세히 학습 MongoDB 사용한 n n 워크플로 정보를 참조하세요.8
채팅 트리거 노드 추가합니다.
n8n 의 모든 워크플로는 트리거하다 노드 로 시작합니다. 이 워크플로에서는 채팅 트리거하다 노드 사용하여 AI 에이전트 워크플로가 사용자 메시지에 의해 트리거되도록 합니다.
Add first step 를 선택하거나 Tab 을 눌러 노드 메뉴를 엽니다.
Chat Trigger을(를) 검색합니다. n8n은 검색 일치하는 노드 목록을 표시합니다.
Chat Trigger 을 선택하여 캔버스에 노드 추가합니다.
화면 왼쪽 상단 모서리에 있는 Back to canvas 을 클릭합니다. 이 단계에서는 이 노드 테스트를 건너뛸 수 있습니다. Save을(를) 클릭합니다.
채팅 모델을 구성합니다.
노드 연결하여 수신 프롬프트를 프로세스 채팅 모델을 구성합니다.
AI Agent 노드 의 Chat Model 레이블 옆에 있는 + connector 클릭합니다. Language Models(으)로 필터링된 검색 패널이 나타납니다.
목록에서 OpenAI Chat Model 또는 선호하는 LLM 제공자 선택합니다.
Credential to connect with를 클릭합니다.
자격 증명 선택한 후 드롭다운 메뉴에서 모델을 선택합니다( 예시:
gpt-4o).화면 왼쪽 상단 모서리에 있는 Back to canvas 을 클릭합니다. 이 단계에서는 이 노드 테스트를 건너뛸 수 있습니다. Save을(를) 클릭합니다.
대화 상자 상단의 AI Agent 아이콘을 클릭하여 AI Agent 노드 구성으로 돌아갑니다.
MongoDB 채팅 메모리 하위 노드를 추가합니다.
지속적인 대화 컨텍스트를 활성화 하도록 MongoDB 채팅 메모리 하위 노드를 구성합니다.
AI Agent 노드 의 Memory 레이블 옆에 있는 + connector 클릭합니다.
측면 패널에서 MongoDB Chat Memory를 선택합니다.
Select credential를 클릭한 다음 MongoDB 자격 증명 선택합니다.
MongoDB 채팅 메모리 노드 에 대한 기본값 구성을 사용합니다. 기본값 으로 n8n은 지정된 데이터베이스 에
n8n_chat_histories이라는 컬렉션 을 만듭니다.화면 왼쪽 상단 모서리에 있는 Back to canvas 을 클릭합니다. 이 단계에서는 이 노드 테스트를 건너뛸 수 있습니다. Save을(를) 클릭합니다.
AI Agent 노드 구성으로 돌아가려면 AI Agent 아이콘을 클릭합니다.
MongoDB Atlas Vector Store 노드 도구로 추가합니다.
문서 검색을 활성화 하도록 MongoDB Atlas Vector Store 노드 구성합니다.
AI Agent 노드 의 Tool 레이블 옆에 있는 + connector 클릭합니다.
검색 패널에서 MongoDB Atlas Vector Store를 선택합니다.
구성한 MongoDB 자격 증명 선택한 후 다음 값을 지정합니다.
설정값Operation Mode
Retrieve Documents (As Tool for AI Agent)
Description
"Search through documents about movies to find relevant information"MongoDB Collection
embedded_moviesEmbedding
plot_embeddingMetadata Field
plotVector Index Name
vector_indexLimit
4Include Metadata
토글 Off
중요:
이 설정을 Off(으)로 전환하지 않으면 문서가 너무 커서 컨텍스트 창 에 로드할 수 없기 때문에 AI 에이전트 실행 되지 않을 수 있습니다.
Rerank Results
토글 Off
워크플로를 테스트합니다.
이제 AI Agent 노드 구성했으므로 전체 워크플로를 테스트할 수 있습니다. 메시지를 전송하면 워크플로가 캔버스에서 실시간 으로 실행됩니다.
캔버스 하단 근처의 Open chat 버튼을 클릭합니다.
몇 가지 초기 프롬프트를 실행 하여 메모리 기능을 테스트합니다. 예시 를 들면 다음과 같습니다.
Hi, my name is Mongo Hello Mongo! Nice to meet you. How can I help you today? What is my name? Your name is Mongo, as you mentioned when you introduced yourself earlier. 다음 프롬프트를 실행 하여 벡터 검색 및 RAG 기능을 테스트합니다.
Recommend me a few movies about time travel Here are a few movies about time travel that you might enjoy: The Time Traveler's Wife - A romantic drama about a Chicago librarian with a gene that causes him to involuntarily time travel, leading to complications in his marriage. Timecop - An officer working for a security agency that regulates time travel must battle for his life against a corrupt politician tied to his past. We Are from the Future (My iz budushchego) - Four modern-day treasure seekers are unexpectedly transported into the midst of a World War II battle set in Russia. About Time - A young man discovers at the age of 21 that he can travel back in time. He attempts to improve his life, including finding love, but things don't turn out to be as simple as they seem. Let me know if you'd like any additional information about these films!